Pembolehubah rawak: panduan lengkap dengan definisi, jenis dan contoh

permulaan » Ekonomi » Pembolehubah rawak: panduan lengkap dengan definisi, jenis dan contoh

Apabila kita bercakap tentang pembolehubah rawak Pendek kata, kita merujuk kepada nombor yang nilainya ditentukan secara rawak setiap kali kita mengulangi eksperimen. Kita tidak dapat meramalkan dengan pasti apakah hasilnya dalam ukuran tertentu, tetapi kita tahu bahawa nilai-nilai yang mungkin ini diagihkan mengikut taburan kebarangkalian tertentu—iaitu, cara sistematik untuk menetapkan kebarangkalian kepada hasil. Kerangka kerja ini membolehkan kita memodelkan fenomena dunia sebenar seperti lambungan syiling, pengukuran cuaca atau prestasi proses perindustrian.

Untuk bekerja dengan bersungguh-sungguh, Adalah mudah untuk menganggap pembolehubah rawak sebagai fungsi yang mengubah hasil asas eksperimen (titik dalam ruang sampel) kepada nombor nyata. Oleh itu, setiap kali hasil berlaku di dunia nyata, pembolehubah tersebut mengembalikan nilai. Analisis statistik bergantung pada pengulangan berkali-kali. eksperimen dan dalam mengukur keputusan untuk mengaitkannya dengan nombor nyata, supaya kita boleh mengkaji tingkah lakunya menggunakan alat kebarangkalian.

Definisi formal dan rangka kerja pengukuran

Secara tegasnya, Pembolehubah rawak nyata X ialah fungsi yang boleh diukur ditakrifkan pada ruang kebarangkalian (Ω, A, P) dan dengan nilai dalam kodomain yang boleh diukur (S, Σ). Dalam kebanyakan amalan biasa, kodomain ialah (ℝ, B(ℝ)), di mana B(ℝ) ialah algebra σ Borel bagi nombor nyata. Ini diringkaskan sebagai: X: (Ω, A, P) → (ℝ, B(ℝ)), dan syarat kebolehukuran utama memerlukan bahawa bagi setiap set Borel B, X⁻¹(B) ∈ A. Sifat ini menjamin bahawa kita boleh bercakap secara bermakna tentang P[X ∈ B], memandangkan set praimej ialah peristiwa yang boleh diukur.

Satu nuansa penting ialah titik ω ∈ Ω tidak boleh diperhatikanApa yang kita lihat ialah X(ω), nilai berangka. Oleh itu, ketidakpastian bukanlah terletak pada nilai X yang telah diperhatikan, tetapi pada tidak mengetahui terlebih dahulu apakah nilai sebenar ω. Teori ukuran menyediakan bahasa yang sesuai (σ-algebra, ukuran kebarangkalian) untuk memformalkan idea-idea ini tanpa kekaburan.

Julat pembolehubah

Julat X, dilambangkan sebagai R_X, ialah set nilai nyata yang boleh diambil oleh pembolehubah: R_X = { x ∈ ℝ | wujud ω ∈ Ω supaya X(ω) = x }. Dalam erti kata lain, ia adalah imej bagi fungsi X dan secara semula jadi menentukan di mana pembolehubah boleh mempunyai ketumpatan jisim atau kebarangkalian.

Contoh ilustrasi

Contoh 1 (dua syiling): Jika kita melambung dua syiling, ruang sampel ialah Ω = {HH, HT, HT, TW}, dengan HH ialah kepala dan HT ialah ekor. Kita takrifkan X sebagai bilangan kepala yang diperoleh: X(HH)=2; X(HT)=1; X(HT)=1; X(TW)=0. Julatnya ialah R_X = {0, 1, 2}Kes ini adalah prototaip bagi pembolehubah diskret, kerana ia hanya mengambil beberapa nilai terpencil.

Contoh 2 (kerpasan harian): Biar X menjadi paras hujan yang direkodkan pada hari tertentu di sesebuah bandar. Julatnya boleh diwakili secara munasabah oleh [0, ∞). Di sini ruang sampel asas adalah kompleks (keadaan atmosfera, model meteorologi), tetapi kita boleh menganggarkan taburan X daripada siri sejarah dan menganggap bahawa taburan populasi sebenar menghampiri taburan empirikal jika datanya luas dan mewakili. Dalam praktiknya, Kami bekerja dengan fungsi taburan F_X anggaran diperoleh daripada rekod tersebut.

Jenis-jenis pembolehubah rawak

Pembolehubah rawak diskret: Pembolehubah dianggap diskret jika julatnya merupakan set terhingga atau boleh dikira tak terhingga, tanpa titik pengumpulan. Contoh klasik ialah mengira kepala dalam lambungan syiling atau bilangan ketibaan dalam barisan dalam satu minit. Tingkah lakunya digambarkan oleh fungsi kebarangkalian (juga dipanggil fungsi jisim kebarangkalian) yang memberikan p(x) = P[X = x] kepada setiap nilai yang mungkin.

Pembolehubah rawak berterusan: Ia adalah julat yang tidak dapat dikira, biasanya selang ℝ. Ketinggian seseorang, jangka hayat sesuatu komponen, atau hujan harian adalah contohnya. Pembolehubah ini dimodelkan dengan fungsi ketumpatan f(x), yang mana kebarangkalian diperoleh dengan mengintegrasikan selang masa dan yang mana fungsi taburan kumulatifnya diperoleh.

Takrifan ini secara semulajadinya meliputi pembolehubah vektor dengan nilai dalam ℝⁿ atau ℂⁿ. Terdapat juga pembolehubah dengan ruang nilai yang lebih eksotik, seperti partition (muncul dalam proses stokastik seperti restoran Cina) atau set fungsi (seperti dalam proses Dirichlet). Teori umum merangkumi semua kes ini. menggunakan bahasa ruang yang boleh diukur.

Fungsi taburan kumulatif (CDF)

Fungsi taburan bagi X, F_X(x) = P[X ≤ x], memberikan kepada setiap x nyata kebarangkalian kumulatif sehingga titik tersebut. Setiap FDA nyata memenuhi tiga sifat: (i) mengehadkan F(x) → 0 apabila x → −∞ dan F(x) → 1 apabila x → +∞; (ii) ia tidak berkurangan secara monoton; dan (iii) ia berterusan-kanan. Tahu F_X(x) bersamaan dengan mengetahui hukum X, kedua-duanya dalam kes diskret dan berterusan.

Fungsi ketumpatan (PDF) dan hubungannya dengan FDA

Apabila X berterusan, ketumpatan f_X(x) ialah terbitan bagi F_X(x) (dalam erti kata klasik atau taburan). Sebaliknya, F diperoleh dengan mengintegrasikan ketumpatan: F(x) = ∫_−∞^x f(t) dt. Ketumpatan menerangkan bagaimana kebarangkalian tertumpu. sekitar nilai yang berbeza, membolehkan P[a ≤ X ≤ b] dikira sebagai ∫_a^b f(x) dx.

Transformasi pembolehubah rawak

Jika Y = g(X) dengan g Borel boleh diukur, Dan ia juga merupakan pembolehubah rawak pada ruang asas yang sama, kerana komposisi fungsi Borel yang boleh diukur adalah boleh diukur. Sekali lagi, ini membolehkan kita beralih daripada taburan X kepada Y: F_Y(y) = P[g(X) ≤ y]. Perlu diingatkan bahawa jika g tidak meningkat dengan ketara atau tidak boleh disongsangkan secara global, mendapatkan ketumpatan Y memerlukan mengambil kira semua cabang songsangan g.

Jika g boleh disongsangkan dan meningkat, maka F_Y(y) = F_X(g⁻¹(y))Jika, sebagai tambahan, g boleh dibezakan, ketumpatan memenuhi f_Y(y) = f_X(g⁻¹(y)) · |d(g⁻¹(y))/dy|. Apabila g tidak bersifat suntikan tetapi bagi setiap y mempunyai bilangan praimej yang terhingga x_i, formula tersebut digeneralisasikan af_Y(y) = Σ_i f_X(x_i) · |dx_i/dy|, di mana x_i = G.^-1_i(y). Hasil tambah ini menambah sumbangan setiap cabang yang memetakan kepada y.

Contoh transformasi: kuasa dua normal

Katakan X ~ N(0, 1), dengan ketumpatan f_X(x) = (1/√(2π))·e^−x²/2Jika kita mentakrifkan Y = X², setiap nilai y ≥ 0 mempunyai dua praimej: x = ±√y. Dengan menggunakan formula dengan dua cabang simetri, f diperoleh_Y(y) = (1/√(2π y))·e^−y/2 untuk y > 0, yf_Y(y) = 0 untuk y ≤ 0. Ini ialah ketumpatan χ² dengan 1 darjah kebebasan (bersamaan, gama dengan bentuk 1/2 dan skala 2).

Jika kita melihat taburan kumulatif Y, Untuk y < 0, kebarangkalian ialah 0Untuk y ≥ 0, F_Y(y) = P[−√y ≤ X ≤ √y] = F_X(√y) − F_X(−√y), dengan F_X Ia adalah piawaian FDA yang biasa. Contoh ini menggambarkan dua pendekatan pelengkap: bekerja dengan ketumpatan (perubahan pembolehubah) atau dengan taburan kumulatif.

Contoh transformasi: daripada hukum logistik yang dinaikkan kepada eksponen

Pertimbangkan pembolehubah X dengan FDA F_X(x) = 1 / (1 + e^−x)^θ, dengan θ > 0. Kita takrifkan Y = ln(1 + e^-X). Maka Y ≤ y bersamaan dengan X ≥ −ln(e^y − 1). Dari sini, F_Y(y) = 1 − F_X(−ln(e^y − 1))Menggantikan F_X dan dengan memudahkan, kita sampai di F_Y(y) = 1 − e^{−θ dan}, yang merupakan FDA bagi eksponen dengan parameter θ. Ia merupakan perubahan berubah-ubah yang elegan yang menghubungkan keluarga logistik yang dipertingkatkan dengan taburan eksponen.

Jangkaan, varians dan momen

Nilai yang dijangkakan, atau nilai yang dijangkakan E[X], meringkaskan kecenderungan memusatJika X diskret dengan nilai x_i dan kebarangkalian p(x)_i), maka E[X] = Σ x_i p(x_i). Jika X berterusan dengan ketumpatan f(x), E[X] = ∫_−∞^∞ xf(x)dx. Dari segi pengukuran, boleh ditulis sebagai ∫_Ω X dP, yang menekankan definisi abstraknya berbanding ruang kebarangkalian.

Varians mengukur penyebaran: Var(X) = E[(X − E[X])²]Sisihan piawai ialah σ = √Var(X) dan memenuhi σ² = Var(X). Dalam taburan selanjar, himpunan momen M⁽ⁿ⁾_X = E[Xⁿ] boleh mencirikan hukum sepenuhnya di bawah keadaan yang sesuai. Momen-momen tersebut berkaitan dengan fungsi ciri φ_X(t) melalui φ⁽ⁿ⁾_X(0) = iⁿ E[Xⁿ], dan dengan fungsi penjana momen M_X(t) melalui M⁽ⁿ⁾_X(0) = E[Xⁿ]. Alat-alat ini meringkaskan maklumat berguna untuk inferens, penghampiran dan perbandingan taburan.

Pengelasan praktikal dan kaitan dengan aplikasi

Diskret lawan berterusan Ini bukan satu-satunya dikotomi yang berguna: kita juga membezakan pembolehubah campuran (dengan bahagian diskret dan berterusan), pembolehubah berbilang dimensi (vektor rawak), dan pembolehubah dengan nilai fungsian dalam proses stokastik. Kepelbagaian ini mencerminkan kerumitan fenomena dunia sebenar., di mana ketidakpastian kategori dan kuantitatif sering wujud bersama.

Dalam pemodelan dunia sebenar, adalah penting untuk diingat bahawa Apa yang diperhatikan ialah pembolehubah yang diubah X(ω), bukan elemen asas ω. Ini membimbing pilihan ukuran, definisi peristiwa yang menarik, dan tafsiran keputusan. Dalam bidang kejuruteraan, sains kesihatan atau ekonomiPerspektif ini membantu memformalkan hipotesis dan memilih model kebarangkalian yang koheren.

Cara beralih dari X ke Y = g(X): butiran teknikal

Formulasi umum: jika g adalah monotonik dan boleh disongsangkan, f_Y(y) = f_X(g⁻¹(y)) · |(h/dy) g⁻¹(y)|Jika g tidak monotonik tetapi setiap y mempunyai bilangan punca x yang terhingga_i yang mengesahkan g(x_i) = y, maka sumbangan setiap cabang ditambah bersama: f_Y(y) = Σf_X(x_i) · |dx_i/dy|. Peraturan perubahan pembolehubah ini Ia merupakan kaedah asas untuk memperoleh ketumpatan transformasi sepunya (kuasa, logaritma, fungsi trigonometri, dll.).

Berkenaan dengan kebolehukuran, komposisi fungsi Borel yang boleh diukur boleh diukur, yang menyokong prosedur Y = g(X). Dalam konteks yang lebih umum dengan fungsi Lebesgue yang boleh diukur di luar kerangka kerja Borel, komposisi boleh menyebabkan masalah Dan syarat tambahan diperlukan. Perincian teknikal ini mewajarkan penggunaan fungsi Borel yang lazim dalam statistik dan kebarangkalian untuk menjamin tingkah laku yang baik.

Aplikasi pendidikan: umur dan prestasi guru

Satu penyiasatan diterangkan pada prestasi pengajaran EIB di sekolah swasta di San Juan de Lurigancho dengan sampel seramai 54 orang guru. Umur dianalisis, dengan minat khusus terhadap kumpulan muda (X < 29 tahun), dan jadual tersedia yang merangkumi frekuensi, peratusan, peratusan sah (yang menolak data yang hilang) dan peratusan kumulatif. Matlamatnya adalah untuk mengira nilai dan varians yang dijangkakan. bagi umur guru muda dan bagi selebihnya, buat kesimpulan, cadangkan tindakan penambahbaikan dan anggarkan kebarangkalian bahawa seorang guru berumur antara 29 dan 31 tahun.

Cara untuk meneruskan: jika jadual umur dikumpulkan mengikut selang masa, titik tengah setiap selang digunakan sebagai wakil x_i dan frekuensi f_i atau peratusan yang sah sebagai pemberat. Bagi kumpulan muda (X < 29), kelas dengan had atas kurang daripada 29 ditapis keluar dan jumlah frekuensi diskalakan semula untuk mewakili jumlah subkumpulan. Jangkaan bersyarat dikira sebagai E[X | X < 29] ≈ Σ x_i p_i|young, dan varians bersyarat sebagai Var(X | X < 29) ≈ Σ (x_i − μ_muda)² p_i|youngBagi kumpulan bukan muda (X ≥ 29), proses tersebut diulang dengan kelas mereka.

Jika jadual tidak dikumpulkan dan mempunyai umur tertentu dengan kekerapan, maka E[X] = (1/N) Σ x_i f_i dan Var(X) = (1/N) Σ (x_i − μ)² f_iUntuk versi bersyarat mengikut subkumpulan, N digantikan dengan saiz subkumpulan (N_muda atau N_{tidak muda}) dan hanya frekuensi yang sepadan ditambah bersama. Metodologi ini mereplikasi definisi nilai dan varians yang dijangkakan dengan tepat, yang disesuaikan dengan data sebenar dengan atau tanpa pengelompokan.

Apakah yang boleh kita simpulkan daripada keputusan ini? Jika E[X | X < 29] adalah jauh lebih kecil dan Var(X | X < 29] dikurangkan, Kumpulan muda mempunyai purata umur yang rendah dan homogenJika metrik lain juga menunjukkan prestasi bilik darjah yang lebih baik untuk X < 29, belia mungkin dikaitkan dengan amalan bilik darjah semasa tertentu atau penyesuaian yang lebih besar kepada metodologi aktif. Walau bagaimanapun, inferens kausal memerlukan kehati-hatian.Adalah dinasihatkan untuk menyemak pengalaman, latihan, akses kepada sumber dan gaya kepimpinan di pusat tersebut.

Tindakan untuk meningkatkan prestasi dan pencapaian: (1) pendidikan berterusan yang tertumpu dalam metodologi yang berkesan (pembelajaran aktif, penilaian formatif, maklum balas kualiti); (2) bimbingan silang antara guru junior dan guru yang lebih berpengalaman untuk berkongsi inovasi dan strategi pengurusan bilik darjah; (3) komuniti amalan dengan pemerhatian rakan sebaya dan kitaran penambahbaikan; (4) akses kepada sumber pendidikan dan teknologi dengan sokongan teknikal; dan (5) pemantauan dengan penunjuk penunjuk kemajuan pelajar yang jelas, menghubungkan data prestasi dengan keputusan pedagogi.

Apakah kebarangkalian guru berumur antara 29 dan 31 tahun? Jika jadual tersebut memberikan kekerapan mengikut umur atau selang masa yang halusCukup tambahkan frekuensi 29, 30, dan 31 (atau selang [29,31]) dan bahagikan dengan jumlah 54 guru, atau dengan jumlah bilangan yang sah jika terdapat kehilangan. Jika jadual menggunakan selang yang luas (contohnya, [28,32]), Ia boleh diinterpolasi secara berkadaran Dengan mengandaikan taburan seragam dalam selang: P(29–31) ≈ (panjang subselang)/(panjang selang) × (kekerapan selang)/N. Jika terdapat padanan yang munasabah untuk taburan berterusan, Satu lagi pilihan adalah untuk mengintegrasikan ketumpatan diselaraskan antara 29 dan 31. Tanpa data khusus, nombor tidak dapat diberikan, tetapi prosedurnya adalah seperti yang diterangkan.

Nota dan hubungan dengan konsep lain

Taburan rujukan Taburan binomial dan normal masing-masing merupakan contoh paradigmatik bagi pembolehubah diskret dan selanjar. Kajian tentang taburan kebarangkalian, nilai jangkaan dan varians membentuk asas kursus pengenalan. Dalam inferens statistik lanjutan Muncul tanggapan seperti Maklumat Fisher, yang mengukur berapa banyak maklumat tentang parameter yang dibawa oleh pemerhatian rawak dan merupakan pusat kepada kecekapan penganggar dan had Cramér-Rao.

Di luar teori, galeri dan sumber akademik Ia membantu menggambarkan konsep dan mengembangkan kajian. Terdapat repositori dengan bahan grafik mengenai pembolehubah rawak dan bibliografi yang banyak yang mengkaji lebih mendalam asas dan aplikasi. Sokongan-sokongan ini berharga untuk mengukuhkan pemahaman dan menghubungkan dengan masalah sebenar.

Sumber PDF untuk maklumat lanjut (pautan luar)

Beberapa bahan terbuka dan rujukan yang menyelidiki lebih mendalam definisi dan sifat pembolehubah dan taburan rawak:

• Topik: Pembolehubah Rawak (ULPGC)
• Statistik II – Topik 2 (UGR)
• Kursus Kebarangkalian – Topik 3 (UC3M)
• Takrif pembolehubah rawak (UGR)
• Pembolehubah rawak (UMA)
• Bab rujukan dalam kebarangkalian dan statistik

Mari kita ringkaskan semula seni bina konseptualPembolehubah rawak ialah fungsi yang boleh diukur yang memetakan hasil kepada nombor; taburan kumulatifnya dan, dalam kes berterusan, ketumpatannya, mengekod sepenuhnya kelakuannya; julat menandakan nilai yang mungkin; transformasi membolehkan pembinaan pembolehubah baharu; dan kuantiti ringkasan seperti jangkaan, varians dan momen mensintesis ciri-ciri utama. Dengan asas-asas iniContoh-contoh (daripada syiling kepada hujan atau zaman) dianalisis dengan bahasa unik yang menghubungkan teori dan amalan.