Случајна променљива: комплетан водич са дефиницијама, типовима и примерима

иницирање » Привреда » Случајна променљива: комплетан водич са дефиницијама, типовима и примерима

Када говоримо о случајној променљивој Укратко, мислимо на број чија се вредност насумично одређује сваки пут када поновимо експеримент. Не можемо са сигурношћу предвидети какав ће бити резултат у одређеном мерењу, али знамо да су ове могуће вредности распоређене према одређеној расподели вероватноће – то јест, систематском начину додељивања вероватноћа исходима. Овај оквир нам омогућава да моделирамо феномене из стварног света као што су бацање новчића, мерења времена или извођење индустријског процеса.

Да радим ригорозно, Погодно је размишљати о случајној променљивој као о функцији који трансформише елементарне исходе експеримента (тачке у простору узорка) у реалне бројеве. Дакле, сваки пут када се исход догоди у реалном свету, променљива враћа вредност. Статистичка анализа се заснива на многобројном понављању. експеримента и у квантификацији резултата како бисмо их повезали са реалним бројевима, тако да можемо проучавати њихово понашање користећи алате вероватноће.

Формална дефиниција и оквир мерења

Строго говорећи, Реална случајна променљива X је мерљива функција дефинисан на простору вероватноће (Ω, A, P) и са вредностима у мерљивом кодомену (S, Σ). У најчешћој пракси, кодомен је (ℝ, B(ℝ)), где је B(ℝ) Борелова σ-алгебра реалних бројева. Ово се сумира као: X: (Ω, A, P) → (ℝ, B(ℝ)), а кључни услов мерљивости захтева да за сваки Борелов скуп B, X⁻¹(B) ∈ A. Ово својство гарантује да можемо смислено говорити о P[X ∈ B], пошто је скуп преслика мерљив догађај.

Важна нијанса је да тачке ω ∈ Ω нису видљивеОно што видимо је X(ω), нумеричка вредност. Стога, неизвесност не лежи у већ посматраној вредности X, већ у томе што се унапред не зна која ће бити стварна вредност ω. Теорија мере пружа одговарајући језик (σ-алгебре, мере вероватноће) да би се ове идеје формализовале без двосмислености.

Опсег променљиве

Распон X, означен као R_X, је скуп реалних вредности које променљива може да узме: R_X = { x ∈ ℝ | постоји ω ∈ Ω тако да је X(ω) = x }. Другим речима, то је слика функције X и природно одређује где променљива може имати масу или густину вероватноће.

Илустративни примери

Пример 1 (два новчића): Ако бацамо два новчића, простор узорка је Ω = {HH, HT, HT, TW}, где је HH глава, а HT реп. Дефинишемо X као број добијених глава: X(HH)=2; X(HT)=1; X(HT)=1; X(TW)=0. Распон је R_X = {0, 1, 2}Овај случај је прототип дискретне променљиве, јер узима само неколико изолованих вредности.

Пример 2 (дневна количина падавина): Нека је X ниво падавина забележен одређеног дана у граду. Његов опсег се може разумно представити са [0, ∞). Овде је основни простор узорка сложен (стање атмосфере, метеоролошки модели), али можемо проценити дистрибуцију X из историјских серија и сматрати да стварна дистрибуција популације приближно одговара емпиријској дистрибуцији ако су подаци опсежни и репрезентативни. У пракси, Радимо са функцијом расподеле F_X приближан изведених из поменутих записа.

Врсте случајних променљивих

Дискретна случајна променљива: Променљива се сматра дискретном ако је њен опсег коначан или пребројиво бесконачан скуп, без тачака акумулације. Класични примери су бројање глава у бацању новчића или број долазака у ред у једном минуту. Његово понашање је описано функцијом вероватноће (такође се назива функција масе вероватноће) која свакој могућој вредности додељује p(x) = P[X = x].

Континуирана случајна променљива: То је онај чији је опсег небројив, обично интервал од ℝ. Висина особе, животни век компоненте или дневна количина падавина су примери. Ове променљиве су моделиране функцијом густине f(x), из које се вероватноћа добија интегрисањем кроз интервале и из које се изводи њена кумулативна функција расподеле.

Ове дефиниције се природно проширују на векторске променљиве са вредностима у ℝⁿ или ℂⁿ. Постоје чак и променљиве са егзотичнијим просторима вредности, као што су партиције (које се појављују у стохастичким процесима попут кинеског ресторана) или скупови функција (као у Дирихлеовом процесу). Општа теорија покрива све ове случајеве. користећи језик мерљивих простора.

Кумулативна функција расподеле (CDF)

Функција расподеле X, F_X(x) = P[X ≤ x], додељује сваком реалном броју x кумулативну вероватноћу до те тачке. Сваки реални FDA задовољава три својства: (i) лимеса F(x) → 0 када x → −∞ и F(x) → 1 када x → +∞; (ii) монотоно је неопадајући; и (iii) непрекидан је здесна. Знај Ф_X(x) је еквивалентно познавању закона X, како у дискретном, тако и у континуираном случају.

Функција густине (PDF) и њен однос према FDA

Када је X континуирано, густина f_X(x) је извод од F_X(Икс) (у класичном или расподелном смислу). Обрнуто, F се добија интегрисањем густине: F(x) = ∫_−∞^x f(t) dt. Густина описује како је вероватноћа концентрисана. око различитих вредности, што омогућава да се P[a ≤ X ≤ b] израчуна као ∫_a^b f(x) dx.

Трансформације случајних променљивих

Ако је Y = g(X) са g мерљивим по Борелу, И то је такође случајна променљива на истом базном простору, пошто је композиција мерљивих Бореловских функција мерљива. Поново, ово нам омогућава да пређемо са расподеле X на расподелу Y: F_Y(y) = P[g(X) ≤ y]. Вреди напоменути да ако g није строго растуће или није глобално инвертибилна, добијање густине Y захтева узимање у обзир свих инверзних грана g.

Ако је g инвертибилно и растуће, онда F_Y(y) = F_X(г⁻¹(и))Ако је, поред тога, g диференцијабилна, густина задовољава f_Y(y) = f_X(г⁻¹(и)) · |д(г⁻¹(и))/ди|. Када g није инјективно али за свако y има коначан број прослика x_i, формула је генерализована за_Y(y) = Σ_i f_X(x_i) · |dx_i/dy|, где је x_i = г^{-КСНУМКС}_i(y). Овај збир сабира допринос сваке гране која се пресликава на y.

Пример трансформације: квадрат нормале

Претпоставимо да је X ∼ N(0, 1), са густином f_X(x) = (1/√(2π))·e^−x²/2Ако дефинишемо Y = X², свака вредност y ≥ 0 има две праслике: x = ±√y. Применом формуле са две симетричне гране, f је добијено_Y(y) = (1/√(2π y))·e^−y/2 за y > 0, и ф_Y(y) = 0 за y ≤ 0. Ово је густина χ² са 1 степеном слободе (еквивалентно, гама величине облика 1/2 и скале 2).

Ако погледамо кумулативну расподелу Y, За y < 0 вероватноћа је 0За y ≥ 0, F_Y(y) = P[−√y ≤ X ≤ √y] = F_X(√y) − F_X(−√y), где је F_X То је стандардна норма ФДА. Овај пример илуструје два комплементарна приступа: рад са густинама (промена променљиве) или са кумулативним расподелама.

Пример трансформације: од логистичког закона подигнутог на експоненцијални степен

Размотримо променљиву X са ФДА Ф_X(x) = 1 / (1 + e^−к)^θ, са θ > 0. Дефинишемо Y = ln(1 + e^−Кс). Тада је Y ≤ y еквивалентно са X ≥ −ln(e^y − 1). Дакле, F_Y(y) = 1 − F_X(−ln(e)^y − 1))Замена Ф_X и поједностављујући, долазимо до F_Y(y) = 1 − e^{−θ и}, што је FDA експоненцијалне функције са параметром θ. То је елегантна промена променљиве што повезује побољшану логистичку породицу са експоненцијалном дистрибуцијом.

Очекивања, варијанса и моменти

Очекивана вредност, или очекивана вредност E[X], сумира централну тенденцијуАко је X дискретно са вредностима x_i и вероватноће p(x)_i), онда је E[X] = Σ x_i п(к_i). Ако је X непрекидан са густином f(x), E[X] = ∫_−∞^∞ xf(x) dx. У погледу мерења, може се записати као ∫_Ω X dP, што наглашава његову апстрактну дефиницију преко простора вероватноће.

Варијанса квантификује дисперзију: Var(X) = E[(X − E[X])²]Стандардна девијација је σ = √Var(X) и задовољава σ² = Var(X). У континуираним расподелама, скуп момената M^(н)_X = E[Xⁿ] може у потпуности окарактерисати закон под одговарајућим условима. Моменти су повезани са карактеристичном функцијом φ_X(t) помоћу φ^(н)_X(0) = iⁿ E[Xⁿ], и са функцијом генерације момента M_X(t) кроз M^(н)_X(0) = E[Xⁿ]. Ови алати кондензују информације корисно за закључивање, апроксимације и поређење дистрибуција.

Практична класификација и веза са применама

Дискретно наспрам континуираног Ово није једина корисна дихотомија: разликујемо и мешовите променљиве (са дискретним и континуираним деловима), вишедимензионалне променљиве (случајни вектори) и променљиве са функционалним вредностима у стохастичким процесима. Ова разноликост одражава сложеност феномена из стварног света., где категоријалне и квантитативне неизвесности често коегзистирају.

У моделирању у стварном свету, важно је запамтити да Оно што се посматра је трансформисана променљива X(ω), а не основни елемент ω. Ово усмерава избор мера, дефиницију догађаја од интереса и тумачење резултата. У инжењерству, здравственим наукама или економијиОва перспектива помаже у формализацији хипотеза и одабиру кохерентних вероватносних модела.

Како прећи са X на Y = g(X): технички детаљи

Општа формулација: ако је g монотона и инвертибилна, f_Y(y) = f_X(г⁻¹(и)) · |(д/ди) г⁻¹(и)|Ако g није монотоно, али свако y има коначан број корена x_i које потврђују g(x)_i) = y, онда се доприноси сваке гране сабирају: f_Y(y) = Σ f_X(x_i) · |dx_i/dy|. Ово правило промене променљиве То је главни алат за извођење густина уобичајених трансформација (степени, логаритми, тригонометријске функције итд.).

Што се тиче мерљивости, састав Бореловог мерљивог функционисања је мерљиво, што подржава поступак Y = g(X). У општијим контекстима са само мерљивим Лебеговим функцијама ван Бореловог оквира, састав може изазвати проблеме И потребни су додатни услови. Овај технички детаљ оправдава уобичајену употребу Бореловог функционалног система у статистици и вероватноћи како би се гарантовало добро понашање.

Образовна примена: узраст и учинковитост наставника

Истрага је описана на наставни учинак ЕИБ-а у приватним школама у Сан Хуан де Луриганчу са узорком од 54 наставника. Анализирају се узрасни периоди, са посебним освртом на млађу групу (X < 29 година), а доступна је и табела која укључује учесталости, проценте, валидан проценат (који одбацује недостајуће податке) и кумулативни проценат. Циљ је израчунати очекивану вредност и варијансу. за старост младих наставника и за остало, извући закључке, предложити мере за побољшање и проценити вероватноћу да наставник има између 29 и 31 године.

Како поступити: ако је табела старости груписана по интервалима, користи се средина сваког интервала као представник x_i и фреквенција f_i или проценат који важи као тежина. За млађу групу (X < 29), класе са горњом границом мањом од 29 се филтрирају и збир фреквенција се прерасподели да би представљао укупну вредност подгрупе. Условно очекивање се израчунава као E[X | X < 29] ≈ Σ x_i p_{ја|млад}, и условну варијансу као Var(X | X < 29) ≈ Σ (x_i − μ_млади)² стр._{ја|млад}За групу која није млађа (X ≥ 29), поступак се понавља са њиховим разредима.

Ако табела није груписана и има одређене старости са учесталошћу, онда је E[X] = (1/N) Σ x_i f_i и Var(X) = (1/N) Σ (x_i − μ)² f_iЗа условне верзије по подгрупама, N се замењује величином подгрупе (N_млади или Н_{није млад}) и само одговарајуће фреквенције се сабирају. Ова методологија тачно реплицира дефиницију очекиване вредности и варијансе, прилагођену стварним подацима са или без груписања.

Шта можемо закључити из ових резултата? Ако је E[X | X < 29] значајно мањи и Var(X | X < 29] је смањен, Млада група има ниску и хомогену просечну старостАко и друге метрике указују на бољи учинак у учионици за X < ​​29, млади би могли бити повезани са одређеним тренутним праксама у учионици или већом адаптацијом на активне методологије. Међутим, узрочно закључивање захтева опрез.Препоручљиво је проверити искуство, обуку, приступ ресурсима и стилове вођења у центру.

Акције за побољшање учинка и постигнућа: (1) усмерено континуирано образовање у ефикасним методологијама (активно учење, формативна процена, повратне информације о квалитету); (2) унакрсног менторства између млађих и искуснијих наставника ради размене иновација и стратегија управљања учионицом; (3) заједнице праксе са циклусима посматрања и унапређења од стране вршњака; (4) приступ образовним ресурсима и технологију са техничком подршком; и (5) праћење помоћу индикатора јасни индикатори напретка ученика, повезујући податке о учинку са педагошким одлукама.

Колика је вероватноћа да наставници имају између 29 и 31 године? Ако табела приказује фреквенције по старости или финим интервалимаЈедноставно саберите фреквенције бројева 29, 30 и 31 (или интервал [29,31]) и поделите са укупно 54 наставника или са укупним важећим бројем ако постоје губици. Ако табела користи широке интервале (на пример, [28,32]), Може се интерполирати пропорционално Под претпоставком равномерне расподеле унутар интервала: P(29–31) ≈ (дужина подинтервала)/(дужина интервала) × (учесталост интервала)/N. Ако би постојало вероватно поклапање са континуираном расподелом, Друга опција би била интеграција густине прилагођено између 29 и 31. Без конкретних података, број се не може дати, али поступак је као што је описано.

Напомене и везе са другим концептима

Референтне дистрибуције Биномна и нормална расподела су парадигматични примери дискретних и континуираних променљивих, респективно. Проучавање расподела вероватноће, очекиваних вредности и варијанси чини основу уводних курсева. У напредном статистичком закључивању Појављују се појмови попут Фишерове информације, која квантификује колико информација о параметру носи случајно посматрање и кључна је за ефикасност естиматора и Крамер-Раових граница.

Изнад теорије, галерије и академски ресурси Они помажу у визуелизацији концепата и проширују студију. Постоје репозиторијуми са графичким материјалом о случајним променљивим и обилном библиографијом која дубље истражује основе и примене. Ове подршке су драгоцене да учврсти разумевање и повеже се са стварним проблемима.

ПДФ ресурси за додатне информације (екстерни линк)

Неки отворени и референтни материјали које дубље истражују дефиницију и својства случајних променљивих и расподела:

• Тема: Случајне променљиве (ULPGC)
• Статистика II – Тема 2 (UGR)
• Курс вероватноће – Тема 3 (UC3M)
• Дефиниција случајне променљиве (UGR)
• Случајна променљива (СПП)
• Референтна поглавља из вероватноће и статистике

Хајде да резимирамо концептуалну архитектуруСлучајна променљива је мерљива функција која пресликава исходе у бројеве; њена кумулативна расподела и, у континуираном случају, њена густина, потпуно кодирају њено понашање; опсег означава могуће вредности; трансформације омогућавају конструисање нових променљивих; а сумиране величине као што су очекивање, варијанса и моменти синтетишу кључне карактеристике. Са овим темељимаПримери (од новчића до падавина или старости) анализирају се јединственим језиком који повезује теорију и праксу.