Պատահական փոփոխականների հիմնական հասկացությունները

Պատահական փոփոխականների հիմնական հասկացությունները

Վիճակագրության և հավանականության տեսության մեջ պատահական փոփոխականները ամենահիմնարար հասկացություններից մեկն են, որոնք կամուրջ են հանդիսանում պատահական իրադարձությունների և չափելի մաթեմատիկական վերլուծության միջև: Պատահական փոփոխականների միջոցով մենք կարող ենք «թարգմանել» պատահական փորձի արդյունքները, որոնք սկզբում բաղկացած են իրադարձություններից կամ կատեգորիաներից, թվերի, որոնք կարող են մշակվել՝ հաշվարկելով դրանց հավանականությունները, ամփոփելով դրանք միջիններով, չափելով դրանց ցրվածությունը և նույնիսկ մոդելավորելով դրանք՝ օգտագործելով որոշակի բաշխումներ: Այս հոդվածը քննարկում է պատահական փոփոխականների հիմնական հասկացությունները, դրանց տեսակները և հիմնական հասկացությունները, ինչպիսիք են հավանականության ֆունկցիան, կուտակային բաշխման ֆունկցիան, սպասվող արժեքը և դիսպերսիան:

1. Ի՞նչ է պատահական փոփոխականը։

Պարզ ասած, պատահական փոփոխականը ֆունկցիա է, որը նմուշային տարածությունից յուրաքանչյուր արդյունքը արտացոլում է իրական թվի մեջ։ Նմուշային տարածությունը պատահական փորձի բոլոր հնարավոր արդյունքների հավաքածուն է։

Օրինակ, ենթադրենք, որ մենք գլորում ենք վեցակողմ զառ։ Նմուշային տարածությունը {1, 2, 3, 4, 5, 6} է։ Մենք կարող ենք սահմանել \(X\) պատահական փոփոխականը որպես «զառի վրա երևացող թիվ»։ Այդ դեպքում \(X\)-ը կարող է ունենալ 1-ից մինչև 6 արժեքներ՝ հավասար հավանականությամբ, եթե զառը արդար է։

Մեկ այլ օրինակ՝ մենք նետում ենք երկու մետաղադրամ։ Նմուշային տարածքը {HH, HT, TH, TT} է։ Եթե պատահական փոփոխականը սահմանենք \(Y\) որպես «հայտնվող գլուխների (H) քանակ», ապա՝
– ՀՀ → \(Y = 2\)
– HT → \(Y = 1\)
– ԹՀ → \(Y = 1\)
– TT → \(Y = 0\)

Այստեղ մենք տեսնում ենք, որ պատահական փոփոխականները պարտադիր չէ, որ ուղղակիորեն «արտացոլեն» սկզբնական արդյունքը. դրանք պատահական արդյունքներին թվային արժեքներ վերագրելու միջոց են՝ վերլուծության կարիքներին համապատասխան։

2. Պատահական փոփոխականների տեսակները՝ դիսկրետ և անընդհատ

Ընդհանուր առմամբ, պատահական փոփոխականները բաժանվում են երկու հիմնական տեսակի՝

ա) Դիսկրետ պատահական փոփոխականներ
Դիսկրետ պատահական փոփոխականը պատահական փոփոխական է, որի արժեքները կարելի է հաշվել մեկ առ մեկ (հաշվելի), սովորաբար ամբողջ թվերի կամ որոշակի արժեքների առանձին հավաքածուի տեսքով։

Contoh:
– Ընտանիքում երեխաների թիվը (0, 1, 2, 3, …)
– Վճարովի կետով անցնող տրանսպորտային միջոցների քանակը 1 րոպեում
– Ստուգված 10 ապրանքներից թերի իրերի քանակը

Դիսկրետ պատահական փոփոխականների համար յուրաքանչյուր արժեքի հավանականությունը կարող է ուղղակիորեն արտահայտվել հավանականության զանգվածային ֆունկցիայի տեսքով։

բ) Անընդհատ պատահական փոփոխականներ
Անընդհատ պատահական փոփոխականը պատահական փոփոխական է, որը կարող է արժեքներ ընդունել իրական թվային առանցքի անընդհատ միջակայքում (անհաշվելի), օրինակ՝ 0-ից 1 միջակայքում գտնվող բոլոր արժեքները կամ բոլոր դրական իրական արժեքները։

Contoh:
- Մարդու հասակը
- Հաճախորդի սպասման ժամանակը դրամարկղի մոտ
- Օդի ջերմաստիճանը որոշակի ժամին

Անընդհատ պատահական փոփոխականի դեպքում ցանկացած տրված կետում հավանականությունը էապես զրո է։ Հետևաբար, հավանականությունը հաշվարկվում է արժեքների միջակայքում (օրինակ՝ 10-ից 12 րոպեների միջև)՝ օգտագործելով հավանականության խտության ֆունկցիան։

3. Հավանականության ֆունկցիաներ՝ PMF և PDF

Հաջորդ կարևոր հասկացությունն այն է, թե ինչպես է հավանականությունը «կապված» պատահական փոփոխականի արժեքի հետ։

ա) Հավանականության զանգվածային ֆունկցիա (ՀԶՖ)
Դիսկրետ պատահական փոփոխականի \(X\) համար PMF-ը սահմանվում է որպես՝
\[
p(x) = P(X = x)
\]
հետևյալի ապահովմամբ՝
1. \(p(x) \ge 0\) բոլոր \(x\)-երի համար
2. \(\sum_x p(x) = 1\)

Պարզ օրինակ՝ արդար զառեր
\[
P(X=k)=\frac{1}{6}, \quad k=1,2,3,4,5,6
\]

բ) Հավանականության խտության ֆունկցիա (PDF)
Անընդհատ պատահական փոփոխականի՝ \(X\)-ի համար մենք օգտագործում ենք PDF \(f(x)\)-ը, որպեսզի \(a,b]\) միջակայքում հավանականությունը լինի՝
\[
P(a ≤ X ≤ b) = \int_a^bf(x)\,dx
\]
հետևյալի ապահովմամբ՝
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)

Հարկ է ընդգծել հետևյալը. անընդհատ պատահական փոփոխականի համար՝ \(P(X=x)=0\) \(x\)-ի յուրաքանչյուր արժեքի համար։ Հավանականությունը միշտ իմաստալից է միջակայքերը քննարկելիս։

4. Կուտակային բաշխման ֆունկցիա (ԿԲՖ)

Անկախ նրանից՝ դիսկրետ են, թե անընդհատ, պատահական փոփոխականները կարող են նկարագրվել կուտակային բաշխման ֆունկցիայով (ԿԲՖ), որը սահմանվում է որպես՝
\[
F(x) = P(X ≤ x)
\]

CDF-ն ունի մի քանի կարևոր հատկություններ.
– \(F(x)\)-ի արժեքը միշտ 0-ի և 1-ի միջև է
– \(F(x)\)-ը չի նվազում (չնվազող)
– \(x-ից մինչև \infty}F(x)=0\) և \(x-ից մինչև \infty}F(x)=1\)

Դիսկրետ փոփոխականների համար CDF-ն ունի «աստիճանի» ձև (որոշակի կետերում բարձրանում է): Շարունակական փոփոխականների համար CDF-ն ընդհանուր առմամբ հարթ է և PDF-ի ինտեգրալն է։
\[
F(x)=\int_{-\infty}^{x} f(t)\,dt
\]

5. Կենտրոնական միտման չափանիշ՝ սպասվող արժեք (ակնկալիք)

Հավանականության բաշխումն իմանալուց հետո մենք հաճախ ցանկանում ենք պատահական փոփոխականը ամփոփել մեկ թվով, որը ներկայացնում է դրա «երկարաժամկետ միջին արժեքը»։ Սա սպասվող արժեքն է կամ սպասումը։

ա) Դիսկրետ փոփոխականների սպասումներ
Եթե ​​\(X\)-ը դիսկրետ է, ապա՝
\[
E[X] = \sum_x x\,p(x)
\]

բ) Անընդհատ փոփոխականների սպասում
Եթե ​​\(X\)-ը անընդհատ է, ապա՝
\[
E[X] = \int_{-\infty}^{\infty} x\,f(x)\,dx
\]

Ակնկալիքը միշտ չէ, որ նույնն է, ինչ «ամենահաճախ հանդիպող արժեքը» (ռեժիմը) և միշտ չէ, որ այն արժեքն է, որի առաջանալը իսկապես հավանական է, բայց այն շատ օգտակար է որոշումների կայացման, կանխատեսման և ռիսկերի վերլուծության համար։

Կիրառման օրինակ. Բիզնեսում սպասումները կարող են օգտագործվել ռազմավարության սպասվող միջին շահույթը հաշվարկելու համար՝ հաշվի առնելով տարբեր սցենարներ և դրանց հավանականությունները:

6. Դիսպերսիայի չափանիշներ՝ դիսպերսիա և ստանդարտ շեղում

Երկու պատահական փոփոխականներ կարող են ունենալ նույն սպասելիքը, բայց տարբեր անորոշության մակարդակներ։ Հետևաբար, մեզ անհրաժեշտ են դիսպերսիայի չափանիշներ, մասնավորապես՝ դիսպերսիա և ստանդարտ շեղում։

\(X\)-ի դիսպերսիան սահմանվում է որպես՝
\[
Var(X)=E[(XE[X])^2]
\]
Ստանդարտ շեղումը փոփոխականության քառակուսի արմատն է՝
\[
\sigma = \sqrt{Var(X)}
\]

Գործնական բանաձևեր, որոնք հաճախ օգտագործվում են.
\[
Var(X) = E[X^2] – (E[X])^2
\]

Որքան մեծ է դիսպերսիան, այնքան մեծ է \(X\) արժեքների տարածումը միջինից, ինչը նշանակում է ավելի բարձր անորոշություն։

7. Հաճախ օգտագործվող հավանականության բաշխումներ

Գործնականում, շատ պատահական փոփոխականներ հետևում են որոշակի բաշխման օրինաչափությունների: Որոշ տարածված բաշխումներ են՝

– Բեռնուլի. երկու արդյունք (հաջողություն/ձախողում), օրինակ՝ ճիշտ-սխալ, կենդանի-մեռած։
– Բինոմիալ. \(n\) Բեռնուլիի փորձարկումներից հաջողության հասած ուսանողների թիվը, օրինակ՝ 20 հոգուց հետո ավարտած ուսանողների թիվը։
– Պուասոն՝ ժամանակային/տարածական միջակայքում իրադարձությունների քանակը, օրինակ՝ րոպեում մուտքային զանգերի քանակը։
– Միատարր անընդհատ՝ միջակայքում բոլոր արժեքները հավասարապես հավանական են։
– Նորմալ (Գաուսյան). այս բաշխմանը մոտենում են բազմաթիվ բնական և սոցիալական երևույթներ, ինչպիսիք են բարձրությունը կամ չափման սխալը։

Ճիշտ բաշխման ընտրությունը նպաստում է մոդելավորման և վերլուծության ավելի ճշգրիտ դառնալուն։

8. Ինչո՞ւ են պատահական փոփոխականները կարևոր։

Պատահական փոփոխականները հիմք են հանդիսանում՝
– Եզրակացական վիճակագրություն. բնակչության պարամետրերի գնահատում՝ հիմնվելով նմուշների վրա
– Հիպոթեզի ստուգում. որոշում, թե արդյոք պնդումը հաստատվում է տվյալներով
– Մեքենայական ուսուցում. անորոշության մոդելավորում և կանխատեսման հավանականություն
– Ռիսկերի կառավարում՝ կորուստների և ծայրահեղ իրավիճակների հավանականության չափում
– Ճարտարագիտություն և գիտություն. ազդանշանների մշակում, համակարգի հուսալիություն, հերթերի տեսություն

Պատահական փոփոխականների դեպքում մենք ունենք մաթեմատիկական լեզու՝ անորոշության մասին համակարգված խոսելու համար։

Եզրակացություն

Պատահական փոփոխականը հավանականության տեսության հիմնական հասկացություն է, որը պատահական փորձերի արդյունքները համեմատում է թվային արժեքների հետ: Պատահական փոփոխականները կարող են լինել դիսկրետ կամ շարունակական, և յուրաքանչյուրն ունի հավանականությունները ներկայացնելու տարբեր եղանակ PMF-ի կամ PDF-ի միջոցով: Ավելին, CDF-ը ապահովում է հավանականությունների կուտակումը դիտարկելու ընդհանուր եղանակ: Բաշխումը ամփոփելու համար սպասումն օգտագործվում է որպես կենտրոնական միտման չափանիշ, իսկ դիսպերսիան/ստանդարտ շեղումը՝ որպես դիսպերսիայի չափանիշ: Այս հիմնական հասկացությունների ըմբռնումը կնպաստի ավելի առաջադեմ թեմաների ուսումնասիրությանը, ինչպիսիք են հավանականության բաշխումները, վիճակագրական գնահատումը, ռեգրեսիան, ռիսկի մոդելավորումը և ժամանակակից տվյալների վերլուծությունը:

Եթե ​​ցանկանում եք, կարող եմ նաև ավելացնել օրինակելի հարցեր և դրանց քննարկումները (դիսկրետ և անընդհատ), որպեսզի պատահական փոփոխականների հասկացությունն ավելի հեշտ հասկանալի լինի։