यादृच्छिक चलांच्या मूलभूत संकल्पना
सांख्यिकी आणि संभाव्यता सिद्धांतामध्ये, यादृच्छिक चल ही सर्वात मूलभूत संकल्पनांपैकी एक आहे, जी यादृच्छिक घटना आणि मोजता येण्याजोगे गणितीय विश्लेषण यांच्यातील दरी सांधते. यादृच्छिक चलांच्या माध्यमातून, आपण यादृच्छिक प्रयोगाच्या निकालांना—ज्यामध्ये सुरुवातीला घटना किंवा श्रेणींचा समावेश असतो—अशा संख्यांमध्ये 'रूपांतरित' करू शकतो ज्यांवर प्रक्रिया केली जाऊ शकते: जसे की त्यांची संभाव्यता मोजणे, सरासरी काढून त्यांचा सारांश काढणे, त्यांचे विचलन मोजणे, आणि विशिष्ट वितरणांचा वापर करून त्यांचे मॉडेलिंग करणे. या लेखात यादृच्छिक चलांच्या मूलभूत संकल्पना, त्यांचे प्रकार आणि संभाव्यता फलन, संचयी वितरण फलन, अपेक्षित मूल्य आणि विचरण यांसारख्या प्रमुख संकल्पनांवर चर्चा केली आहे.
१. यादृच्छिक चल म्हणजे काय?
सोप्या भाषेत सांगायचे झाल्यास, यादृच्छिक चल हे एक असे फलन आहे जे नमुना अवकाशातील प्रत्येक निष्पत्तीला एका वास्तव संख्येशी जोडते. नमुना अवकाश म्हणजे एखाद्या यादृच्छिक प्रयोगाच्या सर्व संभाव्य निष्पत्तींचा संग्रह होय.
उदाहरणार्थ, समजा आपण एक सहा-बाजूंचा फासा टाकला. नमुना अवकाश {1, 2, 3, 4, 5, 6} आहे. आपण यादृच्छिक चल \(X\) ला “फाशावर येणारी संख्या” म्हणून परिभाषित करू शकतो. मग जर फासा निष्पक्ष असेल, तर \(X\) ची मूल्ये 1 ते 6 पर्यंत समान संभाव्यतेने असू शकतात.
आणखी एक उदाहरण: आपण दोन नाणी उडवतो. नमुना अवकाश {HH, HT, TH, TT} आहे. जर आपण यादृच्छिक चल \(Y\) ला “येणाऱ्या छापांची (H) संख्या” असे परिभाषित केले, तर:
– HH → \(Y = 2\)
– HT → \(Y = 1\)
– TH → \(Y = 1\)
– टीटी → \(Y = 0\)
येथे आपल्याला दिसते की यादृच्छिक चल हे मूळ परिणामाचे थेट 'प्रतिबिंब' करतीलच असे नाही; ते विश्लेषणाच्या गरजेनुसार यादृच्छिक परिणामांना संख्यात्मक मूल्ये देण्याचा एक मार्ग आहेत.
२. यादृच्छिक चलांचे प्रकार: असतत आणि सतत
सर्वसाधारणपणे, यादृच्छिक चलांचे दोन मुख्य प्रकारांमध्ये वर्गीकरण केले जाते:
अ) विविक्त यादृच्छिक चल
विविक्त यादृच्छिक चल हा एक असा यादृच्छिक चल आहे ज्याची मूल्ये एक-एक करून मोजता येतात (गणनीय), सामान्यतः पूर्णांकांच्या स्वरूपात किंवा विशिष्ट मूल्यांच्या वेगळ्या संचाच्या स्वरूपात.
उदाहरण:
– कुटुंबातील मुलांची संख्या (०, १, २, ३, …)
– १ मिनिटात टोल नाक्यावरून जाणाऱ्या वाहनांची संख्या
तपासलेल्या १० उत्पादनांमधील सदोष वस्तूंची संख्या
असतत यादृच्छिक चलांसाठी, प्रत्येक मूल्याची संभाव्यता थेट संभाव्यता वस्तुमान फलनाच्या स्वरूपात व्यक्त केली जाऊ शकते.
ब) सलग यादृच्छिक चल
सतत यादृच्छिक चल म्हणजे असा यादृच्छिक चल जो वास्तव संख्या रेषेवरील सतत अंतरावरील (अगणनीय) मूल्ये घेऊ शकतो, उदाहरणार्थ 0 आणि 1 मधील सर्व मूल्ये किंवा सर्व धन वास्तव मूल्ये.
उदाहरण:
– एखाद्या व्यक्तीची उंची
– काउंटरवर ग्राहकांना थांबावे लागणारा वेळ
– एका विशिष्ट तासातील हवेचे तापमान
सतत यादृच्छिक चलासाठी, कोणत्याही दिलेल्या बिंदूवर संभाव्यता मूलतः शून्य असते. म्हणून, संभाव्यता घनता फलनाचा वापर करून मूल्यांच्या श्रेणीवर (उदा., 10 ते 12 मिनिटांच्या दरम्यान) संभाव्यता मोजली जाते.
३. संभाव्यता फलने: PMF आणि PDF
पुढील महत्त्वाची संकल्पना म्हणजे संभाव्यता ही यादृच्छिक चलाच्या मूल्याशी कशी 'जोडलेली' असते.
अ) संभाव्यता वस्तुमान कार्य (PMF)
एका विविक्त यादृच्छिक चल \(X\) साठी, संभाव्यता वस्तुमान फलन (PMF) खालीलप्रमाणे परिभाषित केले जाते:
\[
p(x) = P(X = x)
\]
या तरतुदीसह:
१. सर्व \(x\) साठी \(p(x) \ge 0\)
२. \(\sum_x p(x) = 1\)
साधे उदाहरण: निष्पक्ष फासे
\[
P(X=k)=\frac{1}{6}, \quad k=1,2,3,4,5,6
\]
ब) संभाव्यता घनता कार्य (पीडीएफ)
सलग यादृच्छिक चल \(X\) साठी, आपण संभाव्यता घनता कार्य (PDF) \(f(x)\) वापरतो, जेणेकरून \([a,b]\) या अंतरावरील संभाव्यता खालीलप्रमाणे असेल:
\[
P(a \le X \le b) = \int_a^bf(x)\,dx
\]
या तरतुदीसह:
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)
हे अधोरेखित करणे महत्त्वाचे आहे: सलग यादृच्छिक चलासाठी, \(x\) च्या प्रत्येक मूल्याकरिता \(P(X=x)=0\) असते. व्याप्तींबद्दल चर्चा करताना संभाव्यता नेहमीच अर्थपूर्ण ठरते.
४. संचयी वितरण कार्य (CDF)
असतत असोत वा सलग, यादृच्छिक चलांचे वर्णन संचयी वितरण फलनाने (CDF) केले जाऊ शकते, ज्याची व्याख्या खालीलप्रमाणे आहे:
\[
F(x) = P(X ≤ x)
\]
CDF मध्ये अनेक महत्त्वाचे गुणधर्म आहेत:
– \(F(x)\) चे मूल्य नेहमी 0 आणि 1 च्या दरम्यान असते
– \(F(x)\) कमी होत नाही (अ-घटणारे)
– \(\lim_{x\to -\infty}F(x)=0\) आणि \(\lim_{x\to\infty}F(x)=1\)
असतत चलांसाठी, संचयी वितरण कार्य (CDF) हे "पायऱ्यांच्या" आकाराचे असते (विशिष्ट बिंदूंवर वर चढणारे). सतत चलांसाठी, संचयी वितरण कार्य (CDF) सामान्यतः गुळगुळीत असते आणि ते संभाव्यता घनता कार्याचे (PDF) समाकलन असते:
\[
F(x)=\int_{-\infty}^{x} f(t)\,dt
\]
५. केंद्रीय प्रवृत्तीचे माप: अपेक्षित मूल्य (अपेक्षा)
एकदा आपल्याला संभाव्यता वितरण कळले की, आपल्याला अनेकदा यादृच्छिक चलाचा सारांश एकाच संख्येत मांडायचा असतो, जी त्याचे "दीर्घकालीन सरासरी मूल्य" दर्शवते. यालाच अपेक्षित मूल्य किंवा अपेक्षा म्हणतात.
अ) विविक्त चल अपेक्षा
जर \(X\) विविक्त असेल तर:
\[
E[X] = \sum_x x\,p(x)
\]
ब) सतत चलकांची अपेक्षा
जर \(X\) संतत असेल तर:
\[
E[X] = \int_{-\infty}^{\infty} x\,f(x)\,dx
\]
अपेक्षा ही नेहमीच "सर्वाधिक वेळा घडणाऱ्या मूल्या" (मोड) सारखी नसते आणि ती नेहमीच खरोखर घडण्याची शक्यता असलेले मूल्य नसते, परंतु ती निर्णय घेणे, पूर्वानुमान लावणे आणि जोखीम विश्लेषण यासाठी खूप उपयुक्त आहे.
अनुप्रयोगाचे उदाहरण: व्यवसायात, विविध परिस्थिती आणि त्यांच्या संभाव्यता विचारात घेऊन, एखाद्या धोरणाच्या अपेक्षित सरासरी नफ्याची गणना करण्यासाठी अपेक्षांचा वापर केला जाऊ शकतो.
६. विचलनाची मापे: विचरण आणि मानक विचलन
दोन यादृच्छिक चलांची अपेक्षित किंमत समान असू शकते, परंतु त्यांच्या अनिश्चिततेची पातळी भिन्न असू शकते. त्यामुळे, आपल्याला विचलनाच्या मापांची, म्हणजेच विचरण आणि मानक विचलनाची आवश्यकता असते.
\(X\) चे विचलन खालीलप्रमाणे परिभाषित केले जाते:
\[
Var(X)=E[(XE[X])^2]
\]
प्रमाणित विचलन हे प्रसरणाचे वर्गमूळ असते:
\[
\sigma = \sqrt{Var(X)}
\]
नेहमी वापरली जाणारी व्यावहारिक सूत्रे:
\[
Var(X) = E[X^2] – (E[X])^2
\]
विचलन जितके जास्त असेल, तितकाच \(X\) मूल्यांचा मध्यापासूनचा फैलाव जास्त असतो, म्हणजेच अनिश्चितता जास्त असते.
७. वारंवार वापरले जाणारे संभाव्यता वितरण
व्यवहारात, अनेक यादृच्छिक चल विशिष्ट वितरण पद्धतींचे अनुसरण करतात. काही लोकप्रिय वितरणे खालीलप्रमाणे आहेत:
– बर्नोली: दोन परिणाम (यश/अपयश), उदाहरणार्थ खरे-खोटे, जिवंत-मृत.
– द्विपदी: n बर्नोली चाचण्यांमधील यशांची संख्या, उदाहरणार्थ 20 लोकांपैकी उत्तीर्ण होणाऱ्या विद्यार्थ्यांची संख्या.
– पॉइसन: एका विशिष्ट कालावधीत/जागेत घडणाऱ्या घटनांची संख्या, उदाहरणार्थ प्रति मिनिट येणाऱ्या कॉल्सची संख्या.
– एकसमान संतत: अंतरालमधील सर्व मूल्ये समान संभाव्यतेची असतात.
– सामान्य (गॉसियन): अनेक नैसर्गिक आणि सामाजिक घटना या वितरणाजवळ पोहोचतात, जसे की उंची किंवा मापनातील त्रुटी.
योग्य वितरण निवडल्याने मॉडेलिंग आणि विश्लेषण अधिक अचूक होण्यास मदत होते.
८. यादृच्छिक चल महत्त्वाचे का असतात?
यादृच्छिक चल हे खालील गोष्टींचा आधार आहेत:
– अनुमानित सांख्यिकी: नमुन्यांच्या आधारावर लोकसंख्येच्या मापदंडांचा अंदाज लावणे
– गृहीतक चाचणी: एखादा दावा माहितीच्या आधारे समर्थित आहे की नाही हे ठरवणे
– मशीन लर्निंग: अनिश्चिततेचे मॉडेलिंग आणि भाकिताची संभाव्यता
– जोखीम व्यवस्थापन: नुकसान आणि अत्यंत गंभीर परिस्थितींच्या शक्यतेचे मापन करणे
– अभियांत्रिकी आणि विज्ञान: सिग्नल प्रोसेसिंग, सिस्टम विश्वसनीयता, क्यूइंग थिअरी
यादृच्छिक चलांमुळे, आपल्याला अनिश्चिततेबद्दल पद्धतशीरपणे बोलण्यासाठी एक गणितीय भाषा मिळते.
निष्कर्ष
यादृच्छिक चल ही संभाव्यता सिद्धांतातील एक मूळ संकल्पना आहे, जी यादृच्छिक प्रयोगांच्या निष्कर्षांना संख्यात्मक मूल्यांमध्ये रूपांतरित करते. यादृच्छिक चल हे असतत किंवा सलग असू शकतात आणि संभाव्यता वितरण कार्य (PMF) किंवा संभाव्यता वितरण कार्य (PDF) द्वारे संभाव्यता दर्शविण्याची प्रत्येकाची एक वेगळी पद्धत असते. याव्यतिरिक्त, संचयी वितरण कार्य (CDF) संभाव्यतेचा संचय पाहण्याचा एक सामान्य मार्ग प्रदान करते. वितरणाचा सारांश देण्यासाठी, केंद्रीय प्रवृत्तीचे माप म्हणून अपेक्षेचा आणि विचलनाचे माप म्हणून विचरण/प्रमाण विचलनाचा वापर केला जातो. या मूलभूत संकल्पना समजून घेतल्याने संभाव्यता वितरण, सांख्यिकीय अंदाज, प्रतिगमन, जोखीम मॉडेलिंग आणि आधुनिक डेटा विश्लेषण यांसारखे अधिक प्रगत विषय शिकणे सोपे होईल.
तुमची इच्छा असल्यास, यादृच्छिक चलांची संकल्पना समजण्यास सोपी व्हावी यासाठी मी उदाहरणादाखल प्रश्न आणि त्यांची चर्चा (असतत आणि सलग) देखील जोडू शकेन.
