Konsep Asas Pembolehubah Rawak
Dalam statistik dan teori kebarangkalian, pembolehubah rawak merupakan salah satu konsep paling asas, merapatkan jurang antara peristiwa rawak dan analisis matematik yang boleh diukur. Melalui pembolehubah rawak, kita boleh "menterjemahkan" hasil eksperimen rawak—yang pada mulanya terdiri daripada peristiwa atau kategori—ke dalam nombor yang boleh diproses: mengira kebarangkaliannya, meringkaskannya dengan purata, mengukur serakannya, dan juga memodelkannya menggunakan taburan tertentu. Artikel ini membincangkan konsep asas pembolehubah rawak, jenisnya, dan konsep utama seperti fungsi kebarangkalian, fungsi taburan kumulatif, nilai jangkaan, dan varians.
1. Apakah pembolehubah rawak?
Secara ringkasnya, pembolehubah rawak ialah fungsi yang memetakan setiap hasil daripada ruang sampel kepada nombor nyata. Ruang sampel ialah himpunan semua hasil yang mungkin bagi eksperimen rawak.
Contohnya, katakan kita menggolekkan dadu enam sisi. Ruang sampel ialah {1, 2, 3, 4, 5, 6}. Kita boleh mentakrifkan pembolehubah rawak \(X\) sebagai "nombor yang muncul pada dadu." Kemudian \(X\) boleh mempunyai nilai dari 1 hingga 6, dengan kebarangkalian yang sama jika dadu itu adil.
Satu lagi contoh: kita melambung dua syiling. Ruang sampel ialah {HH, HT, TH, TT}. Jika kita mentakrifkan pembolehubah rawak \(Y\) sebagai “bilangan kepala (H) yang muncul”, maka:
– HH → \(Y = 2\)
– HT → \(Y = 1\)
– TH → \(Y = 1\)
– TT → \(Y = 0\)
Di sini kita melihat bahawa pembolehubah rawak tidak perlu "mencerminkan" hasil asal secara langsung; ia adalah cara untuk memberikan nilai berangka kepada hasil rawak mengikut keperluan analisis.
2. Jenis pembolehubah rawak: diskret dan selanjar
Secara amnya, pembolehubah rawak dibahagikan kepada dua jenis utama:
a) Pembolehubah rawak diskret
Pembolehubah rawak diskret ialah pembolehubah rawak yang nilainya boleh dikira satu persatu (boleh dikira), biasanya dalam bentuk integer atau set nilai tertentu yang berasingan.
contoh:
– Bilangan anak dalam sesebuah keluarga (0, 1, 2, 3, …)
– Bilangan kenderaan yang melalui pos tol dalam 1 minit
– Bilangan barang yang rosak daripada 10 produk yang diperiksa
Bagi pembolehubah rawak diskret, kebarangkalian setiap nilai boleh dinyatakan secara langsung dalam bentuk fungsi jisim kebarangkalian.
b) Pembolehubah rawak selanjar
Pembolehubah rawak selanjar ialah pembolehubah rawak yang boleh mengambil nilai pada selang selanjar pada garis nombor nyata (tidak terkira), contohnya semua nilai antara 0 dan 1, atau semua nilai nyata positif.
contoh:
– Ketinggian seseorang
– Masa menunggu pelanggan di kaunter
– Suhu udara pada jam tertentu
Bagi pembolehubah rawak selanjar, kebarangkalian pada mana-mana titik tertentu pada asasnya adalah sifar. Oleh itu, kebarangkalian dikira berdasarkan julat nilai (contohnya, antara 10 dan 12 minit), menggunakan fungsi ketumpatan kebarangkalian.
3. Fungsi kebarangkalian: PMF dan PDF
Konsep penting seterusnya ialah bagaimana kebarangkalian "dilampirkan" pada nilai pembolehubah rawak.
a) Fungsi Jisim Kebarangkalian (PMF)
Bagi pembolehubah rawak diskret \(X\), PMF ditakrifkan sebagai:
\[
p(x) = P(X = x)
\]
dengan peruntukan:
1. \(p(x) \ge 0\) untuk semua \(x\)
2. \(\jumlah_x p(x) = 1\)
Contoh mudah: dadu yang adil
\[
P(X=k)=\frac{1}{6}, \quad k=1,2,3,4,5,6
\]
b) Fungsi Ketumpatan Kebarangkalian (PDF)
Untuk pembolehubah rawak selanjar \(X\), kita menggunakan PDF \(f(x)\) supaya kebarangkalian pada selang \([a,b]\) ialah:
\[
P(a \le X \le b) = \int_a^bf(x)\,dx
\]
dengan peruntukan:
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)
Perlu ditekankan: untuk pembolehubah rawak selanjar, \(P(X=x)=0\) untuk setiap nilai \(x\). Kebarangkalian sentiasa bermakna apabila membincangkan julat.
4. Fungsi taburan kumulatif (CDF)
Sama ada diskret atau berterusan, pembolehubah rawak boleh digambarkan oleh fungsi taburan kumulatif (CDF), yang ditakrifkan sebagai:
\[
F(x) = P(X \le x)
\]
CDF mempunyai beberapa sifat penting:
– Nilai \(F(x)\) sentiasa antara 0 dan 1
– \(F(x)\) tidak berkurang (tidak berkurang)
– \(\lim_{x\to -\infty}F(x)=0\) dan \(\lim_{x\to\infty}F(x)=1\)
Bagi pembolehubah diskret, CDF berbentuk "tangga" (naik pada titik-titik tertentu). Bagi pembolehubah selanjar, CDF secara amnya licin dan merupakan kamiran PDF:
\[
F(x)=\int_{-\infty}^{x} f(t)\,dt
\]
5. Ukuran kecenderungan pusat: nilai jangkaan (jangkaan)
Sebaik sahaja kita mengetahui taburan kebarangkalian, kita selalunya ingin meringkaskan pembolehubah rawak dengan satu nombor yang mewakili "nilai purata jangka panjangnya". Ini ialah nilai atau jangkaan yang dijangkakan.
a) Jangkaan pembolehubah diskret
Jika \(X\) diskret:
\[
E[X] = \jumlah_x x\,p(x)
\]
b) Jangkaan pembolehubah berterusan
Jika \(X\) berterusan:
\[
E[X] = \int_{-\infty}^{\infty} x\,f(x)\,dx
\]
Jangkaan tidak selalunya sama dengan "nilai yang paling kerap berlaku" (mod), dan tidak selalunya nilai yang benar-benar mungkin berlaku, tetapi ia sangat berguna untuk membuat keputusan, meramalkan dan menganalisis risiko.
Contoh aplikasi: Dalam perniagaan, jangkaan boleh digunakan untuk mengira purata keuntungan yang dijangkakan bagi sesuatu strategi, dengan mengambil kira pelbagai senario dan kebarangkaliannya.
6. Ukuran serakan: varians dan sisihan piawai
Dua pembolehubah rawak boleh mempunyai jangkaan yang sama tetapi tahap ketidakpastian yang berbeza. Oleh itu, kita memerlukan ukuran serakan, iaitu varians dan sisihan piawai.
Varians bagi \(X\) ditakrifkan sebagai:
\[
Var(X)=E[(XE[X])^2]
\]
Sisihan piawai ialah punca kuasa dua bagi varians:
\[
\sigma = \sqrt{Var(X)}
\]
Formula praktikal yang sering digunakan:
\[
Var(X) = E[X^2] – (E[X])^2
\]
Semakin besar varians, semakin besar sebaran nilai \(X\) daripada min, yang bermaksud ketidakpastian yang lebih tinggi.
7. Taburan kebarangkalian yang kerap digunakan
Dalam praktiknya, banyak pembolehubah rawak mengikuti corak taburan tertentu. Antara taburan yang popular ialah:
– Bernoulli: dua hasil (kejayaan/kegagalan), contohnya benar-salah, hidup-mati.
– Binomial: bilangan kejayaan daripada percubaan \(n\) Bernoulli, contohnya bilangan pelajar yang menamatkan pengajian daripada 20 orang.
– Poisson: bilangan peristiwa dalam selang masa/ruang, contohnya bilangan panggilan masuk seminit.
– Seragam berterusan: semua nilai dalam selang masa adalah sama mungkin.
– Normal (Gaussian): banyak fenomena semula jadi dan sosial menghampiri taburan ini, seperti ketinggian atau ralat pengukuran.
Memilih taburan yang betul membantu pemodelan dan analisis menjadi lebih tepat.
8. Mengapakah pembolehubah rawak penting?
Pembolehubah rawak adalah asas untuk:
– Statistik inferensi: menganggarkan parameter populasi berdasarkan sampel
– Pengujian hipotesis: menentukan sama ada sesuatu dakwaan disokong oleh data
– Pembelajaran mesin: pemodelan ketidakpastian dan kebarangkalian ramalan
– Pengurusan risiko: mengukur kemungkinan kerugian dan senario ekstrem
– Kejuruteraan dan sains: pemprosesan isyarat, kebolehpercayaan sistem, teori giliran
Dengan pembolehubah rawak, kita mempunyai bahasa matematik untuk membincangkan ketidakpastian secara sistematik.
Kesimpulannya
Pembolehubah rawak ialah konsep teras dalam teori kebarangkalian yang memetakan hasil eksperimen rawak kepada nilai berangka. Pembolehubah rawak boleh diskret atau berterusan, dan setiap satunya mempunyai cara yang berbeza untuk mewakili kebarangkalian melalui PMF atau PDF. Tambahan pula, CDF menyediakan cara biasa untuk melihat pengumpulan kebarangkalian. Untuk meringkaskan taburan, jangkaan digunakan sebagai ukuran kecenderungan memusat dan varians/sisihan piawai sebagai ukuran serakan. Memahami konsep asas ini akan memudahkan pembelajaran topik yang lebih lanjut seperti taburan kebarangkalian, anggaran statistik, regresi dan pemodelan risiko serta analisis data moden.
Jika anda mahu, saya juga boleh menambah contoh soalan dan perbincangannya (diskrit dan berterusan) untuk menjadikan konsep pembolehubah rawak lebih mudah difahami.
