சமவாய்ப்பு மாறிகளின் அடிப்படைக் கருத்துக்கள்

சமவாய்ப்பு மாறிகளின் அடிப்படைக் கருத்துக்கள்

புள்ளியியல் மற்றும் நிகழ்தகவுக் கோட்பாட்டில், சமவாய்ப்பு மாறிகள் மிக அடிப்படையான கருத்துக்களில் ஒன்றாகும்; இவை சமவாய்ப்பு நிகழ்வுகளுக்கும் அளவிடக்கூடிய கணிதப் பகுப்பாய்விற்கும் இடையே உள்ள இடைவெளியை இணைக்கின்றன. சமவாய்ப்பு மாறிகள் மூலம், தொடக்கத்தில் நிகழ்வுகள் அல்லது வகைகளைக் கொண்டிருக்கும் ஒரு சமவாய்ப்புச் சோதனையின் முடிவுகளை, செயலாக்கக்கூடிய எண்களாக நம்மால் "மொழிபெயர்க்க" முடியும்: அவற்றின் நிகழ்தகவுகளைக் கணக்கிடுவது, சராசரிகளைக் கொண்டு அவற்றைச் சுருக்கிச் சொல்வது, அவற்றின் பரவலை அளவிடுவது, மற்றும் குறிப்பிட்ட பரவல்களைப் பயன்படுத்தி அவற்றை மாதிரியாக்குவது போன்றவை இதில் அடங்கும். இந்தக் கட்டுரை சமவாய்ப்பு மாறிகளின் அடிப்படைக் கருத்துக்கள், அவற்றின் வகைகள், மற்றும் நிகழ்தகவுச் சார்பு, திரள் பரவல் சார்பு , எதிர்பார்க்கப்படும் மதிப்பு, மற்றும் மாறுபாடு போன்ற முக்கியக் கருத்துக்களைப் பற்றி விவாதிக்கிறது.

1. சமவாய்ப்பு மாறி என்றால் என்ன?

சுருக்கமாகச் சொன்னால், ஒரு சமவாய்ப்பு மாறி என்பது, மாதிரி வெளியிலிருந்து கிடைக்கும் ஒவ்வொரு விளைவையும் ஒரு மெய் எண்ணுக்கு மாற்றும் ஒரு சார்பு ஆகும். மாதிரி வெளி என்பது ஒரு சமவாய்ப்புச் சோதனையின் சாத்தியமான அனைத்து விளைவுகளின் தொகுப்பாகும்.

உதாரணமாக, நாம் ஒரு ஆறு பக்க பகடையை உருட்டுகிறோம் என்று வைத்துக்கொள்வோம். அதன் மாதிரி வெளி {1, 2, 3, 4, 5, 6} ஆகும். சமவாய்ப்பு மாறி \(X\)-ஐ “பகடையில் தோன்றும் எண்” என நாம் வரையறுக்கலாம். பகடை சீரானதாக இருந்தால், \(X\) ஆனது 1 முதல் 6 வரையிலான மதிப்புகளைச் சம நிகழ்தகவுடன் கொண்டிருக்கலாம்.

மற்றொரு உதாரணம்: நாம் இரண்டு நாணயங்களைச் சுழற்றுகிறோம். மாதிரி வெளி {HH, HT, TH, TT} ஆகும். சமவாய்ப்பு மாறி \(Y\)-ஐ “தோன்றும் தலைகளின் (H) எண்ணிக்கை” என வரையறுத்தால், பின்வருமாறு:
– HH → \(Y = 2\)
– HT → \(Y = 1\)
– TH → \(Y = 1\)
– TT → \(Y = 0\)

சமவாய்ப்பு மாறிகள் அசல் முடிவை நேரடியாகப் பிரதிபலிக்க வேண்டிய அவசியமில்லை என்பதை இங்கே நாம் காண்கிறோம்; அவை பகுப்பாய்வின் தேவைகளுக்கு ஏற்ப சமவாய்ப்பு முடிவுகளுக்கு எண் மதிப்புகளை வழங்குவதற்கான ஒரு வழியாகும்.

2. சமவாய்ப்பு மாறிகளின் வகைகள்: தனித்த மற்றும் தொடர்ச்சியான

பொதுவாக, சமவாய்ப்பு மாறிகள் இரண்டு முக்கிய வகைகளாகப் பிரிக்கப்படுகின்றன:

அ) தனித்த சமவாய்ப்பு மாறிகள்
ஒரு தனித்த சமவாய்ப்பு மாறி என்பது, அதன் மதிப்புகளை ஒவ்வொன்றாக எண்ணக்கூடிய (எண்ணத்தக்க) ஒரு சமவாய்ப்பு மாறியாகும்; இது பொதுவாக முழு எண்கள் வடிவிலோ அல்லது குறிப்பிட்ட மதிப்புகளின் ஒரு தனித் தொகுப்பு வடிவிலோ இருக்கும்.

குறிப்பு:
– ஒரு குடும்பத்தில் உள்ள குழந்தைகளின் எண்ணிக்கை (0, 1, 2, 3, …)
– 1 நிமிடத்தில் சுங்கச்சாவடியைக் கடந்து செல்லும் வாகனங்களின் எண்ணிக்கை
– ஆய்வு செய்யப்பட்ட 10 பொருட்களில் உள்ள குறைபாடுள்ள பொருட்களின் எண்ணிக்கை

தனித்தனி சமவாய்ப்பு மாறிகளுக்கு, ஒவ்வொரு மதிப்பிற்கான நிகழ்தகவையும் நிகழ்தகவு நிறைச் சார்பின் வடிவில் நேரடியாக வெளிப்படுத்தலாம்.

b) தொடர்ச்சியான சமவாய்ப்பு மாறிகள்
ஒரு தொடர்ச்சியான சமவாய்ப்பு மாறி என்பது மெய் எண் கோட்டில் (எண்ணற்ற) ஒரு தொடர்ச்சியான இடைவெளியில் மதிப்புகளை எடுக்கக்கூடிய ஒரு சமவாய்ப்பு மாறி ஆகும்; எடுத்துக்காட்டாக, 0 மற்றும் 1 க்கு இடைப்பட்ட அனைத்து மதிப்புகளும், அல்லது அனைத்து நேர்மறை மெய் மதிப்புகளும்.

குறிப்பு:
– ஒரு நபரின் உயரம்
கவுன்டரில் வாடிக்கையாளர் காத்திருக்கும் நேரம்
– ஒரு குறிப்பிட்ட நேரத்தில் காற்றின் வெப்பநிலை

ஒரு தொடர்ச்சியான சமவாய்ப்பு மாறிக்கு, எந்தவொரு குறிப்பிட்ட புள்ளியிலும் நிகழ்தகவு அடிப்படையில் பூஜ்ஜியமாகும். எனவே, நிகழ்தகவு அடர்த்திச் சார்பைப் பயன்படுத்தி, ஒரு குறிப்பிட்ட மதிப்பு வரம்பில் (எ.கா., 10 முதல் 12 நிமிடங்களுக்கு இடையில்) நிகழ்தகவு கணக்கிடப்படுகிறது.

3. நிகழ்தகவுச் சார்புகள்: PMF மற்றும் PDF

அடுத்த முக்கியமான கருத்து என்னவென்றால், ஒரு சமவாய்ப்பு மாறியின் மதிப்புடன் நிகழ்தகவு எவ்வாறு "இணைக்கப்பட்டுள்ளது" என்பதாகும்.

அ) நிகழ்தகவு நிறைச் சார்பு (PMF)
ஒரு தனித்த சமவாய்ப்பு மாறி \(X\)-க்கு, PMF பின்வருமாறு வரையறுக்கப்படுகிறது:
\[
p(x) = P(X = x)
\]
பின்வரும் ஏற்பாட்டுடன்:
1. அனைத்து x-களுக்கும் p(x) ≥ 0.
2. \(\sum_x p(x) = 1\)

எளிய உதாரணம்: நியாயமான பகடை
\[
P(X=k)=\frac{1}{6}, \quad k=1,2,3,4,5,6
\]

b) நிகழ்தகவு அடர்த்திச் சார்பு (PDF)
ஒரு தொடர்ச்சியான சமவாய்ப்பு மாறி \(X\)-க்கு, நாம் PDF \(f(x)\)-ஐப் பயன்படுத்துகிறோம், இதன்மூலம் இடைவெளி \([a,b]\)-இல் நிகழ்தகவு பின்வருமாறு அமைகிறது:
\[
P(a ≤ X ≤ b) = ∫_a^bf(x) dx
\]
பின்வரும் ஏற்பாட்டுடன்:
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)

இதை வலியுறுத்திக் கூறுவது அவசியம்: ஒரு தொடர்ச்சியான சமவாய்ப்பு மாறிக்கு, \(x\)-இன் ஒவ்வொரு தனி மதிப்பிற்கும் \(P(X=x)=0\) ஆகும். வீச்சுகளைப் பற்றி விவாதிக்கும்போது நிகழ்தகவு எப்போதும் அர்த்தமுள்ளதாகவே இருக்கும்.

4. திரள் பரவல் சார்பு (CDF)

தனித்த அல்லது தொடர்ச்சியான சமவாய்ப்பு மாறிகள், திரள் பரவல் சார்பு (CDF) மூலம் விவரிக்கப்படலாம், அது பின்வருமாறு வரையறுக்கப்படுகிறது:
\[
F(x) = P(X ≤ x)
\]

CDF பல முக்கியமான பண்புகளைக் கொண்டுள்ளது:
– \(F(x)\) இன் மதிப்பு எப்போதும் 0 மற்றும் 1 க்கு இடையில் இருக்கும்.
– \(F(x)\) குறையாது (குறையாது)
– \(\lim_{x\to -\infty}F(x)=0\) மற்றும் \(\lim_{x\to\infty}F(x)=1\)

தனித்த மாறிகளுக்கு, CDF ஆனது "படிக்கட்டு" வடிவில் (சில புள்ளிகளில் உயர்ந்து) இருக்கும். தொடர்ச்சியான மாறிகளுக்கு, CDF பொதுவாக மென்மையாக இருக்கும் மற்றும் அது PDF-இன் தொகையீடாக அமையும்:
\[
F(x)=\int_{-\infty}^{x} f(t)\,dt
\]

5. மையப் போக்கின் அளவீடு: எதிர்பார்க்கப்படும் மதிப்பு (எதிர்பார்ப்பு)

நிகழ்தகவுப் பரவலை நாம் அறிந்தவுடன், அந்த சமவாய்ப்பு மாறியை அதன் “நீண்ட கால சராசரி மதிப்பைக்” குறிக்கும் ஓர் ஒற்றை எண்ணைக் கொண்டு சுருக்கமாகக் கூறவே நாம் பெரும்பாலும் விரும்புவோம். இதுவே எதிர்பார்க்கப்படும் மதிப்பு அல்லது எதிர்பார்ப்பு ஆகும்.

அ) தனித்த மாறி எதிர்பார்ப்புகள்
\(X\) தனித்தன்மை வாய்ந்தது எனில்:
\[
E[X] = \sum_x x\,p(x)
\]

b) தொடர் மாறிகளின் எதிர்பார்ப்பு
\(X\) தொடர்ச்சியானது எனில்:
\[
E[X] = \int_{-\infty}^{\infty} x\,f(x)\,dx
\]

எதிர்பார்ப்பு என்பது எப்போதும் "அடிக்கடி நிகழும் மதிப்பு" (முகடு) போலவே இருப்பதில்லை, மேலும் அது எப்போதும் உண்மையான சாத்தியமான மதிப்பும் அல்ல. இருப்பினும், முடிவெடுத்தல், முன்கணிப்பு மற்றும் இடர் பகுப்பாய்வு ஆகியவற்றிற்கு இது மிகவும் பயனுள்ளதாக இருக்கிறது.

பயன்பாட்டு எடுத்துக்காட்டு: வணிகத்தில், பல்வேறு சூழ்நிலைகளையும் அவற்றின் நிகழ்தகவுகளையும் கருத்தில் கொண்டு, ஒரு உத்தியின் எதிர்பார்க்கப்படும் சராசரி இலாபத்தைக் கணக்கிட, எதிர்பார்ப்புகளைப் பயன்படுத்தலாம்.

6. பரவலின் அளவீடுகள்: மாறுபாடு மற்றும் திட்ட விலகல்

இரண்டு சமவாய்ப்பு மாறிகள் ஒரே எதிர்பார்ப்பைக் கொண்டிருக்கலாம், ஆனால் அவற்றின் நிச்சயமற்ற தன்மை அளவுகள் வேறுபடலாம். எனவே, நமக்கு பரவல் அளவீடுகளான மாறுபாடு மற்றும் திட்ட விலக்கம் தேவைப்படுகின்றன.

\(X\)-இன் மாறுபாடு பின்வருமாறு வரையறுக்கப்படுகிறது:
\[
Var(X)=E[(XE[X])^2]
\]
திட்ட விலக்கம் என்பது மாறுபாட்டின் வர்க்கமூலம் ஆகும்:
\[
சிக்மா = வர்க்கமூலம்(X)
\]

அடிக்கடி பயன்படுத்தப்படும் நடைமுறை சூத்திரங்கள்:
\[
Var(X) = E[X^2] – (E[X])^2
\]

மாறுபாடு அதிகமாக இருந்தால், சராசரியிலிருந்து \(X\) மதிப்புகளின் பரவல் அதிகமாக இருக்கும், அதாவது நிச்சயமற்ற தன்மையும் அதிகமாக இருக்கும்.

7. அடிக்கடி பயன்படுத்தப்படும் நிகழ்தகவுப் பரவல்கள்

நடைமுறையில், பல சமவாய்ப்பு மாறிகள் குறிப்பிட்ட பரவல் வடிவங்களைப் பின்பற்றுகின்றன. சில பிரபலமான பரவல்கள் பின்வருமாறு:

– பெர்னூலி: இரண்டு விளைவுகள் (வெற்றி/தோல்வி), எடுத்துக்காட்டாக, சரி-தவறு, உயிருடன்-இறந்து.
– ஈருறுப்புப் பெருக்கல்: \(n\) பெர்னூலி சோதனைகளில் கிடைக்கும் வெற்றிகளின் எண்ணிக்கை, எடுத்துக்காட்டாக 20 பேரில் பட்டம் பெறும் மாணவர்களின் எண்ணிக்கை.
– பாய்சன்: ஒரு கால இடைவெளியில் நிகழும் நிகழ்வுகளின் எண்ணிக்கை, எடுத்துக்காட்டாக, ஒரு நிமிடத்திற்கு வரும் அழைப்புகளின் எண்ணிக்கை.
– சீரான தொடர்ச்சியானது: ஒரு இடைவெளியில் உள்ள அனைத்து மதிப்புகளும் சம நிகழ்தகவு கொண்டவை.
– இயல்நிலை (காஸியன்): உயரம் அல்லது அளவீட்டுப் பிழை போன்ற பல இயற்கை மற்றும் சமூக நிகழ்வுகள் இந்தப் பரவலை அணுகுகின்றன.

சரியான பரவலைத் தேர்ந்தெடுப்பது, மாதிரியாக்கம் மற்றும் பகுப்பாய்வை மேலும் துல்லியமாக்க உதவுகிறது.

8. சமவாய்ப்பு மாறிகள் ஏன் முக்கியமானவை?

சமவாய்ப்பு மாறிகள் பின்வருவனவற்றிற்கு அடிப்படையாக அமைகின்றன:
– அனுமானப் புள்ளிவிவரங்கள்: மாதிரிகளின் அடிப்படையில் மக்கள்தொகை அளவுருக்களை மதிப்பிடுதல்
கருதுகோள் சோதனை: ஒரு கூற்று தரவுகளால் ஆதரிக்கப்படுகிறதா என்பதைத் தீர்மானித்தல்.
– இயந்திரக் கற்றல்: நிச்சயமற்ற தன்மையை மாதிரியாக்குதல் மற்றும் முன்கணிப்பு நிகழ்தகவு
– இடர் மேலாண்மை: இழப்புகள் மற்றும் தீவிர நிகழ்வுகளின் நிகழ்தகவை அளவிடுதல்
– பொறியியல் மற்றும் அறிவியல்: சமிக்ஞை செயலாக்கம், அமைப்பு நம்பகத்தன்மை, வரிசைக் கோட்பாடு

சமவாய்ப்பு மாறிகளைக் கொண்டு, நிச்சயமற்ற தன்மையைப் பற்றி முறையாகப் பேசுவதற்கு நம்மிடம் ஒரு கணித மொழி உள்ளது.

முடிவுரை

சமவாய்ப்பு மாறி என்பது நிகழ்தகவுக் கோட்பாட்டில் உள்ள ஒரு முக்கியக் கருத்தாகும். இது சமவாய்ப்புச் சோதனைகளின் முடிவுகளை எண் மதிப்புகளுக்கு வரைபடமாக்குகிறது. சமவாய்ப்பு மாறிகள் தனித்த அல்லது தொடர்ச்சியானவையாக இருக்கலாம், மேலும் ஒவ்வொன்றும் நிகழ்தகவு நிறைச் சார்பு (PMF) அல்லது நிகழ்தகவு அடர்த்திச் சார்பு (PDF) மூலம் நிகழ்தகவுகளைக் குறிக்க வெவ்வேறு வழிகளைக் கொண்டுள்ளன. மேலும், நிகழ்தகவுகளின் திரட்சியைக் காண மையச் சார்புப் பரவல் (CDF) ஒரு பொதுவான வழியை வழங்குகிறது. ஒரு பரவலைச் சுருக்கமாகக் கூற, எதிர்பார்ப்பு மையப் போக்கின் அளவாகவும், மாறுபாடு/திட்ட விலக்கம் பரவலின் அளவாகவும் பயன்படுத்தப்படுகிறது. இந்த அடிப்படைக் கருத்துக்களைப் புரிந்துகொள்வது , நிகழ்தகவுப் பரவல்கள், புள்ளியியல் மதிப்பீடு, பின்னடைவு, இடர் மாதிரியாக்கம் மற்றும் நவீன தரவுப் பகுப்பாய்வு போன்ற மேம்பட்ட தலைப்புகளைக் கற்றுக்கொள்வதற்கு வழிவகுக்கும்.

நீங்கள் விரும்பினால், சமவாய்ப்பு மாறிகள் என்ற கருத்தை எளிதாகப் புரிந்துகொள்ளும் வகையில், எடுத்துக்காட்டுக் கேள்விகளையும் அவற்றின் விளக்கங்களையும் (தனித்த மற்றும் தொடர்ச்சியான) என்னால் சேர்க்க முடியும்.