متغیر تصادفی
در آمار و احتمال، متغیر تصادفی یا ورتنده کاتورهای متغیری است که مقدار آن از اندازهگیری برخی از انواع فرایندهای کاتورهای بدست میآید. بهطور رسمیتر، ورتنده کاتورهای تابعی است از فضای نمونه به اعداد حقیقی. بهطور مستقیم ورتنده کاتوره ای توصیف عددی خروجی یک آزمایش است (مثل برآمدهای ممکن از پرتاب دو تاس (۱و۱) و (۱و۲) و غیره).
ورتنده های کاتورهای به دو نوع گسسته (ورتنده کاتوره ای که ممکن است تعداد محدود یا توالی نامحدودی از مقادیر را بگیرد) و پیوسته (متغیری که ممکن است هر مقدار عددی در یک یا چند بازه را بگیرد) طبقهبندی میشوند. مقادیر ممکن یک ورتنده کاتوره ای میتواند نشاندهندهٔ برآمدهای آزمایشی که هنوز انجام نشده یا مقادیر بالقوهٔ یک کمیت که مقدارهای موجود آن نامطمئن هستند (مثلاً در نتیجه اطلاعات ناقص یا اندازهگیری نادقیق) باشد. یک ورتنده کاتوره ای میتواند به عنوان یک کمیت که مقدارش ثابت نیست و مقادیر مختلفی را میتواند بگیرد در نظر گرفته شود و توزیع احتمال برای توصیف احتمال اتفاق افتادن آن مقادیر استفاده میشود.
متغیرهای کاتوره ای معمولاً با اعداد حقیقی مقداردهی میشوند؛ ولی میتوان انواع دلخواهی مانند مقدارهای بولی، اعداد مختلط، بردارها، ماتریسها، دنبالهها، درختها، مجموعهها، شکلها، منیفلدها، توابع و فرایندها را در نظر گرفت. عبارت المان کاتوره ای همه این نوع مفاهیم را دربرمی گیرد.
متغیرهای کاتوره ای که با اعداد حقیقی مقداردهی میشوند، در علوم برای پیشبینی براساس دادههای بدست آمده از آزمایشهای علمی استفاده میشوند. علاوه بر کاربردهای علمی، متغیرهای کاتوره ای برای آنالیز بازیهای قمار و پدیدههای کاتوره ای به وجود آمدند. در چنین مواردی تابعی که خروجی را به یک عدد حقیقی مینگارد معمولاً یک تابع همانی یا بهطور مشابه یک تابع بدیهی است و بهطور صریح توصیف نشدهاست. با این وجود در بسیاری از موارد بهتر است ورتنده کاتوره ای را به صورت توابعی از سایر متغیرهای کاتوره ای در نظر بگیریم که دراینصورت تابع نگاشت استفاده شده در تعریف یک ورتنده کاتوره ای مهم میشود. به عنوان مثال، توان دو یک ورتنده کاتوره ای با توزیع استاندارد (نرمال) خود یک ورتنده کاتوره ای با توزیع کی دو است. شهود این مطلب بدین صورت است که تصور کنید اعداد کاتوره ای بسیاری با توزیع نرمال تولید کرده و هرکدام را به توان دو برسانیم و سپس هیستوگرام دادههای بدست آمده را بکشیم در اینصورت اگر دادهها به تعداد کافی باشند، نمودار هیستوگرام تابع چگالی توزیع کی دو را با یک درجه آزادی تقریب خواهد زد.
نامهای دیگر
در برخی از کتابهای قدیمیتر به جای «ورتنده کاتوره ای» اصطلاحهای «ورتندهشانسی» و «ورتندهاستوکاستیکی» هم به کار رفتهاست.
انواع
- ورتنده کاتوره ای گسسته
انواع ورتنده کاتوره ای گسسته: ۱. برنولی ۲. دو جملهای ۳. دو جملهای منفی ۴. پواسون ۵. هندسی ۶. فوق هندسی ۷. زتا
- ورتنده کاتوره ای پیوسته
انواع ورتنده کاتوره ای پیوسته:۱. تکنواخت ۲. نمایی ۳. نرمال ۴. گاما ۵. بتا ۶. کشی 7. t استیودنت
با توجه به وضع شمارایی فضای نمونهای S، ورتندهمیتواند گسسته یا پیوسته باشد. اگر S متناهی یا نامتناهی شمارا باشد ورتنده کاتوره ای X گسسته و اگر ناشمارا باشد X پیوسته خواهد بود.
یک توزیع همچنین میتواند از نوع مختلط (mixed) باشد به این صورت که بخشی از آن مقادیر خاصی را بگیرد و بخش دیگر آن مقادیر روی یک بازه را بگیرد.
/* انواع */ ورتنده کاتوره ای گسسته: { برنولی، دوجملهای، پوآسن، هندسی، دو جملهای منفی، فوق هندسی، زتا (زیپ اف) } ورتنده کاتوره ای پیوسته: { یکنواخت، نرمال، نمایی، گاما، وایبل، کُشـِی، بتا، tاستیودِنت، خِی۲(کای اسکُوِر) , f(فیشر) }
متغیرهای کاتوره ای گسسته:
ورتنده کاتوره ای برنولی: یک برد وباخت ساده است؛ که مربوط به یک آزمایش برد و باخت ساده است و فقط مقادیر ۰٬۱ را میپذیرد. احتمال موفقیت را با p و احتمال شکست را با q نشان میدهند. مثال: در یک سکهٔ سالم احتمال ظاهر شدن شیر ۲برار احتمال ظاهر شدن خط است اگر xتعداد شیرهای ظاهر شده در یکبار پرتاب سکه باشد جدول احتمال xرا تشکیل دهید.
ورتنده کاتوره ای دوجمله ای: از تکرار آزمایش برنولی تعداد nبار ورتنده کاتوره ای دو جملهای حاصل میشود. مثال:یک سکه سالم ۳بار پرتاب میشود (یا ۳سکه پرتاب میشود) اگر xتعداد شیرهای ظاهر شده باشد مجموع مقادیر x عبارت است از: {۰٬۱٬۲٬۳}=(p(x
ورتنده کاتوره ای هندسی (ورتندههندسی): اگر یک آزمایش برنولی آنقدر تکرار شود تا اولین موفقیت ظاهر شود تعداد دفعات تکرار آزمایش را ورتنده کاتوره ای است که ورتنده کاتوره ای هندسی نامیده میشود. مثال:یک سکه سالم آنقدر پرتاب میشود تا اولین شیر ظاهر شود احتمال آزمایش پس از ۱۰دفعه پرتاب تا زمانی که متوقف شود.
ورتنده کاتوره ای دو جملهای منفی: اگر یک آزمایش برنولی آنقدر تکرار شود تا kاُمین موفقیت ظاهر شود آنگاه تعداد دفعات تکرار آزمایش یک ورتنده کاتوره ای است، که ورتنده کاتوره ای دوجملهای منفی نامیده میشود. مثال:یک سکهٔ سالم آنقدر پرتاب میشود که (سومین) شیر ظاهر شود، احتمال متوقف شدن آزمایش در پرتاب هشتم.
ورتنده کاتوره ای فوق هندسی: اگر در جامعهای به حجم K ,N نفر دارای یک ویژگی بخصوص باشند و از این جامعه یک نمونه به حجم n انتخاب کنیم در صورتی که تعداد اعضای نمونه که دارای آن ویژگی هستند را با x نشان دهیم آنگاه x یک ورتنده کاتوره ای است که ورتنده کاتوره ای فوق هندسی نامیده میشود. مثال: ۲۵٪ پنالتیهای یک بازیکن بسکتبال وارد سبد نمیشود احتمال اولین پنالتی داخل سبد پس از ۶پرتاب.
ورتنده کاتوره ای پواسون: تعداد آزمایشهای کاتوره ای که در یک محدوده مشخص رخ میدهد ورتنده کاتوره ای پواسون نامیده میشود. مثال: تعداد پستهای خالی که (در طول یک سال) در دیوان عالی ایجاد میشود.
چند مثال
نتایج ممکن برای آزمایش پرتاب سکه شیر و خط است پس { شیر، خط }=
اگر فرض کنیم که احتمال شیر یا خط آمدن یکسان و برابر
برای توصیف نتیجه یک پرتاب تاس نیز میتوان از ورتنده کاتوره ای استفاده کرد فضای حالت را به شکل مجموعه {۱، ۲، ۳، ۴، ۵، ۶}=
و pmf این ورتندهبه صورت زیر خواهد بود.
به عنوان یک مثال برای حالت پیوسته یک دیسک گردان که با چرخش خود میتواند جهتی را در افق مشخص کند در نظر بگیرید میتوانیم جهت را با شمال و شمال شرق و … نشان دهیم اما متداولتر است که جهات را به اعداد حقیقی نسبت دهیم. برای این کار فرض میکنیم که نتیجه آزمایش را با زاویهای که با سمت شمال میسازد توصیف کنیم در این صورت ورتنده کاتوره ای میتواند مقادیر بازه (۰٬۳۶۰] را بگیرد. در این حالت اگر X را به عنوان ورتنده کاتوره ای برابر با زاویه با شمال قرار دهیم احتمال وقوع هر X حقیقی برابر ۰ خواهد بود اما احتمال انتخاب شدن یک بازه مقداری بزرگتر از صفر خواهد بود برای مثال احتمال این که X در بازه [۰٬۱۸۰] قرار داشته باشد برابر ۰٫۵ است. در این حالت به جای استفاده از تابع جرمی احتمال از تابع چگالی احتمال استفاده میکنیم و میگوییم که چگالی احتمال X برابر ۱/۳۶۰ است و احتمال قرار گرفتن X در بازهای به طول L برابر L/۳۶۰ است در حالت کلی برای حساب کردن احتمال قرار گرفتن X در یک بازه باید از تابع چگالی احتمال روی آن بازه انتگرال بگیریم.
یک مثال برای حالت مختلط این است که سکه را برتاب کنیم و در صورت این مه نتیجه شیر بود دیسک را بجرخانیم اگر نتیجه خط بود X=-۱ و اگر شید بود X برابر با زاویه با شمال است در این صورت احتمال X=-۱ برابر ۰٫۵ خواهد بود و احتمال حالت پیوسته را نیز با توجه به مثال قبل میتوان حساب کرد (چگالی احتمال برابر ۱/۷۲۰ است).
تابع توزیع تجمعی
تابع توزیع تجمعی ورتنده کاتوره ای X به شکل زیر تعریف میشود.
به عبارتی این تابع احتمال این که نتیجه از عددی خاص کوچکتر باشد را به ما میدهد. برخی از خواص این تابع در زیر آمدهاست.
۱-تابع
۲-
۳-
تابع یک ورتنده کاتوره ای
اگر X یک ورتنده کاتوره ای روی
اگر g معکوس پذیر باشد یعنی g وچود داشته باشد و با فرض صعودی بودن g میتوان به رابطه زیر رسید.
با فرض معکوسپذیری و مشتقپذیری میتوان با مشتق گرفتن از دو طرف رابطه بالا نسبت به y رابطهای بین دو تابع چگالی احتمال نیز پیدا کرد که به شکل زیر است.
اکر رابطه معگوسپذیری برقرار نباشد اما تعداد ریشههای g برای هر مقدار y تعداد شمارایی باشد (یعنی تعداد محدود یا شمارا نامحدودی ریشه برای (y = g(xi داشته باشیم) رابطه بین دو تابع چگالی احتمال به صورت زیر در میآید.
که (xi = gi(y.
مثال۱
فرض کنید که X یک ورتنده کاتوره ای پیوسته و حقیقی مقدار باشد و Y = X.
اگر y <۰ آنگاه P(X ≤ y) = ۰، پس
اگر y ≥ ۰ آنگاه:
پس
مثال ۲
فرض کنید X یک ورتنده کاتوره ای با CDF زیر باشد که
و تابع y با ضابطه
داریم:
عبارت بالا برحسب تابع توزیع تجمعی X قابل محاسبه است بنابراین
(منظور از log لگاریتم طبیعی (Ln) است)
تساوی دو ورتنده کاتوره ای
تعابیر مختلفی برای تساوی دو ورتنده کاتوره ای وجود دارد. دو ورتندهمیتوانند مساوی باشند یا در توزیع مساوی باشند (equal in distribution) یا تقریباً همه جا برابر (almost surely equality) باشند.
تساوی در توزیع
اگر دو تابع X و Y تابع توزیع یکسانی داشته باشند میگوییم در توزیع مساوی هستند
دو توزیع که تابع مولد گشتاور یکسانی دارند در توزیع مساوی هستند.
تقریباً همه جا برابر یا قریب به یقین برابر
این تساوی در صورتی برقرار است که احتمال تفاوت X و Y صفر باشد.
تساوی
دو ورتنده کاتوره ای X و Y مساوی هستند اگر به عنوان تابع روی فضای نمونه یکسان باشند
جستارهای وابسته
پانویس
- ↑ فرند. پانویس ص. ۸۴
منابع
- فروند، جان. آمار ریاضی؛ ترجمه علی حمیدی، محمدقاسم وحیدیاصل. تهران: مرکز نشر دانشگاهی، ۱۳۷۸. شابک ۹۶۴-۰۱-۰۹۱۶-۹
http://en.wikipedia.org/w/index.php?title=Random_variable&oldid=437209168
Sheldon Ross ,Introduction to Probability
Models
Tenth Edition
page 25