The random variable concept

Definition of a random variable

We define a real random variable as a real function of the elements of a sample
space S, we shall represent a random variable by a capital letter (such as W,X, or
Y) and any particular value of the random variable by a lowercase letter (such as
w,x,or y), Thus given an experiment defined by a sample space S with elements
s, we assign to every s a real number.

X(s)

(2.1-1)

According to some rule and call X9s) a random variable.

A random variable X can be considered to be a function that maps all elements
of the sample space into points on the real line or some parts thereof. We
illustrate, by two examples, the mapping of a random variable.
Examples.2.1-1 An experiment consist of rolling a die and flipping a coin. The
applicable sample space is illustrated in figure 2.1-1. Let the random variable be
a function X choosen such that (1) a coin head (H) outcome corresponds to
positive values of X that are equal to the numbers that show up on the die. And
(2) a coin tail (T) outcome corresponds to negative values of X that are equal in
magnitude to twice the number that shows on the die. Here X maps the sample
space of 12 elements into 12 values of X from -12 to 6 as shown in figure 2.1-1
Examples 2.1-2 figure 2.1-2 illustrates an experiment where the pointer on a
wheel of chance is spun. The possible outcomes are the numbers from 0 to 12
marked on the wheel. The sample space consist of the numbers in the set
{0<s<- 12}. We define a random variable by the function

X=X9s)=S^2

Points in S now map onto the real line as the set {0<x<- 144}

Figure 2.1-1 A random variable mapping of a sample space

Figure 2.1-2 Mapping applicable to examples 2.1-2

As seen in these two examples, a random variable is a function that maps each
point in S into some point on the real line. It is not necessary that the samplespace points map uniquely, however. More than one point in SD may map into a
single value of X. for example, in the extreme case, we might map all six points
in the sample space for the experiment throw a die and observe the number
that shows up into the one point X=2.
Condition for a function to be a random variable
Thus, a random variable may be almost any function we wish. We shall, however,
require that it not be multivalued. That is, every points in S must correspond to
only one value of the random variable.
Moreover, we shall require that two additional conditions be satisfied in order
that a function X be a random variable (Papoulis), firs, the set {X<-x} shall be an
event for any real number x. the satisfaction of this condition will be no trouble in
practical problems. This ste corresponds to those points s in the sample space for
which the random variable X(s) does not exceed the number x. the probability of
this event, denoted by P{X<-x}, is equal to the sum of the probabilities of all the
elementary events corresponding to {X<_ x}.
The second condition we require is that the probabilities of the events {X=limit}
and {X=limit} be 0:

P {X=-limit}=0

P{X=limit}=0
(2.1-2)

This condition does not prevent X from being either limit or limit for some
values of s; it only requires that probability of the set of those s be zero.
Discrete and Continous Random Variables
A discrite random variable is one having only discrete values. Examples 2.1-1
illustrated a discrete random variable. The sample space for discerete random
variable can be discrete, continous or even a mixture of discrete and continous
points. For examples, the Wheel of Chance of examples 2.1-2 has a continous
sample space, but we could define a discrete random variable as having the
value 1 for the set of outcomes {0<s<_6} and -1 for {6<s<_ 12}. The result is a
disceret random variable define on a continous sample space.
A continous random variable is one having a continous range of values. It cannot
be produced from a discrete sample space because of our requirement that all
random variables be single-valued function of all sample-space points. Similarly,a
purely continous random variable cannot result from a mixed sample space
because of the presence of the discrete portion of the sample space. The random
variable of example 2.1-2 is continous.
Mixed random Variable
A mixed random variable is one for which some of its values are disrete and
some are continous. The mixed case is usually the least important type of
random variable, but it occurs in some problems of practical significance.
2.2 Distribution function
The probability P{X<_ x} is the probability of the event {X <_ x}, it is a number
that depends on x; that is, it is a function of x, we call this function, denoted
Fx(x), the cumulative probability distribution function of the random variable X,
thus,
Fx(X)= P{X<_ x}

(2.2-1)

We shall often call Fx(x) just the distributin function of X, the argument x is any
real number ranging from limit to limit.
The distribution function has some specific propertyies derived from the fact that
Fx(x) is a probability. These are :

The firs three of these properties are easy to justify, and the reader should justify
them as an execise. The fourth states that Fx(x) is a nondecreasing function of x.
The fifth property states that the probability that X will have values larger than
some number x1 but not exceeding another number x2 is equal to the difference
in Fx(x) evaluated at the two points. It is justified from the fact that the events
{X<_x1} and {x1<X<_x2} are mutually exclusive, so the probability of the evnt
{X<_x2} ={X<_x1} U {x1<X<_x2} is the sum of the probabilies P{X<_x1} and
P {x1<X<_x2}. The sixth property states that Fx(x) is a function continous from
the right.

Translate
Kita mendefinisikan variabel acak nyata sebagai fungsi nyata dari unsur-unsur
dari ruang sampel S, kita akan mewakili variabel acak oleh huruf besar (seperti
W, X, atau Y) dan setiap nilai tertentu dari variabel acak dengan huruf kecil a
surat (seperti w, x, y atau), demikian diberikan percobaan didefinisikan oleh
ruang sampel s dengan elemen, kami tetapkan untuk setiap bilangan real sa.
Menurut beberapa aturan dan panggilan X (s) variabel acak.
Sebuah variabel acak X dapat dianggap sebagai fungsi yang memetakan semua
elemen dari ruang sampel ke titik pada garis nyata atau beberapa bagiannya.
Kami menggambarkan, oleh dua contoh, pemetaan variabel acak.
Contoh 2.1 Sebuah eksperimen terdiri dari bergulir mati dan membalik koin.
Ruang sampel berlaku diilustrasikan pada Gambar 2,1-1. Biarkan variabel acak
menjadi fungsi X dipilih sedemikian rupa sehingga (1) kepala koin (H) hasil sesuai
dengan nilai-nilai positif dari X yang sama dengan nomor yang muncul pada
mati. Dan (2) koin ekor (T) hasil sesuai dengan nilai-nilai negatif dari X yang
sama besarnya dengan dua kali jumlah yang menunjukkan pada mati. Berikut X
memetakan ruang sampel dari 12 elemen dalam 12 nilai X dari -12 ke 6 seperti
pada gambar 2,1-1
Contoh 2.2 menggambarkan sebuah eksperimen di mana pointer pada roda
kesempatan berputar. Hasil yang mungkin adalah nomor 0-12 ditandai pada
roda. Sampel ruang terdiri dari angka-angka dalam himpunan {0 <s <- 12}.
Kami mendefinisikan sebuah variabel acak dengan fungsi .
Seperti yang terlihat dalam dua contoh ini, variabel acak adalah fungsi yang
memetakan setiap titik di S ke beberapa titik pada garis nyata. Hal ini tidak perlu
bahwa titik sampel-ruang map unik, namun. Lebih dari satu titik di SD dapat
memetakan menjadi nilai tunggal X. misalnya, dalam kasus yang ekstrim, kita
mungkin memetakan semua enam poin di ruang sampel untuk percobaan
"melempar dadu dan mengamati jumlah yang muncul" ke dalam satu titik X = 2.
Kondisi untuk fungsi menjadi variabel acak
Dengan demikian, variabel acak mungkin hampir fungsi apapun yang kita
inginkan. Kami akan, bagaimanapun, memerlukan bahwa hal itu tidak akan
multivalued. Artinya, setiap poin dalam S harus sesuai dengan hanya satu nilai
dari variabel acak.
Selain itu, kami harus mensyaratkan bahwa dua kondisi tambahan harus puas
agar fungsi X adalah variabel acak (Papoulis), pertama, set {X <x} akan menjadi
acara untuk setiap bilangan real x. kepuasan kondisi ini akan ada kesulitan
dalam masalah-masalah praktis. Ste ini sesuai dengan titik-titik dalam ruang
sampel dimana X variabel acak (s) tidak melebihi jumlah x. probabilitas acara ini,

dilambangkan dengan P {X <x}, adalah sama dengan jumlah dari probabilitas

semua peristiwa SD sesuai dengan {X <_ x}.
Kondisi kedua kita butuhkan adalah bahwa probabilitas dari peristiwa {X =
batas} dan {X = batas} menjadi 0:
Kondisi ini tidak mencegah X dari yang baik -limit atau batas untuk beberapa
nilai dari s; hanya membutuhkan bahwa probabilitas dari himpunan orang-orang
s menjadi nol.

Variabel Acak Diskrit dan Kontinu

Sebuah variabel acak diskrit adalah salah satu yang memiliki nilai-nilai diskrit
hanya. Contoh 2,1-1 digambarkan variabel acak diskrit. Sampel ruang untuk
variabel acak diskrit dapat diskrit, kontinu atau bahkan campuran poin diskrit
dan kontinyu. Untuk contoh, "Wheel of Chance" contoh 2,1-2 memiliki ruang
sampel kontinu, tetapi kita bisa mendefinisikan sebuah variabel acak diskrit
sebagai memiliki nilai 1 untuk set hasil {0 <s <_6} dan -1 untuk { 6 <s <_ 12}.
Hasilnya adalah variabel acak diskrit menentukan pada ruang sampel kontinu.
Sebuah variabel acak kontinu adalah salah satu yang memiliki berbagai
berkesinambungan nilai. Hal ini tidak dapat diproduksi dari ruang sampel diskrit
karena kebutuhan kita bahwa semua variabel acak menjadi fungsi bernilai
tunggal dari semua titik sampel-ruang. Demikian pula, variabel acak kontinu
murni tidak dapat hasil dari ruang sampel campuran karena kehadiran dari
bagian diskrit dari ruang sampel. Variabel acak misalnya 2,1-2 kontinu.

Sebuah variabel acak campuran

adalah salah satu yang beberapa nilai-nilai diskrit dan beberapa terus menerus.
Kasus campuran biasanya jenis yang paling tidak penting dari variabel acak,
tetapi terjadi di beberapa masalah signifikansi praktis.
Fungsi 2.2 Distribusi
Probabilitas P {X <_ x} adalah probabilitas acara {X <_ x}, itu adalah nomor
yang tergantung pada x; yaitu, itu adalah fungsi dari x, kita sebut fungsi ini,
dilambangkan FXX), fungsi distribusi probabilitas kumulatif dari variabel acak X,
dengan demikian,
Fx (X) = P {X <_ x} (2,2-1)
Kita akan sering menyebutnya Fx (x) hanya fungsi distribusi X, argumen x adalah
nomor nyata mulai dari -limit untuk membatasi.
Fungsi distribusi memiliki beberapa sifat tertentu yang berasal dari fakta bahwa
Fx (x) adalah probabilitas. Ini adalah :
Tiga pertama dari sifat ini mudah untuk membenarkan, dan pembaca harus
membenarkan mereka sebagai latihan. Negara keempat yang Fx (x) adalah
fungsi nondecreasing dari x.
Properti kelima menyatakan bahwa probabilitas bahwa X akan memiliki nilai
lebih besar dari beberapa nomor x1 tetapi tidak melebihi nomor x2 lain adalah

sama dengan perbedaan di Fx (x) dievaluasi pada dua titik. Hal ini dibenarkan
dari fakta bahwa peristiwa {X <_x 1} dan {x1 <X _ <_ x 2} saling eksklusif,
sehingga probabilitas evnt {X <_ x 2} = {X <_ x 1} Y {x 1 <x <_x2} adalah
jumlah dari probabilitas P {x <_ x 1} dan P {x1 <x <_x2}. Properti keenam
menyatakan bahwa Fx (x) adalah kontinu fungsi dari kanan.