Формула математического ожидания. Математическое ожидание и дисперсия случайной величины
Случайной величиной называют переменную величину, которая в результате каждого испытания принимает одно заранее неизвестное значение, зависящее от случайных причин. Случайные величины обозначают заглавными латинскими буквами: $X,\ Y,\ Z,\ \dots $ По своему типу случайные величины могут быть дискретными и непрерывными .
Дискретная случайная величина - это такая случайная величина, значения которой могут быть не более чем счетными, то есть либо конечными, либо счетными. Под счетностью имеется ввиду, что значения случайной величины можно занумеровать.
Пример 1 . Приведем примеры дискретных случайных величин:
а) число попаданий в мишень при $n$ выстрелах, здесь возможные значения $0,\ 1,\ \dots ,\ n$.
б) число выпавших гербов при подкидывании монеты, здесь возможные значения $0,\ 1,\ \dots ,\ n$.
в) число прибывших кораблей на борт (счетное множество значений).
г) число вызовов, поступающих на АТС (счетное множество значений).
1. Закон распределения вероятностей дискретной случайной величины.
Дискретная случайная величина $X$ может принимать значения $x_1,\dots ,\ x_n$ с вероятностями $p\left(x_1\right),\ \dots ,\ p\left(x_n\right)$. Соответствие между этими значениями и их вероятностями называется законом распределения дискретной случайной величины . Как правило, это соответствие задается с помощью таблицы, в первой строке которой указывают значения $x_1,\dots ,\ x_n$, а во второй строке соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$.
$\begin{array}{|c|c|}
\hline
X_i & x_1 & x_2 & \dots & x_n \\
\hline
p_i & p_1 & p_2 & \dots & p_n \\
\hline
\end{array}$
Пример 2 . Пусть случайная величина $X$ - число выпавших очков при подбрасывании игрального кубика. Такая случайная величина $X$ может принимать следующие значения $1,\ 2,\ 3,\ 4,\ 5,\ 6$. Вероятности всех этих значений равны $1/6$. Тогда закон распределения вероятностей случайной величины $X$:
$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline
\hline
\end{array}$
Замечание . Поскольку в законе распределения дискретной случайной величины $X$ события $1,\ 2,\ \dots ,\ 6$ образуют полную группу событий, то в сумме вероятности должны быть равны единице, то есть $\sum{p_i}=1$.
2. Математическое ожидание дискретной случайной величины.
Математическое ожидание случайной величины задает ее «центральное» значение. Для дискретной случайной величины математическое ожидание вычисляется как сумма произведений значений $x_1,\dots ,\ x_n$ на соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$, то есть: $M\left(X\right)=\sum^n_{i=1}{p_ix_i}$. В англоязычной литературе используют другое обозначение $E\left(X\right)$.
Свойства математического ожидания $M\left(X\right)$:
- $M\left(X\right)$ заключено между наименьшим и наибольшим значениями случайной величины $X$.
- Математическое ожидание от константы равно самой константе, т.е. $M\left(C\right)=C$.
- Постоянный множитель можно выносить за знак математического ожидания: $M\left(CX\right)=CM\left(X\right)$.
- Математическое ожидание суммы случайных величин равно сумме их математических ожиданий: $M\left(X+Y\right)=M\left(X\right)+M\left(Y\right)$.
- Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий: $M\left(XY\right)=M\left(X\right)M\left(Y\right)$.
Пример 3 . Найдем математическое ожидание случайной величины $X$ из примера $2$.
$$M\left(X\right)=\sum^n_{i=1}{p_ix_i}=1\cdot {{1}\over {6}}+2\cdot {{1}\over {6}}+3\cdot {{1}\over {6}}+4\cdot {{1}\over {6}}+5\cdot {{1}\over {6}}+6\cdot {{1}\over {6}}=3,5.$$
Можем заметить, что $M\left(X\right)$ заключено между наименьшим ($1$) и наибольшим ($6$) значениями случайной величины $X$.
Пример 4 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=2$. Найти математическое ожидание случайной величины $3X+5$.
Используя вышеуказанные свойства, получаем $M\left(3X+5\right)=M\left(3X\right)+M\left(5\right)=3M\left(X\right)+5=3\cdot 2+5=11$.
Пример 5 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=4$. Найти математическое ожидание случайной величины $2X-9$.
Используя вышеуказанные свойства, получаем $M\left(2X-9\right)=M\left(2X\right)-M\left(9\right)=2M\left(X\right)-9=2\cdot 4-9=-1$.
3. Дисперсия дискретной случайной величины.
Возможные значения случайных величин с равными математическими ожиданиями могут по-разному рассеиваться вокруг своих средних значений. Например, в двух студенческих группах средний балл за экзамен по теории вероятностей оказался равным 4, но в одной группе все оказались хорошистами, а в другой группе - только троечники и отличники. Поэтому возникает необходимость в такой числовой характеристике случайной величины, которая бы показывала разброс значений случайной величины вокруг своего математического ожидания. Такой характеристикой является дисперсия.
Дисперсия дискретной случайной величины $X$ равна:
$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}.\ $$
В англоязычной литературе используются обозначения $V\left(X\right),\ Var\left(X\right)$. Очень часто дисперсию $D\left(X\right)$ вычисляют по формуле $D\left(X\right)=\sum^n_{i=1}{p_ix^2_i}-{\left(M\left(X\right)\right)}^2$.
Свойства дисперсии $D\left(X\right)$:
- Дисперсия всегда больше или равна нулю, т.е. $D\left(X\right)\ge 0$.
- Дисперсия от константы равна нулю, т.е. $D\left(C\right)=0$.
- Постоянный множитель можно выносить за знак дисперсии при условии возведения его в квадрат, т.е. $D\left(CX\right)=C^2D\left(X\right)$.
- Дисперсия суммы независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X+Y\right)=D\left(X\right)+D\left(Y\right)$.
- Дисперсия разности независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X-Y\right)=D\left(X\right)+D\left(Y\right)$.
Пример 6 . Вычислим дисперсию случайной величины $X$ из примера $2$.
$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}={{1}\over {6}}\cdot {\left(1-3,5\right)}^2+{{1}\over {6}}\cdot {\left(2-3,5\right)}^2+\dots +{{1}\over {6}}\cdot {\left(6-3,5\right)}^2={{35}\over {12}}\approx 2,92.$$
Пример 7 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=2$. Найти дисперсию случайной величины $4X+1$.
Используя вышеуказанные свойства, находим $D\left(4X+1\right)=D\left(4X\right)+D\left(1\right)=4^2D\left(X\right)+0=16D\left(X\right)=16\cdot 2=32$.
Пример 8 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=3$. Найти дисперсию случайной величины $3-2X$.
Используя вышеуказанные свойства, находим $D\left(3-2X\right)=D\left(3\right)+D\left(2X\right)=0+2^2D\left(X\right)=4D\left(X\right)=4\cdot 3=12$.
4. Функция распределения дискретной случайной величины.
Способ представления дискретной случайной величины в виде ряда распределения не является единственным, а главное он не является универсальным, поскольку непрерывную случайную величину нельзя задать с помощью ряда распределения. Существует еще один способ представления случайной величины - функция распределения.
Функцией распределения случайной величины $X$ называется функция $F\left(x\right)$, которая определяет вероятность того, что случайная величина $X$ примет значение, меньшее некоторого фиксированного значения $x$, то есть $F\left(x\right)=P\left(X < x\right)$
Свойства функции распределения :
- $0\le F\left(x\right)\le 1$.
- Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$, равна разности значений функции распределения на концах этого интервала: $P\left(\alpha < X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$
- $F\left(x\right)$ - неубывающая.
- ${\mathop{lim}_{x\to -\infty } F\left(x\right)=0\ },\ {\mathop{lim}_{x\to +\infty } F\left(x\right)=1\ }$.
Пример 9 . Найдем функцию распределения $F\left(x\right)$ для закона распределения дискретной случайной величины $X$ из примера $2$.
$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline
1/6 & 1/6 & 1/6 & 1/6 & 1/6 & 1/6 \\
\hline
\end{array}$
Если $x\le 1$, то, очевидно, $F\left(x\right)=0$ (в том числе и при $x=1$ $F\left(1\right)=P\left(X < 1\right)=0$).
Если $1 < x\le 2$, то $F\left(x\right)=P\left(X=1\right)=1/6$.
Если $2 < x\le 3$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)=1/6+1/6=1/3$.
Если $3 < x\le 4$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)=1/6+1/6+1/6=1/2$.
Если $4 < x\le 5$, то $F\left(X\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)=1/6+1/6+1/6+1/6=2/3$.
Если $5 < x\le 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)=1/6+1/6+1/6+1/6+1/6=5/6$.
Если $x > 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)+P\left(X=6\right)=1/6+1/6+1/6+1/6+1/6+1/6=1$.
Итак, $F(x)=\left\{\begin{matrix}
0,\ при\ x\le 1,\\
1/6,при\ 1 < x\le 2,\\
1/3,\ при\ 2 < x\le 3,\\
1/2,при\ 3 < x\le 4,\\
2/3,\ при\ 4 < x\le 5,\\
5/6,\ при\ 4 < x\le 5,\\
1,\ при\ x > 6.
\end{matrix}\right.$
Математическим ожиданием случайной величины X называется среднее значение .
1. M(C) = C
2. M(CX) = CM(X) , где C = const
3. M(X ± Y) = M(X) ± M(Y)
4. Если случайные величины X и Y независимы, то M(XY) = M(X)·M(Y)
Дисперсия
Дисперсией случайной величины X называется
D(X) = S(x – M(X)) 2 p = M(X 2 ) – M 2 (X) .
Дисперсия представляет собой мерой отклонения значений случайной величины от своего среднего значения.
1. D(C) = 0
2. D(X + C) = D(X)
3. D(СX) = C 2 D(X) , где C = const
4. Для независимых случайных величин
D(X ± Y) = D(X) + D(Y)
5. D(X ± Y) = D(X) + D(Y) ± 2Cov(x, y)
Квадратный корень из дисперсии случайной величины X называется средним квадратичным отклонением 
.
@ Задача 3 : Пусть случайная величина X принимает всего два значения (0 или 1) с вероятностями q, p , где p + q = 1 . Найти математическое ожидание и дисперсию.
Решение:
M(X) = 1·p + 0·q = p; D(X) = (1 – p) 2 p + (0 – p) 2 q = pq.
@ Задача 4 : Математическое ожидание и дисперсия случайной величины X равны 8. Найти математическое ожидание и дисперсия случайных величин: а) X – 4 ; б) 3X – 4 .
Решение: M(X – 4) = M(X) – 4 = 8 – 4 = 4; D(X – 4) = D(X) = 8; M(3X – 4) = 3M(X) – 4 = 20; D(3X – 4) = 9D(X) = 72.
@ Задача 5 : Совокупность семей имеет следующее распределение по числу детей:
| x i | x 1 | x 2 | ||
| p i | 0,1 | p 2 | 0,4 | 0,35 |
Определить x 1 , x 2 и p 2 , если известно, что M(X) = 2; D(X) = 0,9 .
Решение: Вероятность p 2 равна p 2 = 1 – 0,1 – 0,4 – 0,35 = 0,15. Неизвестные x находятся из уравнений: M(X) = x 1 ·0,1 + x 2 ·0,15 + 2·0,4 + 3·0,35 = 2; D(X) = ·0,1 + ·0,15 + 4·0,4 + 9·0,35 – 4 = 0,9. x 1 = 0; x 2 = 1.
Генеральная совокупность и выборка. Оценки параметров
Выборочное наблюдение
Статистическое наблюдение можно организовать сплошное и не сплошное. Сплошное наблюдение предусматривает обследование всех единиц изучаемой совокупности (генеральной совокупности). Генеральная совокупность это множество физических или юридических лиц, которую исследователь изучает согласно своей задачи. Это часто экономически невыгодно, а иногда и невозможно. В связи с этим изучается только часть генеральной совокупности – выборочная совокупность .
Результаты, полученные на основе выборочной совокупности, можно распространить на генеральную совокупность, если следовать следующим принципам:
1. Выборочная совокупность должна определяться случайным образом.
2. Число единиц выборочной совокупности должно быть достаточным.
3. Должна обеспечиваться репрезентативность ( представительность) выборки. Репрезентативная выборка представляет собой меньшую по размеру, но точную модель той генеральной совокупности, которую она должна отражать.
Типы выборок
В практике применяются следующие типы выборок:
а) собственно-случайная, б) механическая, в) типическая, г) серийная, д) комбинированная.
Собственно-случайная выборка
При собственно-случайной выборке отбор единиц выборочной совокупности производится случайным образом, например, посредством жеребьевки или генератора случайных чисел.
Выборки бывают повторные и бесповторные. При повторной выборке единица, попавшая в выборку, возвращается и сохраняет равную возможность снова попасть в выборку. При бесповторной выборке единица совокупности, попавшая в выборку, в дальнейшем в выборке не участвует.
Ошибкиприсущие выборочному наблюдению, возникающие в силу того, что выборочная совокупность не полностью воспроизводит генеральную совокупность, называются стандартными ошибками . Они представляют собой среднее квадратичное расхождение между значениями показателей, полученных по выборке, и соответствующими значениями показателей генеральной совокупности.
Расчетные формулы стандартной ошибки при случайном повторном отборе следующая: , а при случайном бесповторном отборе следующая: 
, где S 2 – дисперсия выборочной совокупности, n/N –
доля выборки, n, N
- количества единиц в выборочной и генеральной совокупности. При n = N
стандартная ошибка m = 0.
Механическая выборка
При механической выборке генеральная совокупность разбивается на равные интервалы и из каждого интервала случайным образом отбирается по одной единице.
Например, при 2%-ной доли выборки из списка генеральной совокупности отбирается каждая 50-я единица.
Стандартная ошибка механической выборки определяется как ошибка собственно-случайной бесповторной выборки.
Типическая выборка
При типической выборке генеральная совокупность разбивается на однородные типические группы, затем из каждой группы случайным образом производится отбор единиц.
Типической выборкой пользуются в случае неоднородной генеральной совокупности. Типическая выборка дает более точные результаты, потому что обеспечивается репрезентативность.
Например, учителя, как генеральная совокупность, разбиваются на группы по следующим признакам: пол, стаж, квалификация, образование, городские и сельские школы и т.д.
Стандартные ошибки типической выборки определяются как ошибки собственно-случайной выборки, с той лишь разницей, что S 2 заменяется средней величиной от внутригрупповых дисперсий.
Серийная выборка
При серийной выборке генеральная совокупность разбивается на отдельные группы (серии), затем случайным образом выбранные группы подвергаются сплошному наблюдению.
Стандартные ошибки серийной выборки определяются как ошибки собственно-случайной выборки, с той лишь разницей, что S 2 заменяется средней величиной от межгрупповых дисперсий.
Комбинированная выборка
Комбинированная выборка является комбинацией двух или более типов выборок.
Точечная оценка
Конечной целью выборочного наблюдения является нахождение характеристик генеральной совокупности. Так как этого невозможно сделать непосредственно, то на генеральную совокупность распространяют характеристики выборочной совокупности.
Принципиальная возможность определения средней арифметической генеральной совокупности по данным средней выборки доказывается теоремой Чебышева . При неограниченном увеличении n вероятность того, что отличие выборочной средней от генеральной средней будет сколь угодно мало, стремится к 1.
Это означает, что характеристика генеральной совокупности с точностью . Такая оценка называется точечной .
Интервальная оценка
Базисом интервальной оценки является центральная предельная теорема .
Интервальная оценка позволяет ответить на вопрос: внутри какого интервала и с какой вероятностью находится неизвестное, искомое значение параметра генеральной совокупности?
Обычно говорят о доверительной вероятности p = 1 – a, с которой будет находиться в интервале – D < < + D, где D = t кр m > 0 предельная ошибка выборки, a - уровень значимости (вероятность того, что неравенство будет неверным), t кр - критическое значение, которое зависит от значений n и a. При малой выборке n < 30 t кр задается с помощью критического значения t-распределения Стъюдента для двустороннего критиерия с n – 1 степенями свободы с уровнем значимости a (t кр (n – 1, a) находится из таблицы «Критические значения t–распределения Стъюдента», приложение 2). При n > 30, t кр - это квантиль нормального закона распределения (t кр находится из таблицы значений функции Лапласа F(t) = (1 – a)/2 как аргумент). При p = 0,954 критическое значение t кр = 2 при p = 0,997 критическое значение t кр = 3. Это означает, что предельная ошибка обычно больше стандартной ошибки в 2-3 раза.
Таким образом, суть метода выборки заключается в том, что на основании статистических данных некоторой малой части генеральной совокупности удается найти интервал, в котором с доверительной вероятностью p находится искомая характеристика генеральной совокупности (средняя численность рабочих, средний балл, средняя урожайность, среднее квадратичное отклонение и т.д.).
@ Задача 1. Для определения скорости расчетов с кредиторами предприятий корпорации в коммерческом банке была проведена случайная выборка 100 платежных документов, по которым средний срок перечисления и получения денег оказался равным 22 дням ( = 22) со стандартным отклонением 6 дней (S = 6). С вероятностью p = 0,954 определить предельнуюошибку выборочной средней и доверительный интервал средней продолжительности расчетов предприятий данной корпорации.
Решение: Предельнаяошибка выборочной средней согласно (1) равна D = 2· 0,6 = 1,2, а доверительный интервал определяется как (22 – 1,2; 22 + 1,2), т.е. (20,8; 23,2).
§6.5 Корреляция и регрессия
Математическое ожидание и дисперсия - чаще всего применяемые числовые характеристики случайной величины. Они характеризуют самые важные черты распределения: его положение и степень разбросанности. Во многих задачах практики полная, исчерпывающая характеристика случайной величины - закон распределения - или вообще не может быть получена, или вообще не нужна. В этих случаях ограничиваются приблизительным описанием случайной величины с помощью числовых характеристик.
Математическое ожидание часто называют просто средним значением случайной величины. Дисперсия случайной величины - характеристика рассеивания, разбросанности случайной величины около её математического ожидания.
Математическое ожидание дискретной случайной величины
Подойдём к понятию математического ожидания, сначала исходя из механической интерпретации распределения дискретной случайной величины. Пусть единичная масса распределена между точками оси абсцисс x 1 , x 2 , ..., x n , причём каждая материальная точка имеет соответствующую ей массу из p 1 , p 2 , ..., p n . Требуется выбрать одну точку на оси абсцисс, характеризующую положение всей системы материальных точек, с учётом их масс. Естественно в качестве такой точки взять центр массы системы материальных точек. Это есть среднее взвешенное значение случайной величины X , в которое абсцисса каждой точки x i входит с "весом", равным соответствующей вероятности. Полученное таким образом среднее значение случайной величины X называется её математическим ожиданием.
Математическим ожиданием дискретной случайной величины называется сумма произведений всех возможных её значений на вероятности этих значений:
Пример 1. Организована беспроигрышная лотерея. Имеется 1000 выигрышей, из них 400 по 10 руб. 300 - по 20 руб. 200 - по 100 руб. и 100 - по 200 руб. Каков средний размер выигрыша для купившего один билет?
Решение. Средний выигрыш мы найдём, если общую сумму выигрышей, которая равна 10*400 + 20*300 + 100*200 + 200*100 = 50000 руб, разделим на 1000 (общая сумма выигрышей). Тогда получим 50000/1000 = 50 руб. Но выражение для подсчёта среднего выигрыша можно представить и в следующем виде:
С другой стороны, в данных условиях размер выигрыша является случайной величиной, которая может принимать значения 10, 20, 100 и 200 руб. с вероятностями, равными соответственно 0,4; 0,3; 0,2; 0,1. Следовательно, ожидаемый средний выигрыш равен сумме произведений размеров выигрышей на вероятности их получения.
Пример 2. Издатель решил издать новую книгу. Продавать книгу он собирается за 280 руб., из которых 200 получит он сам, 50 - книжный магазин и 30 - автор. В таблице дана информация о затратах на издание книги и вероятности продажи определённого числа экземпляров книги.
Найти ожидаемую прибыль издателя.
Решение. Случайная величина "прибыль" равна разности доходов от продажи и стоимости затрат. Например, если будет продано 500 экземпляров книги, то доходы от продажи равны 200*500=100000, а затраты на издание 225000 руб. Таким образом, издателю грозит убыток размером в 125000 руб. В следующей таблице обобщены ожидаемые значения случайной величины - прибыли:
| Число | Прибыль x i | Вероятность p i | x i p i |
| 500 | -125000 | 0,20 | -25000 |
| 1000 | -50000 | 0,40 | -20000 |
| 2000 | 100000 | 0,25 | 25000 |
| 3000 | 250000 | 0,10 | 25000 |
| 4000 | 400000 | 0,05 | 20000 |
| Всего: | 1,00 | 25000 |
Таким образом, получаем математическое ожидание прибыли издателя:
.
Пример 3. Вероятность попадания при одном выстреле p = 0,2 . Определить расход снарядов, обеспечивающих математическое ожидание числа попаданий, равное 5.
Решение. Из всё той же формулы математического ожидания, которую мы использовали до сих пор, выражаем x - расход снарядов:
.
Пример 4. Определить математическое ожидание случайной величины x числа попаданий при трёх выстрелах, если вероятность попадания при каждом выстреле p = 0,4 .
Подсказка: вероятность значений случайной величины найти по формуле Бернулли .
Свойства математического ожидания
Рассмотрим свойства математического ожидания.
Свойство 1. Математическое ожидание постоянной величины равно этой постоянной:
Свойство 2. Постоянный множитель можно выносить за знак математического ожидания:
Свойство 3. Математическое ожидание суммы (разности) случайных величин равно сумме (разности) их математических ожиданий:
Свойство 4. Математическое ожидание произведения случайных величин равно произведению их математических ожиданий:
Свойство 5. Если все значения случайной величины X уменьшить (увеличить) на одно и то же число С , то её математическое ожидание уменьшится (увеличится) на то же число:
Когда нельзя ограничиваться только математическим ожиданием
В большинстве случаев только математическое ожидание не может в достаточной степени характеризовать случайную величину.
Пусть случайные величины X и Y заданы следующими законами распределения:
| Значение X | Вероятность |
| -0,1 | 0,1 |
| -0,01 | 0,2 |
| 0 | 0,4 |
| 0,01 | 0,2 |
| 0,1 | 0,1 |
| Значение Y | Вероятность |
| -20 | 0,3 |
| -10 | 0,1 |
| 0 | 0,2 |
| 10 | 0,1 |
| 20 | 0,3 |
Математические ожидания этих величин одинаковы - равны нулю:
Однако характер распределения их различный. Случайная величина X может принимать только значения, мало отличающиеся от математического ожидания, а случайная величина Y может принимать значения, значительно отклоняющиеся от математического ожидания. Аналогичный пример: средняя заработная плата не даёт возможности судить об удельном весе высоко- и низкооплачиваемых рабочих. Иными словами, по математическому ожиданию нельзя судить о том, какие отклонения от него, хотя бы в среднем, возможны. Для этого нужно найти дисперсию случайной величины.
Дисперсия дискретной случайной величины
Дисперсией дискретной случайной величины X называется математическое ожидание квадрата отклонения её от математического ожидания:
Средним квадратическим отклонением случайной величины X называется арифметическое значение квадратного корня её дисперсии:
.
Пример 5. Вычислить дисперсии и средние квадратические отклонения случайных величин X и Y , законы распределения которых приведены в таблицах выше.
Решение. Математические ожидания случайных величин X и Y , как было найдено выше, равны нулю. Согласно формуле дисперсии при Е (х )=Е (y )=0 получаем:
Тогда средние квадратические отклонения случайных величин X и Y составляют
.
Таким образом, при одинаковых математических ожиданиях дисперсия случайной величины X очень мала, а случайной величины Y - значительная. Это следствие различия в их распределении.
Пример 6. У инвестора есть 4 альтернативных проекта инвестиций. В таблице обобщены данные об ожидаемой прибыли в этих проектах с соответствующей вероятностью.
| Проект 1 | Проект 2 | Проект 3 | Проект 4 |
| 500, P =1 | 1000, P =0,5 | 500, P =0,5 | 500, P =0,5 |
| 0, P =0,5 | 1000, P =0,25 | 10500, P =0,25 | |
| 0, P =0,25 | 9500, P =0,25 |
Найти для каждой альтернативы математическое ожидание, дисперсию и среднее квадратическое отклонение.
Решение. Покажем, как вычисляются эти величины для 3-й альтернативы:
В таблице обобщены найденные величины для всех альтернатив.
У всех альтернатив одинаковы математические ожидания. Это означает, что в долгосрочном периоде у всех - одинаковые доходы. Стандартное отклонение можно интерпретировать как единицу измерения риска - чем оно больше, тем больше риск инвестиций. Инвестор, который не желает большого риска, выберет проект 1, так как у него наименьшее стандартное отклонение (0). Если же инвестор отдаёт предпочтение риску и большим доходам в короткий период, то он выберет проект наибольшим стандартным отклонением - проект 4.
Свойства дисперсии
Приведём свойства дисперсии.
Свойство 1. Дисперсия постоянной величины равна нулю:
Свойство 2. Постоянный множитель можно выносить за знак дисперсии, возводя его при этом в квадрат:
.
Свойство 3. Дисперсия случайной величины равна математическому ожиданию квадрата этой величины, из которого вычтен квадрат математического ожидания самой величины:
,
где 
.
Свойство 4. Дисперсия суммы (разности) случайных величин равна сумме (разности) их дисперсий:
Пример 7. Известно, что дискретная случайная величина X принимает лишь два значения: −3 и 7. Кроме того, известно математическое ожидание: E (X ) = 4 . Найти дисперсию дискретной случайной величины.
Решение. Обозначим через p вероятность, с которой случайная величина принимает значение x 1 = −3 . Тогда вероятностью значения x 2 = 7 будет 1 − p . Выведем уравнение для математического ожидания:
E (X ) = x 1 p + x 2 (1 − p ) = −3p + 7(1 − p ) = 4 ,
откуда получаем вероятности: p = 0,3 и 1 − p = 0,7 .
Закон распределения случайной величины:
| X | −3 | 7 |
| p | 0,3 | 0,7 |
Дисперсию данной случайной величины вычислим по формуле из свойства 3 дисперсии:
D (X ) = 2,7 + 34,3 − 16 = 21 .
Найти математическое ожидание случайной величины самостоятельно, а затем посмотреть решение
Пример 8. Дискретная случайная величина X принимает лишь два значения. Большее из значений 3 она принимает с вероятностью 0,4. Кроме того, известна дисперсия случайной величины D (X ) = 6 . Найти математическое ожидание случайной величины.
Пример 9. В урне 6 белых и 4 чёрных шара. Из урны вынимают 3 шара. Число белых шаров среди вынутых шаров является дискретной случайной величиной X . Найти математическое ожидание и дисперсию этой случайной величины.
Решение. Случайная величина X может принимать значения 0, 1, 2, 3. Соответствующие им вероятности можно вычислить по правилу умножения вероятностей . Закон распределения случайной величины:
| X | 0 | 1 | 2 | 3 |
| p | 1/30 | 3/10 | 1/2 | 1/6 |
Отсюда математическое ожидание данной случайной величины:
M (X ) = 3/10 + 1 + 1/2 = 1,8 .
Дисперсия данной случайной величины:
D (X ) = 0,3 + 2 + 1,5 − 3,24 = 0,56 .
Математическое ожидание и дисперсия непрерывной случайной величины
Для непрерывной случайной величины механическая интерпретация математического ожидания сохранит тот же смысл: центр массы для единичной массы, распределённой непрерывно на оси абсцисс с плотностью f (x ). В отличие от дискретной случайной величиной, у которой аргумент функции x i изменяется скачкообразно, у непрерывной случайной величины аргумент меняется непрерывно. Но математическое ожидание непрерывной случайной величины также связано с её средним значением.
Чтобы находить математическое ожидание и дисперсию непрерывной случайной величины, нужно находить определённые интегралы . Если дана функция плотности непрерывной случайной величины, то она непосредственно входит в подынтегральное выражение. Если дана функция распределения вероятностей, то, дифференцируя её, нужно найти функцию плотности.
Арифметическое среднее всех возможных значений непрерывной случайной величины называется её математическим ожиданием , обозначаемым или .
Следующим по важности свойством случайной величины вслед за математическим ожиданием является ее дисперсия, определяемая как средний квадрат отклонения от среднего:
Если обозначить через то дисперсия VX будет ожидаемым значением Это характеристика „разброса" распределения X.
В качестве простого примера вычисления дисперсии предположим, что нам только что сделали предложение, от которого мы не в силах отказаться: некто подарил нам два сертификата для участия в одной лотерее. Устроители лотереи продают каждую неделю по 100 билетов, участвующих в отдельном тираже. В тираже выбирается один их этих билетов посредством равномерного случайного процесса - каждый билет имеет равные шансы быть выбранным - и обладатель этого счастливого билета получает сто миллионов долларов. Остальные 99 владельцев лотерейных билетов не выигрывают ничего.
Мы можем использовать подарок двумя способами: купить или два билета в одной лотерее, или по одному для участия в двух разных лотереях. Какая стратегия лучше? Попытаемся провести анализ. Для этого обозначим через случайные величины, представляющие размер нашего выигрыша по первому и второму билету. Ожидаемое значение в миллионах, равно
и то же самое справедливо для Ожидаемые значения аддитивны, поэтому наш средний суммарный выигрыш составит
независимо от принятой стратегии.
Тем не менее, две стратегии выглядят различными. Выйдем за рамки ожидаемых значений и изучим полностью распределение вероятностей
Если мы купим два билета в одной лотерее, то наши шансы не выиграть ничего составят 98% и 2% - шансы на выигрыш 100 миллионов. Если же мы купим билеты на разные тиражи, то цифры будут такими: 98.01% - шанс не выиграть ничего, что несколько больше, чем ранее; 0.01% - шанс выиграть 200 миллионов, также чуть больше, чем было ранее; и шанс выиграть 100 миллионов теперь составляет 1.98%. Таким образом, во втором случае распределение величины несколько более разбросано; среднее значение, 100 миллионов долларов, несколько менее вероятно, тогда как крайние значения более вероятны.
Именно это понятие разброса случайной величины призвана отразить дисперсия. Мы измеряем разброс через квадрат отклонения случайной величины от ее математического ожидания. Таким образом, в случае 1 дисперсия составит
в случае 2 дисперсия равна
Как мы и ожидали, последняя величина несколько больше, поскольку распределение в случае 2 несколько более разбросано.
Когда мы работаем с дисперсиями, то все возводится в квадрат, так что в результате могут получиться весьма большие числа. (Множитель есть один триллион, это должно впечатлить
даже привычных к крупным ставкам игроков.) Для преобразования величин в более осмысленную исходную шкалу часто извлекают квадратный корень из дисперсии. Полученное число называется стандартным отклонением и обычно обозначается греческой буквой а:
Стандартные отклонения величины для наших двух лотерейных стратегий составят . В некотором смысле второй вариант примерно на 71247 долларов рискованнее.
Каким образом дисперсия помогает в выборе стратегии? Это не ясно. Стратегия с большей дисперсией рискованнее; но что лучше для нашего кошелька - риск или безопасная игра? Пусть у нас есть возможность купить не два билета, а все сто. Тогда мы могли бы гарантировать выигрыш в одной лотерее (и дисперсия была бы нулевой); или же можно было сыграть в сотне разных тиражей, ничего не получая с вероятностью зато имея ненулевой шанс на выигрыш вплоть до долларов. Выбор одной из этих альтернатив лежит за рамками этой книги; все, что мы можем сделать здесь,- это объяснить, как произвести подсчеты.
В действительности имеется более простой способ вычисления дисперсии, чем прямое использование определения (8.13). (Есть все основания подозревать здесь какую-то скрытую от глаз математику; иначе с чего бы дисперсия в лотерейных примерах оказалась целым кратным Имеем
поскольку - константа; следовательно,
„Дисперсия есть среднее значение квадрата минус квадрат среднего значения"
Например, в задаче про лотерею средним значением оказывается или Вычитание (квадрата среднего) дает результаты, которые мы уже получили ранее более трудным путем.
Есть, однако, еще более простая формула, применимая, когда мы вычисляем для независимых X и Y. Имеем
поскольку, как мы знаем, для независимых случайных величин Следовательно,
„Дисперсия суммы независимых случайных величин равняется сумме их дисперсий" Так, например, дисперсия суммы, которую можно выиграть на один лотерейный билет, равняется
Следовательно, дисперсия суммарного выигрыша по двум лотерейным билетам в двух различных (независимых) лотереях составит Соответствующее значение дисперсии для независимых лотерейных билетов будет
Дисперсия суммы очков, выпавших на двух кубиках, может быть получена по той же формуле, поскольку есть сумма двух независимых случайных величин. Имеем
для правильного кубика; следовательно, случае смещенного центра масс
следовательно, если у обоих кубиков центр масс смещен. Заметьте, что в последнем случае дисперсия больше, хотя принимает среднее значение 7 чаще, чем в случае правильных кубиков. Если наша цель - выбросить побольше приносящих удачу семерок, то дисперсия - не лучший показатель успеха.
Ну хорошо, мы установили, как вычислить дисперсию. Но мы пока не дали ответа на вопрос, почему надо вычислять именно дисперсию. Все так делают, но почему? Основная причина заключается в неравенстве Чебышева которое устанавливает важное свойство дисперсии:
(Это неравенство отличается от неравенств Чебышёва для сумм, встретившихся нам в гл. 2.) На качественном уровне (8.17) утверждает, что случайная величина X редко принимает значения, далекие от своего среднего если ее дисперсия VX мала. Доказательство
тельство необычайно просто. Действительно,
деление на завершает доказательство.
Если мы обозначим математическое ожидание через а стандартное отклонение - через а и заменим в (8.17) на то условие превратится в следовательно, мы получим из (8.17)
Таким образом, X будет лежать в пределах -кратного стандартного отклонения от своего среднего значения за исключением случаев, вероятность которых не превышает Случайная величина будет лежать в пределах 2а от по крайней мере для 75% испытаний; в пределах от до - по крайней мере для 99%. Это случаи неравенства Чебышёва.
Если бросить пару кубиков раз, то общая сумма очков во всех бросаниях почти всегда, при больших будет близка к Причина этого следующая: дисперсия независимых бросаний составит Дисперсия в означает стандартное отклонение всего
Поэтому из неравенства Чебышёва получаем, что сумма очков будет лежать между
по крайней мере для 99% всех бросаний правильных кубиков. Например, итог миллиона бросаний с вероятностью более 99% будет заключен между 6.976 млн и 7.024 млн.
В общем случае, пусть X - любая случайная величина на вероятностном пространстве П, имеющая конечное математическое ожидание и конечное стандартное отклонение а. Тогда можно ввести в рассмотрение вероятностное пространство Пп, элементарными событиями которого являются -последовательности где каждое , а вероятность определяется как
Если теперь определить случайные величины формулой
то величина
будет суммой независимых случайных величин, которая соответствует процессу суммирования независимых реализаций величины X на П. Математическое ожидание будет равно а стандартное отклонение - ; следовательно, среднее значение реализаций,
будет лежать в пределах от до по крайней мере в 99% временного периода. Иными словами, если выбрать достаточно большое то среднее арифметическое независимых испытаний будет почти всегда очень близко к ожидаемому значению (В учебниках теории вероятностей доказывается еще более сильная теорема, называемая усиленным законом больших чисел; но нам достаточно и простого следствия неравенства Чебышёва, которое мы только что вывели.)
Иногда нам не известны характеристики вероятностного пространства, но требуется оценить математическое ожидание случайной величины X при помощи повторных наблюдений ее значения. (Например, нам могла бы понадобиться средняя полуденная температура января в Сан-Франциско; или же мы хотим узнать ожидаемую продолжительность жизни, на которой должны основывать свои расчеты страховые агенты.) Если в нашем распоряжении имеются независимые эмпирические наблюдения то мы можем предположить, что истинное математическое ожидание приблизительно равно
Можно оценить и дисперсию, используя формулу
Глядя на эту формулу, можно подумать, что в ней - типографская ошибка; казалось бы, там должно стоять как в (8.19), поскольку истинное значение дисперсии определяется в (8.15) через ожидаемые значения. Однако замена здесь на позволяет получить лучшую оценку, поскольку из определения (8.20) вытекает, что
Вот доказательство:
(В этой выкладке мы опираемся на независимость наблюдений, когда заменяем на )
На практике для оценки результатов эксперимента со случайной величиной X обычно вычисляют эмпирическое среднее и эмпирическое стандартное отклонение после чего записывают ответ в виде Вот, например, результаты бросаний пары кубиков, предположительно правильных.
Математическое ожидание - это распределение вероятностей случайной величины
Математическое ожидание, определение, математическое ожидание дискретной и непрерывной случайных величин, выборочное, условное матожидание, расчет, свойства, задачи, оценка матожидания, дисперсия, функция распределения, формулы, примеры расчета
Развернуть содержание
Свернуть содержание
Математическое ожидание - это, определение
Одно из важнейших понятий в математической статистике и теории вероятностей, характеризующее распределение значений или вероятностей случайной величины. Обычно выражается как средневзвешенное значение всех возможных параметров случайной величины. Широко применяется при проведении технического анализа, исследовании числовых рядов, изучении непрерывных и продолжительных процессов. Имеет важное значение при оценке рисков, прогнозировании ценовых показателей при торговле на финансовых рынках, используется при разработке стратегий и методов игровой тактики в теории азартных игр.
Математическое ожидание - это среднее значение случайной величины, распределение вероятностей случайной величины рассматривается в теории вероятностей.
Математическое ожидание – это мера среднего значения случайной величины в теории вероятности. Математическое ожидание случайной величины x обозначается M(x) .
Математическое ожидание – это
Математическое ожидание – это в теории вероятности средневзвешенная величина всех возможных значений, которые может принимать эта случайная величина.
Математическое ожидание – это сумма произведений всех возможных значений случайной величины на вероятности этих значений.
Математическое ожидание – это средняя выгода от того или иного решения при условии, что подобное решение может быть рассмотрено в рамках теории больших чисел и длительной дистанции.
Математическое ожидание – это в теории азартных игр сумма выигрыша, которую может заработать или проиграть игрок, в среднем, по каждой ставке. На языке азартных игроков это иногда называется «преимуществом игрока» (если оно положительно для игрока) или «преимуществом казино» (если оно отрицательно для игрока).
Математическое ожидание – это процент прибыли на выигрыш, умноженный на среднюю прибыль, минус вероятность убытка, умноженная на средний убыток.
Математическое ожидание случайной величины в математической теории
Одной из важных числовых характеристик случайной величины является математическое ожидание. Введем понятие системы случайных величин. Рассмотрим совокупность случайных величин, которые являются результатами одного и того же случайного эксперимента. Если - одно из возможных значений системы, то событию соответствует определенная вероятность удовлетворяющая аксиомам Колмогорова. Функция, определенная при любых возможных значениях случайных величин, называется совместным законом распределения. Эта функция позволяет вычислять вероятности любых событий из. В частности, совместный закон распределения случайных величин и, которые принимают значения из множества и, задается вероятностями.
Термин «математическое ожидание» введён Пьером Симоном маркизом де Лапласом (1795) и произошёл от понятия «ожидаемого значения выигрыша», впервые появившегося в 17 веке в теории азартных игр в трудах Блеза Паскаля и Христиана Гюйгенса. Однако первое полное теоретическое осмысление и оценка этого понятия даны Пафнутием Львовичем Чебышёвым (середина 19 века).
Закон распределения случайных числовых величин (функция распределения и ряд распределения или плотность вероятности) полностью описывают поведение случайной величины. Но в ряде задач достаточно знать некоторые числовые характеристики исследуемой величины (например, ее среднее значение и возможное отклонение от него), чтобы ответить на поставленный вопрос. Основными числовыми характеристиками случайных величин являются математическое ожидание, дисперсия, мода и медиана.
Математическим ожиданием дискретной случайной величины называется сумма произведений ее возможных значений на соответствующие им вероятности. Иногда математическое ожидание называют взвешенным средним, так как оно приближенно равно среднему арифметическому наблюдаемых значений случайной величины при большом числе опытов. Из определения математического ожидания следует, что его значение не меньше наименьшего возможного значения случайной величины и не больше наибольшего. Математическое ожидание случайной величины есть неслучайная (постоянная) величина.
Математическое ожидание имеет простой физический смысл: если на прямой разместить единичную массу, поместив в некоторые точки некоторую массу (для дискретного распределения), или «размазав» её с определенной плотностью (для абсолютно непрерывного распределения), то точка, соответствующая математическому ожиданию, будет координатой «центра тяжести» прямой.
Среднее значение случайной величины есть некоторое число, являющееся как бы её «представителем» и заменяющее её при грубо ориентировочных расчетах. Когда мы говорим: «среднее время работы лампы равно 100 часам» или «средняя точка попадания смещена относительно цели на 2 м вправо», мы этим указываем определенную числовую характеристику случайной величины, описывающую её местоположение на числовой оси, т.е. «характеристику положения».
Из характеристик положения в теории вероятностей важнейшую роль играет математическое ожидание случайной величины, которое иногда называют просто средним значением случайной величины.
Рассмотрим случайную величину Х , имеющую возможные значения х1, х2, …, хn с вероятностями p1, p2, …, pn . Нам требуется охарактеризовать каким-то числом положение значений случайной величины на оси абсцисс с учетом того, что эти значения имеют различные вероятности. Для этой цели естественно воспользоваться так называемым «средним взвешенным» из значений xi , причем каждое значение xi при осреднении должно учитываться с «весом», пропорциональным вероятности этого значения. Таким образом, мы вычислим среднее случайной величины X , которое мы обозначим M |X| :
Это среднее взвешенное значение и называется математическим ожиданием случайной величины. Таким образом, мы ввели в рассмотрении одно из важнейших понятий теории вероятностей – понятие математического ожидания. Математическим ожиданием случайной величины называется сумма произведений всех возможных значений случайной величины на вероятности этих значений.
Х связано своеобразной зависимостью со средним арифметическим наблюденных значений случайной величины при большом числе опытов. Эта зависимость того же типа, как зависимость между частотой и вероятностью, а именно: при большом числе опытов среднее арифметическое наблюденных значений случайной величины приближается (сходится по вероятности) к ее математическому ожиданию. Из наличия связи между частотой и вероятностью можно вывести как следствие наличие подобной же связи между средним арифметическим и математическим ожидание. Действительно, рассмотрим случайную величину Х , характеризуемую рядом распределения:
Пусть производится N независимых опытов, в каждом из которых величина X принимает определенное значение. Предположим, что значение x1 появилось m1 раз, значение x2 появилось m2 раз, вообще значение xi появилось mi раз. Вычислим среднее арифметическое наблюденных значений величины Х, которое, в отличие от математического ожидания М|X| мы обозначим M*|X|:
При увеличении числа опытов N частоты pi будут приближаться (сходиться по вероятности) к соответствующим вероятностям. Следовательно, и среднее арифметическое наблюденных значений случайной величины M|X| при увеличении числа опытов будет приближаться (сходится по вероятности) к её математическому ожиданию. Сформулированная выше связь между средним арифметическим и математическим ожиданием составляет содержание одной из форм закона больших чисел.
Мы уже знаем, что все формы закона больших чисел констатируют факт устойчивости некоторых средних при большом числе опытов. Здесь речь идет об устойчивости среднего арифметического из ряда наблюдений одной и той же величины. При небольшом числе опытов среднее арифметическое их результатов случайно; при достаточном увеличении числа опытов оно становится «почти не случайным» и, стабилизируясь, приближается к постоянной величине – математическому ожиданию.
Свойство устойчивости средних при большом числе опытов легко проверить экспериментально. Например, взвешивая какое-либо тело в лаборатории на точных весах, мы в результате взвешивания получаем каждый раз новое значение; чтобы уменьшить ошибку наблюдения, мы взвешиваем тело несколько раз и пользуемся средним арифметическим полученных значений. Легко убедиться, что при дальнейшем увеличении числа опытов (взвешиваний) среднее арифметическое реагирует на это увеличение все меньше и меньше и при достаточно большом числе опытов практически перестает меняться.
Следует заметить, что важнейшая характеристика положения случайной величины – математическое ожидание – существует не для всех случайных величин. Можно составить примеры таких случайных величин, для которых математического ожидания не существует, так как соответствующая сумма или интеграл расходятся. Однако для практики такие случаи существенного интереса не представляют. Обычно случайные величины, с которыми мы имеем дело, имеют ограниченную область возможных значений и, безусловно, обладают математическим ожиданием.
Кроме важнейшей из характеристик положения случайной величины – математического ожидания, - на практике иногда применяются и другие характеристики положения, в частности, мода и медиана случайной величины.
Модой случайной величины называется её наиболее вероятное значение. Термин «наиболее вероятное значение», строго говоря, применим только к прерывным величинам; для непрерывной величины модой является то значение, в котором плотность вероятности максимальна. На рисунках показана мода соответственно для прерывной и непрерывной случайных величин.
Если многоугольник распределения (кривая распределения) имеет более одного максимума, распределение называется «полимодальным».
Иногда встречаются распределения, обладающие посередине не максимумом, а минимумом. Такие распределения называют «антимодальными».
В общем случае мода и математическое ожидание случайной величины не совпадают. В частном случае, когда распределение является симметричным и модальным (т.е. имеет моду) и существует математическое ожидание, то оно совпадает с модой и центром симметрии распределения.
Часто применяется еще одна характеристика положения – так называемая медиана случайной величины. Этой характеристикой пользуются обычно только для непрерывных случайных величин, хотя формально можно её определить и для прерывной величины. Геометрически медиана – это абсцисса точки, в которой площадь, ограниченная кривой распределения, делится пополам.
В случае симметричного модального распределения медиана совпадает с математическим ожиданием и модой.
Математическое ожидание представляет собой среднее значение, случайной величины - числовая характеристика распределения вероятностей случайной величины. Самым общим образом математическое ожидание случайной величины Х(w) определяется как интеграл Лебега по отношению к вероятностной мере Р в исходном вероятностном пространстве:
Математическое ожидание может быть вычислено и как интеграл Лебега от х по распределению вероятностей рх величины X :
Естественным образом можно определить понятие случайной величины с бесконечным математическим ожиданием. Типичным примером служат времена возвращения в некоторых случайных блужданиях.
С помощью математического ожидания определяются многие числовые и функциональные характеристики распределения (как математическое ожидание соответствующих функций от случайной величины), например, производящая функция, характеристическая функция, моменты любого порядка, в частности дисперсия, ковариация.
Математическое ожидание есть характеристика расположения значений случайной величины (среднее значение ее распределения). В этом качестве математическое ожиддание служит некоторым "типичным" параметром распределения и его роль аналогична роли статического момента - координаты центра тяжести распределения массы - в механике. От прочих характеристик расположения, с помощью которых распределение описывается в общих чертах,- медиан, мод, математическое ожидание отличается тем большим значением, которое оно и соответствующая ему характеристика рассеяния - дисперсия - имеют в предельных теоремах теории вероятностей. С наибольшей полнотой смысл математического ожидания раскрывается законом больших чисел (неравенство Чебышева) и усиленным законом больших чисел.
Математическое ожидание дискретной случайной величины
Пусть есть некоторая случайная величина, которая может принять одно из нескольких числовых значений (допустим, количество очков при броске кости может быть 1, 2, 3, 4, 5 или 6). Часто на практике для такой величины возникает вопрос: а какое значение она принимает "в среднем" при большом количестве тестов? Каков будет наш средний доход (или убыток) от каждой из рискованных операций?
Скажем, есть какая-то лотерея. Мы хотим понять, выгодно или нет в ней поучаствовать (или даже участвовать неоднократно, регулярно). Допустим, выигрышный каждый четвёртый билет, приз составит 300 руб., а цена любого билета - 100 руб. При бесконечно большом количестве участий получается вот что. В трёх четвертях случаев мы проиграем, каждые три проигрыша обойдутся в 300 руб. В каждом четвёртом случае мы выиграем 200 руб. (приз минус стоимость), то есть за четыре участия мы в среднем теряем 100 руб., за одно - в среднем 25 руб. Итого в среднем темпы нашего разорения составят 25 руб./билет.
Кидаем игральную кость. Если она не жульническая (без смещения центра тяжести и т.д.), то сколько мы в среднем будем иметь очков за раз? Поскольку каждый вариант равновероятен, берём тупо среднее арифметическое и получаем 3,5. Поскольку это СРЕДНЕЕ, то незачем возмущаться, что 3,5 очков никакой конкретный бросок не даст - ну нет у этого куба грани с таким числом!
Теперь обобщим наши примеры:
Обратимся к только что приведённой картинке. Слева табличка распределения случайной величины. Величина X может принимать одно из n возможных значений (приведены в верхней строке). Никаких других значений не может быть. Под каждым возможным значением снизу подписана его вероятность. Справа приведена формула, где M(X) и называется математическим ожиданием. Смысл этой величины в том, что при большом количестве испытаний (при большой выборке) среднее значение будет стремиться к этому самому математическому ожиданию.
Вернёмся опять к тому же самому игральному кубу. Математическое ожидание количества очков при броске равно 3,5 (посчитайте сами по формуле, если не верите). Скажем, вы кинули его пару раз. Выпали 4 и 6. В среднем получилось 5, то есть далеко от 3,5. Кинули ещё разок, выпало 3, то есть в среднем (4 + 6 + 3)/3 = 4,3333... Как-то далеко от математического ожидания. А теперь проведите сумасшедший эксперимент - киньте куб 1000 раз! И если в среднем и не будет ровно 3,5, то будет близко к тому.
Посчитаем математическое ожидание для выше описанной лотереи. Табличка будет выглядеть вот так:
Тогда математическое ожидание составит, как мы установили выше.:
Другое дело, что так же "на пальцах", без формулы, было бы трудновато, если бы имелось больше вариантов. Ну скажем, имелось бы 75% проигрышных билетов, 20% выигрышных билетов и 5% особо выигрышных.
Теперь некоторые свойства математического ожидания.
Доказать это просто:
Постоянный множитель допускается выносить за знак математического ожидания, то есть:
Это является частным случаем свойства линейности математического ожидания.
Другое следствие линейности математического ожидания:
то есть математическое ожидание суммы случайных величин равно сумме математических ожиданий случайных величин.
Пусть X, Y - независимые случайные величины , тогда:
Это тоже несложно доказать) Произведение XY само представляет собой случайную величину, при этом если исходные величины могли принимать n и m значений соответственно, то XY может принимать nm значений. Вероятность каждого из значений вычисляется исходя из того, что вероятности независимых событий перемножаются. В итоге получаем вот что:
Математическое ожидание непрерывной случайной величины
У непрерывных случайных величин есть такая характеристика, как плотность распределения (плотность вероятности). Она, по сути характеризует ситуацию, что некоторые значения из множества действительных чисел случайная величина принимает чаще, некоторые - реже. Например, рассмотрим вот какой график:
Здесь X - собственно случайная величина, f(x) - плотность распределения. Судя по данному графику, при опытах значение X часто будет числом, близким к нулю. Шансы же превысить 3 или оказаться меньше -3 скорее чисто теоретические.
Пусть, например, есть равномерное распределение:
Это вполне соответствует интуитивному пониманию. Скажем, если мы получаем при равномерном распределении много случайных действительных чисел, каждое из отрезка |0; 1| , то среднее арифметическое должно быть около 0,5.
Свойства математического ожидания - линейность и т.д., применимые для дискретных случайных величин, применимы и здесь.
Взаимосвязь математического ожидания с другими статистическими показателями
В статистическом анализе наряду с математическим ожиданием существует система взаимозависимых показателей, отражающих однородность явлений и устойчивость процессов. Часто показатели вариации не имеют самостоятельного смысла и используются для дальнейшего анализа данных. Исключением является коэффициент вариации, который характеризует однородность данных, что является ценной статистической характеристикой.
Степень изменчивости или устойчивости процессов в статистической науке может измеряться с помощью нескольких показателей.
Наиболее важным показателем, характеризующим изменчивость случайной величины, является Дисперсия , которая самым тесным и непосредственным образом связана с математическим ожиданием. Этот параметр активно используется в других видах статистического анализа (проверка гипотез, анализ причинно-следственных связей и др.). Как и среднее линейное отклонение, дисперсия также отражает меру разброса данных вокруг средней величины.
Язык знаков полезно перевести на язык слов. Получится, что дисперсия - это средний квадрат отклонений. То есть вначале рассчитывается среднее значение, затем берется разница между каждым исходным и средним значением, возводится в квадрат, складывается и затем делится на количество значений в данной совокупности. Разница между отдельным значением и средней отражает меру отклонения. В квадрат возводится для того, чтобы все отклонения стали исключительно положительными числами и чтобы избежать взаимоуничтожения положительных и отрицательных отклонений при их суммировании. Затем, имея квадраты отклонений, мы просто рассчитываем среднюю арифметическую. Средний – квадрат – отклонений. Отклонения возводятся в квадрат, и считается средняя. Разгадка магического слова «дисперсия» заключается всего в трех словах.
Однако в чистом виде, как, например, средняя арифметическая, или индекс, дисперсия не используется. Это скорее вспомогательный и промежуточный показатель, который используется для других видов статистического анализа. У нее даже единицы измерения нормальной нет. Судя по формуле, это квадрат единицы измерения исходных данных.
Пусть мы измеряем случайную величину N раз, например, десять раз измеряем скорость ветра и хотим найти среднее значение. Как связано среднее значение с функцией распределения?
Или будем кидать игральный кубик большое количество раз. Количество очков, которое выпадет на кубике при каждом броске, является случайной величиной и может принимать любые натуральные значения от 1 до 6. Среднее арифметическое выпавших очков, подсчитанных за все броски кубика, тоже является случайной величиной, однако при больших N оно стремится ко вполне конкретному числу – математическому ожиданию Mx . В данном случае Mx = 3,5.
Каким образом получилась эта величина? Пусть в N испытаниях n1 раз выпало 1 очко, n2 раз – 2 очка и так далее. Тогда количество исходов, в которых выпало одно очко:
Аналогично для исходов, когда выпало 2, 3, 4, 5 и 6 очков.
Предположим теперь, что мы знаем закон распределения случайной величины x, то есть знаем, что случайная величина x может принимать значения x1, x2, ..., xk с вероятностями p1, p2, ..., pk.
Математическое ожидание Mx случайной величины x равно:
Математическое ожидание не всегда является разумной оценкой какой-нибудь случайной величины. Так, для оценки средней заработной платы разумнее использовать понятие медианы, то есть такой величины, что количество людей, получающих меньшую, чем медиана, зарплату и большую, совпадают.
Вероятность р1 того, что случайная величина х окажется меньшей х1/2, и вероятность р2 того, что случайная величина x окажется большей х1/2, одинаковы и равны 1/2. Медиана определяется однозначно не для всех распределений.
Стандартным или Среднеквадратическим отклонением в статистике называется степень отклонения данных наблюдений или множеств от СРЕДНЕГО значения. Обозначается буквами s или s. Небольшое стандартное отклонение указывает на то, что данные группируются вокруг среднего значения, а значительное - что начальные данные располагаются далеко от него. Стандартное отклонение равно квадратному корню величины, называемой дисперсией. Она есть среднее число суммы возведенных в квадрат разностей начальных данных, отклоняющихся от среднего значения. Среднеквадратическим отклонением случайной величины называется корень квадратный из дисперсии:
Пример. В условиях испытаний при стрельбе по мишени вычислить дисперсию и среднеквадратическое отклонение случайной величины:
Вариация - колеблемость, изменяемость величины признака у единиц совокупности. Отдельные числовые значения признака, встречающиеся в изу¬чаемой совокупности, называют вариантами значений. Недостаточность средней величины для полной характеристики совокупности заставляет дополнять средние величины показателями, позволяющими оценить типичность этих средних путем измерения колеблемости (вариации) изучаемого признака. Коэффициент вариации вычисляют по формуле:
Размах вариации (R) представляет собой разность между максимальным и минимальным значениями признака в изучаемой совокупности. Этот показатель дает самое общее представление о колеблемости изучаемого признака, так как показывает разницу только между предельными значениями вариантов. Зависимость от крайних значений признака придает размаху вариации неустойчивый, случайный характер.
Среднее линейное отклонение представляет собой среднее арифметическое из абсолютных (по модулю) отклонений всех значений анализируемой совокупности от их средней величины:
Математическое ожидание в теории азартных игр
Математическое ожидание – это среднее количество денег, которое игрок в азартные игры может выиграть или проиграть на данной ставке. Это очень существенное понятие для игрока, потому что оно является основополагающим для оценки большинства игровых ситуаций. Математическое ожидание – это также оптимальный инструмент для анализа основных карточных раскладов и игровых ситуаций.
Допустим, вы играете с другом в монетку, каждый раз делая ставку поровну по $1 независимо оттого, что выпадет. Решка – вы выиграли, орел – проиграли. Шансы на то, что выпадет решка один к одному, и вы делаете ставку $1 к $1. Таким образом, математическое ожидание у вас равно нулю, т.к. с точки зрения математики вы не можете знать будете вы вести или проигрывать после двух бросков или после 200.
Ваш часовой выигрыш равен нулю. Часовой выигрыш – это то количество денег, которое вы ожидаете выиграть за час. Вы можете кидать монету 500 раз в течение часа, но вы не выиграете и не проиграете, т.к. ваши шансы ни положительны, ни отрицательны. Если смотреть, с точки зрения серьезного игрока такая система ставок неплоха. Но это попросту потеря времени.
Но предположим, кто-то хочет поставить $2 против вашего $1 в эту же игру. Тогда вы сразу же обладаете положительным матожиданием в 50 центов с каждой ставки. Почему 50 центов? В среднем одну ставку вы выигрываете, вторую проигрываете. Поставите первый доллар – и потеряете $1, ставите второй – выиграете $2. Вы два раза сделали ставку по $1 и идете впереди на $1. Таким образом, каждая из ваших однодолларовых ставок дала вам 50 центов.
Если за один час монета выпадет 500 раз, ваш часовой выигрыш составит уже $250, т.к. в среднем вы потеряли по одному доллару 250 раз и выиграли по два доллара 250 раз. $500 минус $250 равно $250, что и составляет суммарный выигрыш. Обратите внимание, что матожидание, являющиеся суммой, которую в среднем вы выиграли на одной ставке, равняется 50 центам. Вы выиграли $250, делая ставку по доллару 500 раз, что равняется 50 центам со ставки.
Математическое ожидание не имеет ничего общего с кратковременным результатом. Ваш оппонент, который решил ставить против вас $2 мог обыграть вас на первых десяти бросках подряд, но вы, обладая преимуществом ставок 2 к 1 при прочих равных, в любых обстоятельствах зарабатываете 50 центов с каждой ставки в $1. Нет разницы, выигрываете вы либо проигрываете одну ставку или несколько ставок, но только при условии, что у вас хватит наличности, чтобы спокойно компенсировать затраты. Если вы будете продолжать ставить так же, то за длительный период времени ваш выигрыш подойдет к сумме матожиданий в отдельных бросках.
Каждый раз, делая ставку с лучшим исходом (ставка, которая может оказаться выгодной на длинной дистанции), когда шансы в вашу пользу, вы обязательно что-то выигрываете на ней, и не важно теряете ли вы ее или нет в данной раздаче. И напротив, если вы сделали ставку с худшим исходом (ставка, которая невыгодна на длинной дистанции), когда шансы не в вашу пользу, вы что-то теряете независимо от того, выиграли вы или проиграли в данной раздаче.
Вы делаете ставку с лучшим исходом, если матожидание у вас положительно, а оно является положительным, если шансы на вашей стороне. Делая ставку с худшим исходом, у вас отрицательное матожидание, которое бывает, когда шансы против вас. Серьезные игроки делают ставки только с лучшим исходом, при худшем – они пасуют. Что означает шансы в вашу пользу? Вы можете в итоге выиграть больше, чем приносят реальные шансы. Реальные шансы на то, что выпадет решка 1 к 1, но у вас выходит 2 к 1 за счет соотношения ставок. В данном случае шансы в вашу пользу. Вы точно получаете лучший исход с положительным ожиданием в 50 центов за одну ставку.
Вот более сложный пример математического ожидания. Приятель пишет цифры от одного до пяти и делает ставку $5 против вашего $1 на то, что вы не определите загаданную цифру. Соглашаться ли вам на такое пари? Какое здесь матожидание?
В среднем четыре раза вы ошибетесь. Исходя из этого, шансы против того, что вы отгадаете цифру, составят 4 к 1. Шансы за то, что при одной попытке вы лишитесь доллара. Тем не менее, вы выигрываете 5 к 1, при возможности проиграть 4 к 1. Поэтому шансы в вашу пользу, вы можете принимать пари и надеяться на лучший исход. Если вы сделаете такую ставку пять раз, в среднем вы проиграете четыре раза по $1 и один раз выиграете $5. Исходя из этого, за все пять попыток вы заработаете $1 с положительным математическим ожиданием в 20 центов за одну ставку.
Игрок, который собирается выиграть больше, чем ставит, как в примере выше, – ловит шансы. И напротив, он губит шансы, когда предполагает выиграть меньше, чем ставит. Игрок, делающий ставку может иметь либо положительное, либо отрицательное матожидание, которое зависит от того, ловит он или губит шансы.
Если вы поставите $50 для того, чтобы выиграть $10 при вероятности выигрыша 4 к 1, то вы получите отрицательное матожидание $2, т.к. в среднем вы выиграете четыре раза по $10 и один раз проиграете $50, из чего видно, что потеря за одну ставку составит $10. Но вот если вы поставите $30 для того, чтобы выиграть $ 10, при тех же шансах выигрыша 4 к 1, то в данном случае вы имеете положительное ожидание $2, т.к. вы вновь выигрываете четыре раза по $10 и один раз проигрываете $30, что составит прибыль в $10. Данные примеры показывают, что первая ставка плохая, а вторая – хорошая.
Математическое ожидание является центром любой игровой ситуации. Когда букмекер призывает футбольных болельщиков ставить $11, чтобы выиграть $10, то он имеет положительное матожидание с каждых $10 в размере 50 центов. Если казино выплачивает равные деньги с пасовой линии в крепсе, то положительное ожидание казино составит приблизительно $1.40 с каждых $100, т.к. эта игра построена так, что каждый, кто поставил на эту линию, в среднем проигрывает 50.7% и выигрывает 49.3% общего времени. Бесспорно, именно это вроде бы минимальное положительное матожидание и приносит колоссальные прибыли владельцам казино по всему миру. Как заметил хозяин казино Vegas World Боб Ступак, «одна тысячная процента отрицательной вероятности на достаточно длинной дистанции разорит богатейшего человека в мире».
Математическое ожидание при игре в Покер
Игра в Покер является наиболее показательным и наглядным примером с точки зрения использования теории и свойств математического ожидания.
Математическое ожидание (англ. Expected Value) в Покере – средняя выгода от того или иного решения при условии, что подобное решение может быть рассмотрено в рамках теории больших чисел и длительной дистанции. Успешная игра в покер заключается в том, чтобы всегда принимать ходы только с положительным математическим ожиданием.
Математический смысл математического ожидания при игре в покер заключается в том, что мы часто сталкиваемся со случайными величинами при принятии решения (мы не знаем, какие именно карты на руках у оппонента, какие карты придут на последующих кругах торговли). Мы должны рассматривать каждое из решений с точки зрения теории больших чисел, которая гласит, что при достаточно большой выборке среднее значение случайной величины будет стремиться к её математическому ожиданию.
Среди частных формул для вычисления математического ожидания, в покере наиболее применима следующая:
При игре в покер математическое ожидание можно рассчитывать как для ставок, так и для коллов. В первом случае во внимание следует принимать фолд-эквити, во втором - собственные шансы банка. При оценке математического ожидания того или иного хода следует помнить, что фолд всегда имеет нулевое матожидание. Таким образом, сброс карт будет всегда более выгодным решением, чем любой отрицательный ход.
Ожидание говорит вам о том, что вы можете ожидать (прибыль или убыток) на каждый рискуемый вами доллар. Казино зарабатывают деньги, поскольку математическое ожидание от всех игры, которые практикуются в них, в пользу казино. При достаточно длинной серии игры можно ожидать, что клиент потеряет свои деньги, поскольку «вероятность» в пользу казино. Однако профессиональные игроки в казино ограничивают свои игры короткими промежутками времени, тем самым увеличивая вероятность в свою пользу. То же самое касается и инвестирования. Если ваше ожидание является положительным, вы можете заработать больше денег, совершая много сделок в короткий период времени. Ожидание это ваш процент прибыли на выигрыш, умноженный на среднюю прибыль, минус ваша вероятность убытка, умноженная на средний убыток.
Покер также можно рассмотреть с точки зрения математического ожидания. Вы можете предположить, что определенный ход выгоден, но в некоторых случаях он может оказаться далеко не лучшим, потому что выгоднее другой ход. Допустим, вы собрали фулл-хаус в пятикарточном покере с обменом. Ваш соперник делает ставку. Вы знаете, что если повысите ставку, он ответит. Поэтому повышение выглядит лучшей тактикой. Но если вы все же поднимите ставку, оставшиеся двое игроков, точно сбросят карты. Но если вы уравняете ставку, то будете полностью уверены, что двое других игроков после вас поступят также. При повышении ставки вы получаете одну единицу, а просто уравнивая – две. Таким образом, уравнивание дает вам более высокое положительное математическое ожидание, и будет являться наилучшей тактикой.
Математическое ожидание также может дать понятие о том, какая в покере тактика менее выгодна, а какая – более. К примеру, играя на определенной руке, вы полагаете, что ваши потери в среднем составят 75 центов, включая анте, то такую руку следует играть, т.к. это лучше, чем сброситься, когда анте равно $1.
Другой важной причиной для понимания сути математического ожидания является то, что оно дает вам чувство спокойствия независимо от того, выиграли вы ставку или нет: если вы сделали хорошую ставку или вовремя спасовали, вы будете знать, что вы заработали или сберегли определенное количество денег, которое игрок слабее не смог уберечь. Гораздо сложнее сбросить карты, если вы расстроены тем, что соперник на обмене собрал более сильную комбинацию. При всем при этом, деньги, которые вы сберегли, не играя, вместо того, чтобы ставить, прибавляются к вашему выигрышу за ночь или за месяц.
Просто помните, что если поменять ваши руки, ваш соперник ответил бы вам, и как вы увидите в статье «фундаментальная теорема покера» это лишь одно из ваших преимуществ. Вы должны радоваться, когда это случится. Вам даже можно научиться получать удовольствие от проигранной раздачи, потому что вы знаете, что другие игроки на вашем месте проиграли бы гораздо больше.
Как говорилось в примере с игрой в монетку в начале, часовой коэффициент прибыли взаимосвязан с математическим ожиданием, и данное понятие особенно важно для профессиональных игроков. Когда вы собираетесь играть в покер, вы должны мысленно прикинуть, сколько вы сможете выиграть за час игры. В большинстве случаев вам необходимо будет основываться на вашей интуиции и опыте, но вы также можете пользоваться и некоторыми математическими выкладками. К примеру, вы играете в лоуболл с обменом, и наблюдаете, что три участника делают ставки по $10, а затем меняют две карты, что является очень плохой тактикой, вы можете посчитать для себя, что каждый раз, когда они ставят $10, они теряют около $2. Каждый из них делает это восемь раз в час, а значит, все трое теряют в час примерно $48. Вы один из оставшихся четырех игроков, которые приблизительно равны, соответственно эти четыре игрока (и вы среди них) должны разделить $48, и прибыль каждого составит $12 в час. Ваш часовой коэффициент в этом случае попросту равен вашей доли от суммы денег, проигранной тремя плохими игроками за час.
За большой промежуток времени суммарный выигрыш игрока составляет сумму его математических ожиданий в отдельных раздачах. Чем больше вы играете с положительным ожиданием, тем больше выигрываете, и наоборот, чем больше раздач с отрицательным ожиданием вы сыграете, тем больше вы проиграете. Вследствие этого, следует отдавать предпочтение игре, которая сможет максимально увеличить ваше положительное ожидание или сведет на нет отрицательное, чтобы вы смогли поднять до максимума ваш часовой выигрыш.
Положительное математическое ожидание в игровой стратегии
Если вы знаете, как считать карты, у вас может быть преимущество перед казино, если они не заметят этого и не выкинут вас вон. Казино обожают пьяных игроков и не переносят считающих карты. Преимущество позволит вам со временем выиграть большее число раз, чем проиграть. Хорошее управление капиталом при использовании расчетов математического ожидания может помочь извлечь больше прибыли из вашего преимущества и сократить потери. Без преимущества вам лучше отдать деньги на благотворительность. В игре на бирже преимущество дает система игры, создающая большую прибыль, чем потери, разница цен и комиссионные. Никакое управление капиталом не спасет плохую игровую систему.
Положительное ожидание определяется значением, превышающим ноль. Чем больше это число, тем сильнее статис¬тическое ожидание. Если значение меньше нуля, то математическое ожидание также будет отрицательным. Чем больше модуль отрица¬тельного значения, тем хуже ситуация. Если результат равен нулю, то ожидание является безубыточным. Вы можете выиграть только тогда, когда у вас положительное математическое ожидание, разумная система игры. Игра по интуиции приводит к катастрофе.
Математическое ожидание и биржевая торговля
Математическое ожидание – достаточно широко востребованный и популярный статистический показатель при осуществлении биржевых торгов на финансовых рынках. В первую очередь данный параметр используют для анализа успешности торговли. Не сложно догадаться, что чем больше данное значение, тем больше оснований считать изучаемую торговлю успешной. Конечно, анализ работы трейдера не может производиться только лишь с помощью данного параметра. Тем не менее, вычисляемое значение в совокупности с другими способами оценки качества работы, может существенно повысить точность анализа.
Математическое ожидание часто вычисляется в сервисах мониторингов торговых счетов, что позволяет быстро оценивать работу, совершаемую на депозите. В качестве исключений можно привести стратегии, в которых используется “пересиживание” убыточных сделок. Трейдеру может некоторое время сопутствовать удача, а потому, в его работе может не оказаться убытков вообще. В таком случае, ориентироваться только по матожиданию не получится, ведь не будут учтены риски, используемые в работе.
В торговле на рынке математическое ожидание чаще всего применяют при прогнозировании доходности какой-либо торговой стратегии или при прогнозировании доходов трейдера на основе статистических данных его предыдущих торгов.
В отношении управления капиталом очень важно понимать, что при совершении сделок с отрицательным ожиданием нет схемы управления деньгами, которая может однозначно принести высокую прибыль. Если вы продолжаете играть на бирже в этих условиях, то независимо от способа управления деньгами вы потеряете весь ваш счет, каким бы большим он ни был в начале.
Эта аксиома верна не только для игры или сделок с отрицательным ожиданием, она истинна также для игры с равными шансами. Поэтому единственный случай, когда у вас есть шанс получить выгоду в долгосрочной перспективе, - это заключение сделок с положительным математическим ожиданием.
Различие между отрицательным ожиданием и положительным ожиданием - это различие между жизнью и смертью. Не имеет значения, насколько положительное или насколько отрицательное ожидание; важно только то, положительное оно или отрицательное. Поэтому до рассмотрения вопросов управления капиталом вы должны найти игру с положительным ожиданием.
Если у вас такой игры нет, тогда никакое управление деньгами в мире не спасет вас. С другой стороны, если у вас есть положительное ожидание, то можно, посредством правильного управления деньгами, превратить его в функцию экспоненциального роста. Не имеет значения, насколько мало это положительное ожидание! Другими словами, не имеет значения, насколько прибыльна торговая система на основе одного контракта. Если у вас есть система, которая выигрывает 10 долларов на контракт в одной сделке (после вычета комиссионных и проскальзывания), можно использовать методы управления капиталом таким образом, чтобы сделать ее более прибыльной, чем систему, которая показывает среднюю прибыль 1000 долларов за сделку (после вычета комиссионных и проскальзывания).
Имеет значение не то, насколько прибыльна система была, а то, насколько определенно можно сказать, что система покажет, по крайней мере, минимальную прибыль в будущем. Поэтому наиболее важное приготовление, которое может сделать трейдер, - это убедиться в том, что система покажет положительное математическое ожидание в будущем.
Для того чтобы иметь положительное математическое ожидание в будущем, очень важно не ограничивать степени свободы вашей системы. Это достигается не только упразднением или уменьшением количества параметров, подлежащих оптимизации, но также и путем сокращения как можно большего количества правил системы. Каждый параметр, который вы добавляете, каждое правило, которое вы вносите, каждое мельчайшее изменение, которое вы делаете в системе, сокращает число степеней свободы. В идеале, вам нужно построить достаточно примитивную и простую систему, которая постоянно будет приносить небольшую прибыль почти на любом рынке. И снова важно, чтобы вы поняли, - не имеет значения, насколько прибыльна система, пока она прибыльна. Деньги, которые вы заработаете в торговле, будут заработаны посредством эффективного управления деньгами.
Торговая система - это просто средство, которое дает вам положительное математическое ожидание, чтобы можно было использовать управление деньгами. Системы, которые работают (показывают, по крайней мере, минимальную прибыль) только на одном или нескольких рынках или имеют различные правила или параметры для различных рынков, вероятнее всего, не будут работать в режиме реального времени достаточно долго. Проблема большинства технически ориентированных трейдеров состоит в том, что они тратят слишком много времени и усилий на оптимизацию различных правил и значений параметров торговой системы. Это дает совершенно противоположные результаты. Вместо того, чтобы тратить силы и компьютерное время на увеличение прибылей торговой системы, направьте энергию на увеличение уровня надежности получения минимальной прибыли.
Зная, что управление капиталом - это всего лишь числовая игра, которая требует использования положительных ожиданий, трейдер может прекратить поиски "священного Грааля" биржевой торговли. Вместо этого он может заняться проверкой своего торгового метода, выяснить, насколько этот метод логически обоснован, дает ли он поло¬жительные ожидания. Правильные методы управления капиталом, применяемые по отношению к любым, даже весьма посредственным методам ведения торговли, сами сделают всю остальную работу.
Любому трейдеру для успеха в своей работе необходимо решить три самые важные задачи: . Добиться, чтобы число удачных сделок превышало неизбежные ошибки и просчеты; Настроить свою систему торговли так, чтобы возможность заработка была как можно чаще; Достичь стабильности положительного результата своих операций.
И здесь нам, работающим трейдерам, неплохую помощь может оказать математическое ожидание. Данный термин в теории вероятности является одним из ключевых. С его помощью можно дать усредненную оценку некоторому случайному значению. Математическое ожидание случайной величины подобно центру тяжести, если представить себе все возможные вероятности точками с различной массой.
Применительно к торговой стратегии для оценки ее эффективности чаще всего используют математическое ожидание прибыли (либо убытка). Этот параметр определяют, как сумму произведений заданных уровней прибыли и потерь и вероятности их появления. К примеру, разработанная стратегия торговли предполагает, что 37% всех операций принесут прибыль, а оставшаяся часть – 63% - будет убыточной. При этом, средний доход от удачной сделки составит 7 долларов, а средний проигрыш будет равен 1,4 доллара. Рассчитаем математическое ожидание торговли по такой системе:
Что означает данное число? Оно говорит о том, что, следуя правилам данной системы, в среднем мы будет получать 1,708 доллара от каждой закрытой сделки. Поскольку полученная оценка эффективности больше нуля, то такую систему вполне можно использовать для реальной работы. Если же в результате расчета математическое ожидание получится отрицательным, то это уже говорит о среднем убытке и такая торговля приведет к разорению.
Размер прибыли на одну сделку может быть выражен также и относительной величиной в виде %. Например:
– процент дохода на 1 сделку - 5%;
– процент успешных торговых операций - 62%;
– процент убытка в расчете на 1 сделку - 3%;
– процент неудачных сделок - 38%;
То есть, средняя сделка принесет 1,96%.
Можно разработать систему, которая несмотря на преобладание убыточных сделок будет давать положительный результат, поскольку ее МО>0.
Впрочем, одного ожидания мало. Сложно заработать, если система дает очень мало торговых сигналов. В этом случае ее доходность будет сопоставима с банковским процентом. Пусть каждая операция дает в среднем всего лишь 0,5 доллара, но что если система предполагает 1000 операций в год? Это будет очень серьезная сумма за сравнительно малое время. Из этого логически вытекает, что еще одним отличительным признаком хорошей торговой системы можно считать короткий срок удержания позиций.
Источники и ссылки
dic.academic.ru – академический интернет-словарь
mathematics.ru – образовательный сайт по математике
nsu.ru – образовательный веб-сайт Новосибирского государственного университета
webmath.ru – образовательный портал для студентов, абитуриентов и школьников.
exponenta.ru образовательный математический сайт
ru.tradimo.com – бесплатная онлайн школа трейдинга
crypto.hut2.ru – многопрофильный информационный ресурс
poker-wiki.ru – свободная энциклопедия покера
sernam.ru – Научная библиотека избранных естественно-научных изданий
reshim.su – интернет сайт РЕШИМ задачи контрольные курсовые
unfx.ru – Forex на UNFX: обучение, торговые сигналы, доверительное управление
slovopedia.com – Большой Энциклопедический словарь Словопедия
pokermansion.3dn.ru – Ваш гид в мире покера
statanaliz.info – информационный блог «Статистический анализ данных»
форекс-трейдер.рф – портал Форекс-Трейдер
megafx.ru – актуальная аналитика Форекс
fx-by.com – всё для трейдера
Внедрение и использование УМК «Изучаем русский язык» в двуязычной образовательной среде
Система образования в индии как фундамент знаний и жизни
Роман Вишневский – трейдер и владелец брокерской компании
Николай Кольцов – биолог из будущего