Основні числові характеристики дискретних та безперервних випадкових величин: математичне очікування, дисперсія та середнє квадратичне відхилення. Їх властивості та приклади.
Закон розподілу (функція розподілу та ряд розподілу або щільність імовірності) повністю описують поведінку випадкової величини. Але в ряді завдань достатньо знати деякі числові характеристики досліджуваної величини (наприклад, її середнє значення і можливе відхилення від нього), щоб відповісти на поставлене запитання. Розглянемо основні числові характеристики дискретних випадкових величин.
Визначення 7.1.Математичним очікуваннямдискретної випадкової величини називається сума творів її можливих значень на відповідні їм ймовірності:
М(Х) = х 1 р 1 + х 2 р 2 + … + х п р п.(7.1)
Якщо число можливих значень випадкової величини нескінченно, то якщо отриманий ряд сходиться абсолютно.
Зауваження 1.Математичне очікування називають іноді виваженим середнім, тому що воно приблизно дорівнює середньому арифметичному спостерігаються значень випадкової величини при великій кількості дослідів.
Примітка 2.З визначення математичного очікування випливає, що його значення не менше найменшого можливого значення випадкової величини і не більше найбільшого.
Примітка 3.Математичне очікування дискретної випадкової величини є невипадкова(Постійна) величина. Надалі побачимо, що це справедливо і для безперервних випадкових величин.
Приклад 1. Знайдемо математичне очікування випадкової величини Х- числа стандартних деталей серед трьох, відібраних із партії у 10 деталей, серед яких 2 браковані. Складемо ряд розподілу для Х. З умови завдання випливає, що Хможе набувати значень 1, 2, 3. Тоді
Приклад 2. Визначимо математичне очікування випадкової величини Х- Числа кидків монети до першої появи герба. Ця величина може приймати нескінченну кількість значень (безліч можливих значень є безліч натуральних чисел). Ряд її розподілу має вигляд:
| Х | … | п | … | ||
| р | 0,5 | (0,5) 2 | … | (0,5)п | … |
+ (при обчисленні двічі використовувалася формула суми нескінченно спадної геометричної прогресії: , звідки ).
Властивості математичного очікування.
1) Математичне очікування постійної і найпостійнішої:
М(З) = З.(7.2)
Доказ. Якщо розглядати Зяк дискретну випадкову величину, що приймає лише одне значення Зз ймовірністю р= 1, то М(З) = З?1 = З.
2) Постійний множник можна виносити за знак математичного очікування:
М(СГ) = З М(Х). (7.3)
Доказ. Якщо випадкова величина Хзадана поруч розподілу
Тоді М(СГ) = Сх 1 р 1 + Сх 2 р 2 + … + Сх п р п = З(х 1 р 1 + х 2 р 2 + … + х п р п) = СМ(Х).
Визначення 7.2.Дві випадкові величини називаються незалежними, якщо закон розподілу однієї з них не залежить від того, які значення набула інша. В іншому випадку випадкові величини залежні.
Визначення 7.3.Назвемо добутком незалежних випадкових величин Хі Y випадкову величину XY, можливі значення якої дорівнюють творам усіх можливих значень Хна всі можливі значення Y, А відповідні їм ймовірності рівні творам ймовірностей співмножників.
3) Математичне очікування твору двох незалежних випадкових величин дорівнює твору їх математичних очікувань:
M(XY) = M(X)M(Y). (7.4)
Доказ. Для спрощення обчислень обмежимося випадком, коли Хі Yприймають лише по два можливі значення:
Отже, M(XY) = x 1 y 1 ?p 1 g 1 + x 2 y 1 ?p 2 g 1 + x 1 y 2 ?p 1 g 2 + x 2 y 2 ?p 2 g 2 = y 1 g 1 (x 1 p 1 + x 2 p 2) + + y 2 g 2 (x 1 p 1 + x 2 p 2) = (y 1 g 1 + y 2 g 2) (x 1 p 1 + x 2 p 2) = M(X)?M(Y).
Зауваження 1.Аналогічно можна довести цю властивість для більшої кількості можливих значень співмножників.
Примітка 2.Властивість 3 справедливо добутку будь-якого числа незалежних випадкових величин, що доводиться методом математичної індукції.
Визначення 7.4.Визначимо суму випадкових величин Хі Y як випадкову величину Х+Y, можливі значення якої дорівнюють сумам кожного можливого значення Хз кожним можливим значенням Y; ймовірності таких сум рівні творам ймовірностей доданків (для залежних випадкових величин - творам ймовірності одного доданку на умовну ймовірність другого).
4) Математичне очікування суми двох випадкових величин (залежних або незалежних) дорівнює сумі математичних очікувань доданків:
M (X+Y) = M (X) + M (Y). (7.5)
Доказ.
Знову розглянемо випадкові величини, задані рядами розподілу, наведеними за доказом властивості 3. Тоді можливими значеннями X+Yє х 1 + у 1 , х 1 + у 2 , х 2 + у 1 , х 2 + у 2 . Позначимо їх ймовірності відповідно як р 11 , р 12 , р 21 і р 22 . Знайдемо М(Х+Y) = (x 1 + y 1)p 11 + (x 1 + y 2)p 12 + (x 2 + y 1)p 21 + (x 2 + y 2)p 22 =
= x 1 (p 11 + p 12) + x 2 (p 21 + p 22) + y 1 (p 11 + p 21) + y 2 (p 12 + p 22).
Доведемо, що р 11 + р 22 = р 1 . Справді, подія полягає в тому, що X+Yнабуде значення х 1 + у 1 або х 1 + у 2 і ймовірність якого дорівнює р 11 + р 22 , збігається з подією, що полягає в тому, що Х = х 1 (його ймовірність - р 1). Аналогічно доводиться, що p 21 + p 22 = р 2 , p 11 + p 21 = g 1 , p 12 + p 22 = g 2 . Значить,
M(X+Y) = x 1 p 1 + x 2 p 2 + y 1 g 1 + y 2 g 2 = M (X) + M (Y).
Зауваження. З якості 4 випливає, що сума будь-якого числа випадкових величин дорівнює сумі математичних очікувань доданків.
приклад. Знайти математичне очікування суми числа очок, що випали під час кидка п'яти гральних кісток.
Знайдемо математичне очікування числа очок, що випали під час кидка однієї кістки:
М(Х 1) = (1 + 2 + 3 + 4 + 5 + 6) Тому ж числу дорівнює математичне очікування числа очок, що випали на будь-якій кістці. Отже, за якістю 4 М(Х)=
Дисперсія.
Щоб мати уявлення про поведінку випадкової величини, недостатньо знати лише її математичне очікування. Розглянемо дві випадкові величини: Хі Y, задані рядами розподілу виду
| Х | |||
| р | 0,1 | 0,8 | 0,1 |
| Y | ||
| p | 0,5 | 0,5 |
Знайдемо М(Х) = 49?0,1 + 50?0,8 + 51?0,1 = 50, М(Y) = 0?0,5 + 100?0,5 = 50. Як видно, математичні очікування обох величин рівні, але якщо для Х М(Х) добре описує поведінку випадкової величини, будучи її найбільш ймовірним можливим значенням (причому інші значення ненабагато відрізняються від 50), то значення Yістотно відстоять від М(Y). Отже, поряд з математичним очікуванням бажано знати, наскільки значення випадкової величини відхиляються від нього. Для характеристики цього є дисперсія.
Визначення 7.5.Дисперсією (розсіянням)випадкової величини називається математичне очікування квадрата її відхилення від її математичного очікування:
D(X) = M (X - M(X))². (7.6)
Знайдемо дисперсію випадкової величини Х(Числа стандартних деталей серед відібраних) у прикладі 1 даної лекції. Обчислимо значення квадрата відхилення кожного можливого значення від математичного очікування:
(1 – 2,4) 2 = 1,96; (2 – 2,4) 2 = 0,16; (3 – 2,4) 2 = 0,36. Отже,
Зауваження 1.У визначенні дисперсії оцінюється не саме відхилення від середнього, яке квадрат. Це зроблено для того, щоб відхилення різних знаків не компенсували одне одного.
Примітка 2.З визначення дисперсії випливає, що ця величина набуває лише невід'ємних значень.
Примітка 3.Існує зручніша для розрахунків формула для обчислення дисперсії, справедливість якої доводиться в наступній теоремі:
Теорема 7.1.D(X) = M(X²) - M²( X). (7.7)
Доказ.
Використовуючи те, що М(Х) - постійна величина, та властивості математичного очікування, перетворимо формулу (7.6) на вигляд:
D(X) = M(X - M(X))² = M(X² - 2 X?M(X) + M²( X)) = M(X²) - 2 M(X)?M(X) + M²( X) =
= M(X²) - 2 M²( X) + M²( X) = M(X²) - M²( X), Що й потрібно довести.
приклад. Обчислимо дисперсії випадкових величин Хі Y, Розглянуті на початку цього розділу. М(Х) = (49 2 ?0,1 + 50 2 ?0,8 + 51 2 ?0,1) - 50 2 = 2500,2 - 2500 = 0,2.
М(Y) = (0 2? 0,5 + 100? 0,5) - 50? = 5000 - 2500 = 2500. Отже, дисперсія другої випадкової величини в кілька тисяч разів більше дисперсії першої. Таким чином, навіть не знаючи законів розподілу цих величин, за відомими значеннями дисперсії ми можемо стверджувати, що Хмало відхиляється від свого математичного очікування, в той час як для Yце відхилення дуже суттєво.
Властивості дисперсії.
1) Дисперсія постійної величини Здорівнює нулю:
D (C) = 0. (7.8)
Доказ. D(C) = M((C - M(C))²) = M((C - C)²) = M(0) = 0.
2) Постійний множник можна виносити за знак дисперсії, звівши його у квадрат:
D(CX) = C² D(X). (7.9)
Доказ. D(CX) = M((CX-M(CX))²) = M((CX - CM(X))²) = M(C²( X - M(X))²) =
= C² D(X).
3) Дисперсія суми двох незалежних випадкових величин дорівнює сумі їх дисперсій:
D(X+Y) = D(X) + D(Y). (7.10)
Доказ. D(X+Y) = M(X² + 2 XY + Y²) - ( M(X) + M(Y))² = M(X²) + 2 M(X)M(Y) +
+ M(Y²) - M²( X) - 2M(X)M(Y) - M²( Y) = (M(X²) - M²( X)) + (M(Y²) - M²( Y)) = D(X) + D(Y).
Наслідок 1.Дисперсія суми кількох взаємно незалежних випадкових величин дорівнює сумі дисперсій.
Наслідок 2.Дисперсія суми постійної та випадкової величин дорівнює дисперсії випадкової величини.
4) Дисперсія різниці двох незалежних випадкових величин дорівнює сумі їх дисперсій:
D(X - Y) = D(X) + D(Y). (7.11)
Доказ. D(X - Y) = D(X) + D(-Y) = D(X) + (-1)² D(Y) = D(X) + D(X).
Дисперсія дає середнє значення квадрата відхилення випадкової величини середнього; з метою оцінки самого відхилення служить величина, звана середнім квадратичним відхиленням.
Визначення 7.6.Середнім квадратичним відхиленнямσ випадкової величини Хназивається квадратний корінь з дисперсії:
приклад. У попередньому прикладі середні квадратичні відхилення Хі Yрівні відповідно
Математичне очікування – це розподіл ймовірностей випадкової величини
Математичне очікування, визначення, математичне очікування дискретної та безперервної випадкових величин, вибіркове, умовне маточування, розрахунок, властивості, завдання, оцінка маточіння, дисперсія, функція розподілу, формули, приклади розрахунку
Розгорнути зміст
Згорнути зміст
Математичне очікування - це визначення
Одне з найважливіших понять у математичній статистиці та теорії ймовірностей, що характеризує розподіл значень чи ймовірностей випадкової величини. Зазвичай виражається як середньозважене значення всіх можливих параметрів випадкової величини. Широко застосовується під час проведення технічного аналізу, дослідженні числових рядів, вивченні безперервних та тривалих процесів. Має важливе значення при оцінці ризиків, прогнозуванні цінових показників при торгівлі на фінансових ринках, використовується для розробки стратегій та методів ігрової тактики в теорії азартних ігор.
Математичне очікування – цесереднє значення випадкової величини, розподіл ймовірностей випадкової величини у теорії ймовірностей.
Математичне очікування – цеміра середнього значення випадкової величини теоретично ймовірності. Математичне очікування випадкової величини xпозначається M(x).
Математичне очікування – це
Математичне очікування – цетеоретично ймовірності середньозважена величина всіх можливих значень, які може приймати ця випадкова величина.
Математичне очікування – цесума творів всіх можливих значень випадкової величини на ймовірність цих значень.
Математичне очікування – цесередня вигода від того чи іншого рішення за умови, що подібне рішення може бути розглянуте в рамках теорії великих чисел та тривалої дистанції.
Математичне очікування – цев теорії азартних ігор сума виграшу, яку може заробити або програти гравець, у середньому за кожною ставкою. На мові азартних гравців це іноді називається "перевагою гравця" (якщо воно позитивне для гравця) або "перевагою казино" (якщо воно є негативним для гравця).
Математичне очікування – цевідсоток прибутку на виграш, помножений на середній прибуток, мінус ймовірність збитку, помножена на середні збитки.
Математичне очікування випадкової величини у математичній теорії
Однією з найважливіших числових показників випадкової величини є математичне очікування. Введемо поняття системи випадкових величин. Розглянемо сукупність випадкових величин, які є результатами одного й того самого випадкового експерименту. Якщо - одне з можливих значень системи, то події відповідає певна ймовірність, що задовольняє аксіомам Колмогорова. Функція, визначена за будь-яких можливих значеннях випадкових величин, називається спільним законом розподілу. Ця функція дозволяє обчислювати ймовірності будь-яких подій. Зокрема, спільний закон розподілу випадкових величин і, які приймають значення з множини та, задається ймовірностями.
Термін «математичне очікування» введений П'єром Симоном маркізом де Лапласом (1795) і походить від поняття «очікуваного значення виграшу», що вперше з'явився в 17 столітті в теорії азартних ігор у працях Блеза Паскаля і Християна Гюйгенса. Однак перше повне теоретичне осмислення та оцінка цього поняття дано Пафнутієм Львовичем Чебишевим (середина 19 століття).
Закон розподілу випадкових числових величин (функція розподілу та ряд розподілу чи щільність ймовірності) повністю описують поведінку випадкової величини. Але в ряді завдань достатньо знати деякі числові характеристики досліджуваної величини (наприклад, її середнє значення та можливе відхилення від нього), щоб відповісти на поставлене запитання. Основними числовими характеристиками випадкових величин є математичне очікування, дисперсія, мода та медіана.
Математичним очікуванням дискретної випадкової величини називається сума творів її можливих значень відповідні їм ймовірності. Іноді математичне очікування називають виваженим середнім, тому що воно приблизно дорівнює середньому арифметичному спостерігаються значень випадкової величини при великій кількості дослідів. З визначення математичного очікування випливає, що його значення не менше від найменшого можливого значення випадкової величини і не більше від найбільшого. Математичне очікування випадкової величини є невипадковою (постійною) величиною.
Математичне очікування має простий фізичний зміст: якщо на прямий розмістити одиничну масу, помістивши в деякі точки деяку масу (для дискретного розподілу), або «розмазавши» її з певною щільністю (для абсолютно безперервного розподілу), то точка, що відповідає математичному очікуванню, буде координатою центру тяжкості прямий.
Середнє значення випадкової величини є деяке число, що є як би її «представником» і замінює її при грубо орієнтовних розрахунках. Коли ми говоримо: «середній час роботи лампи дорівнює 100 годин» або «середня точка влучення зміщена щодо мети на 2 м вправо», ми вказуємо певну числову характеристику випадкової величини, що описує її місце розташування на числовій осі, тобто. "Характеристику становища".
З характеристик становища теорії ймовірностей найважливішу роль грає математичне очікування випадкової величини, яке іноді називають просто середнім значенням випадкової величини.
Розглянемо випадкову величину Х, що має можливі значення х1, х2, …, хnз ймовірностями p1, p2, …, pn. Нам потрібно охарактеризувати якимось числом положення значень випадкової величини осі абсцис з урахуванням того, що ці значення мають різні ймовірності. Для цієї мети природно скористатися так званим «середнім виваженим» із значень xi, причому кожне значення xi при середовищі має враховуватися з «вагою», пропорційною ймовірності цього значення. Таким чином, ми обчислимо середню випадкову величину X, яке ми позначимо M | X |:
Це середнє зважене значення називається математичним очікуванням випадкової величини. Отже, ми запровадили у розгляді одне з найважливіших понять теорії ймовірностей – поняття математичного очікування. Математичним очікуванням випадкової величини називається сума творів усіх можливих значень випадкової величини на ймовірності цих значень.
Хпов'язано своєрідною залежністю із середнім арифметичним спостережених значень випадкової величини при великій кількості дослідів. Ця залежність того ж типу, як залежність між частотою і ймовірністю, а саме: при великій кількості дослідів середнє арифметичне спостережених значень випадкової величини наближається (збігається ймовірністю) до її математичного очікування. З наявності зв'язку між частотою та ймовірністю можна вивести як наслідок наявність подібного ж зв'язку між середнім арифметичним та математичним очікуванням. Справді, розглянемо випадкову величину Х, що характеризується рядом розподілу:
Нехай проводиться Nнезалежних дослідів, у кожному з яких величина Xнабуває певного значення. Припустимо, що значення x1з'явилося m1раз, значення x2з'явилося m2раз, взагалі значення xiз'явилося mi разів. Обчислимо середнє арифметичне спостерігання значень величини Х, яке, на відміну від математичного очікування М | X |ми позначимо M*|X|:
При збільшенні дослідів Nчастоти piбудуть наближатися (збігатися ймовірно) до відповідних ймовірностей. Отже, і середнє арифметичне спостереження значень випадкової величини M | X |зі збільшенням кількості дослідів наближатися (збігається ймовірно) до її математичного очікування. Сформульований вище зв'язок між середнім арифметичним та математичним очікуванням становить зміст однієї із форм закону великих чисел.
Ми вже знаємо, що всі форми закону великих чисел констатують факт стійкості деяких середніх за великої кількості дослідів. Тут йдеться про стійкість середнього арифметичного із низки спостережень однієї й тієї ж величини. При невеликій кількості дослідів середнє арифметичне їх результатів випадково; при достатньому збільшенні числа дослідів воно стає «майже випадковим» і, стабілізуючись, наближається до постійної величині – математичного очікування.
Властивість стійкості середніх за великої кількості дослідів легко перевірити експериментально. Наприклад, зважуючи якесь тіло в лабораторії на точних терезах, ми в результаті зважування отримуємо щоразу нове значення; Щоб зменшити помилку спостереження, ми зважуємо тіло кілька разів і користуємося середнім арифметичним отриманим значенням. Легко переконатися, що при подальшому збільшенні числа дослідів (зважувань) середнє арифметичне реагує на це збільшення дедалі менше і при досить великій кількості дослідів практично перестає змінюватися.
Слід зазначити, що найважливіша характеристика положення випадкової величини – математичне очікування – існує для всіх випадкових величин. Можна скласти приклади таких випадкових величин, котрим математичного очікування немає, оскільки відповідна сума чи інтеграл розходяться. Однак для практики такі випадки суттєвого інтересу не становлять. Зазвичай випадкові величини, з якими ми маємо справу, мають обмежену область можливих значень і, безумовно, мають математичне очікування.
Крім найважливішої з характеристик положення випадкової величини - математичного очікування, - на практиці іноді застосовуються інші характеристики положення, зокрема, мода і медіана випадкової величини.
Модою випадкової величини називається її найімовірніше значення. Термін «найбільш ймовірне значення», строго кажучи, застосовується тільки до перервних величин; для безперервної величини модою є значення, в якому щільність ймовірності максимальна. На малюнках показана мода відповідно для перервної та безперервної випадкових величин.
Якщо багатокутник розподілу (крива розподілу) має більше одного максимуму, розподіл називається полімодальним.
Іноді зустрічаються розподіли, що мають посередині не максимум, а мінімум. Такі розподіли називають «антимодальними».
Загалом мода і математичне очікування випадкової величини не збігаються. В окремому випадку, коли розподіл є симетричним і модальним (тобто має моду) і існує математичне очікування, воно збігається з модою і центром симетрії розподілу.
Часто застосовується ще одне характеристика становища – так звана медіана випадкової величини. Цією характеристикою користуються зазвичай лише безперервних випадкових величин, хоча формально можна визначити й у перервної величини. Геометрично медіана – це абсцис точки, в якій площа, обмежена кривою розподілу, ділиться навпіл.
У разі симетричного модального розподілу медіана збігається з математичним очікуванням та модою.
Математичне очікування є середнє значення, випадкової величини - числова характеристика розподілу ймовірностей випадкової величини. Найзагальнішим чином математичне очікування випадкової величини Х(w)визначається як інтеграл Лебега по відношенню до імовірнісної міри Ру вихідному імовірнісному просторі:
Математичне очікування може бути обчислено і як інтеграл Лебега від хщодо розподілу ймовірностей рхвеличини X:
Звичайно можна визначити поняття випадкової величини з нескінченним математичним очікуванням. Типовим прикладом є часи повернення в деяких випадкових блуканнях.
За допомогою математичного очікування визначаються багато числові та функціональні характеристики розподілу (як математичне очікування відповідних функцій від випадкової величини), наприклад, функція, що виробляє, характеристична функція, моменти будь-якого порядку, зокрема дисперсія, коваріація.
Математичне очікування є характеристикою розташування значень випадкової величини (середнє значення її розподілу). У цьому ролі математичне очікування служить деяким " типовим " параметром розподілу та її роль аналогічна ролі статичного моменту - координати центру тяжкості розподілу маси - у механіці. Від інших характеристик розташування, за допомогою яких розподіл описується в загальних рисах, - медіан, мод, математичне очікування відрізняється тим більшим значенням, яке воно і відповідна характеристика розсіювання - дисперсія - мають в граничних теоремах теорії ймовірностей. З найбільшою повнотою зміст математичного очікування розкривається законом великих чисел (нерівність Чебишева) і посиленим законом великих чисел.
Математичне очікування дискретної випадкової величини
Нехай є деяка випадкова величина, яка може набути одного з кількох числових значень (припустимо, кількість очок при кидку кістки може бути 1, 2, 3, 4, 5 або 6). Часто на практиці для такої величини виникає питання: а яке значення вона набуває "в середньому" при великій кількості тестів? Яким буде наш середній прибуток (або збиток) від кожної з ризикованих операцій?
Скажімо, є якась лотерея. Ми хочемо зрозуміти, вигідно чи ні в ній взяти участь (або навіть брати участь неодноразово, регулярно). Допустимо, виграшний кожен четвертий квиток, приз складе 300 руб., А ціна будь-якого квитка - 100 руб. За нескінченно великої кількості участі виходить ось що. У трьох чвертях випадків ми програємо, кожні три програші коштуватимуть 300 руб. У кожному четвертому випадку ми виграємо 200 руб. (Приз мінус вартість), тобто за чотири участі ми в середньому втрачаємо 100 руб., За одну – у середньому 25 руб. Разом у середньому темпи нашого руйнування становитимуть 25 крб./квиток.
Кидаємо гральну кістку. Якщо вона не шахрайська (без усунення центру тяжкості тощо), то скільки ми в середньому матимемо очок за раз? Оскільки кожен варіант рівноймовірний, беремо тупо середнє арифметичне та отримуємо 3,5. Оскільки це СЕРЕДНІШЕ, то нема чого обурюватися, що 3,5 очок ніякий конкретний кидок не дасть - ну немає у цього куба грані з таким числом!
Тепер узагальним наші приклади:
Звернемося до щойно наведеної картинки. Зліва табличка розподілу випадкової величини. Величина X може набувати одного з n можливих значень (наведені у верхньому рядку). Жодних інших значень не може бути. Під кожним можливим значенням знизу підписано його можливість. Справа наведена формула, де M(X) і називається математичним очікуванням. Сенс цієї величини в тому, що при великій кількості випробувань (при великій вибірці) середнє значення буде прагнути цього математичного очікування.
Повернемося знову до того ж грального куба. Математичне очікування кількості очок при кидку дорівнює 3,5 (порахуйте самі за формулою, якщо не вірите). Скажімо, ви кинули його кілька разів. Випали 4 та 6. У середньому вийшло 5, тобто далеко від 3,5. Кинули ще раз, випало 3, тобто в середньому (4 + 6 + 3) / 3 = 4,3333 ... Якось далеко від математичного очікування. А тепер проведіть божевільний експеримент – киньте куб 1000 разів! І якщо в середньому не буде рівно 3,5, то буде близько до того.
Порахуємо математичне очікування вище описаної лотереї. Табличка виглядатиме ось так:
Тоді математичне очікування складе, як ми встановили вище.
Інша річ, що так само "на пальцях", без формули, було б важкувато, якби було більше варіантів. Ну скажімо, було б 75% програшних квитків, 20% виграшних квитків та 5% особливо виграшних.
Тепер є деякі властивості математичного очікування.
Довести це просто:
Постійний множник допускається виносити за знак математичного очікування, тобто:
Це окремий випадок якості лінійності математичного очікування.
Інший наслідок лінійності математичного очікування:
тобто математичне очікування суми випадкових величин дорівнює сумі математичних очікувань випадкових величин.
Нехай X, Y – незалежні випадкові величинитоді:
Це теж нескладно довести) Твір XYсамо є випадковою величиною, при цьому якщо вихідні величини могли приймати nі mзначень відповідно, то XYможе набувати nm значень. Імовірність кожного з значень обчислюється з огляду на те, що ймовірності незалежних подій перемножуються. У результаті отримуємо ось що:
Математичне очікування безперервної випадкової величини
Безперервні випадкові величини мають таку характеристику, як щільність розподілу (щільність ймовірності). Вона, по суті характеризує ситуацію, що деякі значення з множини дійсних чисел випадкова величина набуває частіше, деякі - рідше. Наприклад, розглянемо ось який графік:
Тут X- Власне випадкова величина, f(x)- Щільність розподілу. Судячи з даного графіку, при дослідах значення Xчасто буде числом, близьким до нуля. Шанси ж перевищити 3 або виявитися менше -3 скоріше чисто теоретичні.
Нехай, наприклад, є рівномірний розподіл:
Це цілком відповідає інтуїтивному розумінню. Скажімо, якщо ми отримуємо при рівномірному розподілі багато випадкових дійсних чисел, кожне із відрізків |0; 1| , то середнє арифметичне має бути близько 0,5.
Властивості математичного очікування - лінійність і т.д., застосовні для дискретних випадкових величин, застосовні і тут.
Взаємозв'язок математичного очікування з іншими статистичними показниками
У статистичному аналізі поряд із математичним очікуванням існує система взаємозалежних показників, що відображають однорідність явищ та стійкість процесів. Часто показники варіації немає самостійного сенсу і використовуються подальшого аналізу даних. Винятком є коефіцієнт варіації, що характеризує однорідність даних, що цінної статистичної характеристикою.
Ступінь мінливості чи стійкості процесів у статистичній науці може вимірюватися за допомогою кількох показників.
Найбільш важливим показником, що характеризує мінливість випадкової величини, є Дисперсія, яка найтіснішим і безпосереднім чином пов'язана з математичним очікуванням. Цей параметр активно використовують у інших видах статистичного аналізу (перевірка гіпотез, аналіз причинно-наслідкових зв'язків та інших.). Як і середнє лінійне відхилення, дисперсія також відбиває міру розкиду даних навколо середньої величини.
Мова знаків корисно перекласти мовою слів. Вийде, що дисперсія – це середній квадрат відхилень. Тобто спочатку розраховується середнє значення, потім береться різниця між кожним вихідним та середнім значенням, зводиться у квадрат, складається і потім ділиться на кількість значень у цій сукупності. Різниця між окремим значенням та середньою відображає міру відхилення. У квадрат зводиться для того, щоб усі відхилення стали виключно позитивними числами і щоб уникнути взаємознищення позитивних та негативних відхилень при їхньому сумуванні. Потім, маючи квадрати відхилень, ми просто розраховуємо середню арифметичну. Середній – квадрат – відхилень. Відхилення зводяться у квадрат, і вважається середня. Розгадка магічного слова «дисперсія» полягає лише у трьох словах.
Однак у чистому вигляді, як, наприклад, середня арифметична, або індекс, дисперсія не використовується. Це скоріше допоміжний та проміжний показник, який використовується для інших видів статистичного аналізу. У неї навіть одиниці вимірювання нормальної немає. Судячи з формули, це квадрат одиниці виміру вихідних даних.
Нехай ми вимірюємо випадкову величину Nразів, наприклад, десять разів вимірюємо швидкість вітру та хочемо знайти середнє значення. Як пов'язане середнє значення з функцією розподілу?
Або кидатимемо гральний кубик велику кількість разів. Кількість очок, що випаде на кубику при кожному кидку, є випадковою величиною і може набувати будь-яких натуральних значень від 1 до 6. Середнє арифметичне випалих очок, підрахованих за всі кидки кубика, теж є випадковою величиною, проте при великих Nвоно прагне цілком конкретного числа – математичного очікування Mx. У разі Mx = 3,5.
Як вийшла ця величина? Нехай у Nвипробуваннях n1раз випало 1 очко, n2разів – 2 очки тощо. Тоді кількість наслідків, у яких випало одне очко:
Аналогічно для наслідків, коли випало 2, 3, 4, 5 та 6 очок.
Припустимо тепер, що ми знаємо закон розподілу випадкової величини x, тобто знаємо, що випадкова величина x може набувати значень x1, x2, ..., xk з ймовірностями p1, p2, ..., pk.
Математичне очікування Mx випадкової величини x дорівнює:
Математичне очікування який завжди є розумною оцінкою якоїсь випадкової величини. Так, для оцінки середньої заробітної плати розумніше використовувати поняття медіани, тобто такої величини, що кількість людей, які отримують меншу, ніж медіана, зарплату та більшу, збігаються.
Імовірність р1 того, що випадкова величина х виявиться меншою за х1/2, і ймовірність р2 того, що випадкова величина x виявиться більшою за х1/2, однакові й рівні 1/2. Медіана визначається однозначно задля всіх розподілів.
Стандартним або Середньоквадратичним відхиленняму статистиці називається ступінь відхилення даних спостережень чи множин від СЕРЕДНЬОГО значення. Позначається літерами s чи s. Невелике стандартне відхилення вказує на те, що дані групуються навколо середнього значення, а значне - що початкові дані розташовані далеко від нього. Стандартне відхилення дорівнює квадратному кореню величини, яка називається дисперсією. Вона є середня кількість суми зведених у квадрат різниць початкових даних, що відхиляються від середнього значення. Середньоквадратичним відхиленням випадкової величини називається квадратний корінь з дисперсії:
приклад. В умовах випробувань при стрільбі по мішені обчислити дисперсію та середньоквадратичне відхилення випадкової величини:
Варіація- коливання, змінність величини ознаки в одиниць сукупності. Окремі числові значення ознаки, що зустрічаються в досліджуваній сукупності, називають варіантами значень. Недостатність середньої величини для повної характеристики сукупності змушує доповнювати середні величини показниками, що дозволяють оцінити типовість цих середніх шляхом вимірювання коливання (варіації) ознаки, що вивчається. Коефіцієнт варіації обчислюють за такою формулою:
Розмах варіації(R) являє собою різницю між максимальним і мінімальним значеннями ознаки в досліджуваній сукупності. Цей показник дає найзагальніше уявлення про коливання досліджуваного ознаки, оскільки показує різницю лише між граничними значеннями варіантів. Залежність крайніх значень ознаки надає розмаху варіації нестійкий, випадковий характер.
Середнє лінійне відхиленняявляє собою середнє арифметичне з абсолютних (за модулем) відхилень всіх значень аналізованої сукупності від їхньої середньої величини:
Математичне очікування теорії азартних ігор
Математичне очікування – цесередня кількість грошей, яку гравець в азартні ігри може виграти чи програти на даній ставці. Це дуже важливе поняття для гравця, тому що воно є основним для оцінки більшості ігрових ситуацій. Математичне очікування – це також оптимальний інструмент аналізу основних карткових розкладів і ігрових ситуацій.
Припустимо, ви граєте з другом у монетку, щоразу роблячи ставку порівну по $1 незалежно від того, що випаде. Решка – ви виграли, орел – програли. Шанси на те, що випаде решка один до одного, і ви робите $1 до $1. Таким чином, математичне очікування у вас рівне нулю, т.к. з точки зору математики ви не можете знати ви будете вести або програвати після двох кидків або після 200.
Ваш годинний виграш дорівнює нулю. Часовий виграш – це та кількість грошей, яку ви очікуєте виграти за годину. Ви можете кидати монету 500 разів протягом години, але ви не виграєте та не програєте, т.к. Ваші шанси ні позитивні, ні негативні. Якщо дивитися, з погляду серйозного гравця, така система ставок непогана. Але це просто втрата часу.
Але припустимо, хтось хоче поставити $2 проти вашого $1 у цю гру. Тоді ви одразу ж маєте позитивне маточкування в 50 центів з кожної ставки. Чому 50 центів? У середньому одну ставку ви виграєте, другу програєте. Поставте перший долар – і втратите $1, ставите другий – виграєте $2. Ви двічі зробили ставку $1 і йдете попереду на $1. Таким чином кожна з ваших однодоларових ставок дала вам 50 центів.
Якщо за одну годину монета випаде 500 разів, ваш вартовий виграш складе вже $250, т.к. в середньому ви втратили по одному долару 250 разів і виграли по два долари 250 разів. $500 мінус $250 і $250, що і становить сумарний виграш. Зверніть увагу, що матожидання є сумою, яку в середньому ви виграли на одній ставці, дорівнює 50 центам. Ви виграли $250, роблячи ставку по долару 500 разів, що дорівнює 50 центам зі ставки.
Математичне очікування немає нічого спільного з короткочасним результатом. Ваш опонент, який вирішив ставити проти вас $2 міг обіграти вас на перших десяти кидках поспіль, але ви, маючи перевагу ставок 2 до 1 за інших рівних, за будь-яких обставин заробляєте 50 центів з кожної ставки в $1. Немає різниці, ви виграєте або програєте одну ставку або кілька ставок, але тільки за умови, що у вас вистачить готівки, щоб спокійно компенсувати витрати. Якщо ви продовжуватимете ставити так само, то за тривалий період часу ваш виграш підійде до суми матожиданий в окремих кидках.
Щоразу, роблячи ставку з найкращим результатом (ставка, яка може виявитися вигідною на довгій дистанції), коли шанси на вашу користь, ви обов'язково щось виграєте на ній, і не важливо ви втрачаєте її чи ні в даній роздачі. І навпаки, якщо ви зробили ставку з найгіршим результатом (ставка, яка невигідна на довгій дистанції), коли шанси не на вашу користь, ви щось втрачаєте незалежно від того, ви виграли або програли в даній роздачі.
Ви робите ставку з найкращим результатом, якщо маточування у вас позитивне, а воно є позитивним, якщо шанси на вашому боці. Роблячи ставку з найгіршим наслідком, у вас негативне маточування, яке буває, коли шанси проти вас. Серйозні гравці роблять ставки тільки з найкращим результатом, за гіршого – вони пасують. Що означає шанси на вашу користь? Ви можете зрештою виграти більше, ніж приносять реальні шанси. Реальні шанси на те, що випаде решка 1:1, але у вас виходить 2:1 за рахунок співвідношення ставок. У цьому випадку шанси на вашу користь. Ви точно отримуєте найкращий результат із позитивним очікуванням у 50 центів за одну ставку.
Ось складніший приклад математичного очікування. Приятель пише цифри від одного до п'яти і робить ставку $5 проти $1 на те, що ви не визначите загадану цифру. Чи погоджуватись вам на таке парі? Яке тут маточіння?
У середньому чотири рази ви помилитеся. Виходячи з цього, шанси проти того, що ви відгадаєте цифру, складуть 4 до 1. Шанси за те, що при одній спробі ви втратите долар. Тим не менш, ви виграє 5 до 1, при можливості програти 4 до 1. Тому шанси на вашу користь, ви можете приймати парі і сподіватися на найкращий результат. Якщо ви зробите таку ставку п'ять разів, в середньому ви програєте чотири рази $1 і один раз виграєте $5. Виходячи з цього, за всі п'ять спроб ви заробите $1 з позитивним математичним очікуванням 20 центів за одну ставку.
Гравець, який збирається виграти більше, ніж ставить, як у прикладі вище – ловить шанси. І навпаки, він губить шанси, коли передбачає виграти менше, ніж ставить. Гравець, який робить ставку може мати або позитивне, або негативне маточування, яке залежить від того, ловить він або губить шанси.
Якщо ви поставите $50 для того, щоб виграти $10 за ймовірності виграшу 4 до 1, то ви отримаєте негативне маточування $2, т.к. в середньому ви виграєте чотири рази $10 і один раз програєте $50, з чого видно, що втрата за одну ставку складе $10. Але якщо ви поставите $30 для того, щоб виграти $10, при тих же шансах виграшу 4 до 1, то в даному випадку ви маєте позитивне очікування $2, т.к. ви знову виграєте чотири рази по $10 і один раз програєте $30, що становитиме прибуток у $10. Дані приклади показують, перша ставка погана, а друга – хороша.
Математичне очікування є центром будь-якої ігрової ситуації. Коли букмекер закликає футбольних уболівальників ставити $11, щоб виграти $10, то він має позитивне чаклунство з кожних $10 у розмірі 50 центів. Якщо казино виплачує рівні гроші з пасової лінії в крепсі, то позитивне очікування казино становитиме приблизно $1.40 з $100, т.к. ця гра побудована так, що кожен, хто поставив на цю лінію, в середньому програє 50.7% та виграє 49.3% загального часу. Безперечно, саме це начебто мінімальне позитивне маточіння і приносить колосальні прибутки власникам казино по всьому світу. Як зауважив господар казино Vegas World Боб Ступак, «одна тисячна відсотка негативної ймовірності на досить довгій дистанції розорить найбагатшу людину у світі».
Математичне очікування при грі в Покер
Гра в Покер є найбільш показовим та наочним прикладом з точки зору використання теорії та властивостей математичного очікування.
Математичне очікування (англ. Expected Value) у Покері – середня вигода від того чи іншого рішення за умови, що подібне рішення може бути розглянуте в рамках теорії великих чисел та тривалої дистанції. Успішна гра в покер полягає в тому, щоб завжди приймати ходи лише з позитивним математичним очікуванням.
Математичний сенс математичного очікування при грі в покер полягає в тому, що ми часто стикаємося з випадковими величинами при прийнятті рішення (ми не знаємо, які карти на руках у опонента, які карти прийдуть на наступних колах торгівлі). Ми повинні розглядати кожне з рішень з погляду теорії великих чисел, що свідчить, що з досить великий вибірці середнє значення випадкової величини прагнутиме її математичного очікування.
Серед приватних формул для обчислення математичного очікування, в покері найбільше застосовується наступна:
Під час гри в покер математичне очікування можна розраховувати як для ставок, так і для колів. У першому випадку до уваги слід брати фолд-еквіті, у другому – власні шанси банку. Оцінюючи математичного очікування тієї чи іншої ходу слід пам'ятати, що фолд завжди має нульове матожидания. Таким чином, скидання карт буде завжди вигіднішим рішенням, ніж будь-який негативний хід.
Очікування говорить вам про те, що ви можете очікувати (прибуток або збиток) на кожен долар, що ризикує вами. Казино заробляють гроші, оскільки математичне очікування від усіх ігор, які практикуються в них, на користь казино. При досить довгій серії гри очікується, що клієнт втратить свої гроші, оскільки «ймовірність» на користь казино. Однак професійні гравці в казино обмежують свої ігри короткими проміжками часу, тим самим збільшуючи ймовірність своєї користі. Те саме стосується й інвестування. Якщо ваше очікування є позитивним, ви можете заробити більше грошей, роблячи багато угод в короткий період часу. Очікування це ваш відсоток прибутку на виграш, помножений на середній прибуток, мінус ваша ймовірність збитку, помножена на середній збиток.
Покер також можна розглянути з погляду математичного очікування. Ви можете припустити, що певний хід вигідний, але в деяких випадках він може виявитися далеко не кращим, тому що вигідніший інший хід. Допустимо, ви зібрали фул-хаус у п'ятикартковому покері з обміном. Ваш суперник робить ставку. Ви знаєте, що, якщо підвищите ставку, він відповість. Тому підвищення виглядає найкращою тактикою. Але якщо ви все ж таки підніміть ставку, що залишилися двоє гравців, точно скинуть карти. Але якщо ви зрівняєте ставку, то повністю впевнені, що двоє інших гравців після вас надійдуть також. При підвищенні ставки ви отримуєте одну одиницю, а просто зрівнюючи дві. Таким чином, вирівнювання дає вам більш високе позитивне математичне очікування, і буде найкращою тактикою.
Математичне очікування також може дати поняття про те, яка тактика в покері менш вигідна, а яка – більше. Наприклад, граючи на певній руці, ви вважаєте, що втрати в середньому складуть 75 центів, включаючи анте, то таку руку слід грати, т.к. це краще, ніж скинутися, коли анте дорівнює $1.
Іншою важливою причиною для розуміння суті математичного очікування є те, що воно дає вам почуття спокою незалежно від того, чи ви виграли ставку чи ні: якщо ви зробили хорошу ставку або вчасно спасували, ви знатимете, що ви заробили або зберегли певну кількість грошей, яка гравець слабше не зміг вберегти. Набагато складніше скинути карти, якщо ви засмучені тим, що суперник на обміні зібрав сильнішу комбінацію. При цьому гроші, які ви зберегли, не граючи, замість того, щоб ставити, додаються до вашого виграшу за ніч або за місяць.
Просто пам'ятайте, що якщо поміняти ваші руки, ваш суперник відповів би вам, і як ви побачите у статті «фундаментальна покерна теорема» це лише одна з ваших переваг. Ви повинні радіти, коли це станеться. Вам навіть можна навчитися отримувати задоволення від програної роздачі, тому що ви знаєте, що інші гравці на вашому місці програли б набагато більше.
Як говорилося в прикладі з грою в монетку на початку, часовий коефіцієнт прибутку взаємопов'язаний з математичним очікуванням, і це поняття особливо важливе для професійних гравців. Коли ви збираєтеся грати в покер, ви повинні подумки прикинути, скільки ви зможете виграти за годину гри. У більшості випадків вам необхідно буде ґрунтуватися на вашій інтуїції та досвіді, але ви також можете користуватись і деякими математичними викладками. Наприклад, ви граєте в лоуболл з обміном, і спостерігаєте, що три учасники роблять ставки по $10, а потім змінюють дві карти, що є дуже поганою тактикою, ви можете порахувати для себе, що кожного разу, коли вони ставлять $10, вони втрачають близько $2. Кожен з них робить це вісім разів на годину, а отже, всі троє втрачають за годину приблизно $48. Ви один з чотирьох гравців, що залишилися, приблизно рівні, відповідно ці чотири гравці (і ви серед них) повинні розділити $48, і прибуток кожного складе $12 на годину. Ваш часовий коефіцієнт у цьому випадку просто дорівнює вашій долі від суми грошей, програної трьома поганими гравцями за годину.
За великий проміжок часу сумарний виграш гравця становить суму його математичних очікувань окремих роздачах. Чим більше ви граєте з позитивним очікуванням, тим більше виграєте, і навпаки, чим більше роздач з негативним очікуванням ви зіграєте, тим більше ви програєте. Внаслідок цього, слід віддавати перевагу грі, яка зможе максимально збільшити ваше позитивне очікування або зведе нанівець негативне, щоб ви змогли підняти до максимуму ваш годинний виграш.
Позитивне математичне очікування в ігровій стратегії
Якщо ви знаєте, як рахувати карти, у вас може бути перевага перед казино, якщо вони не помітять цього і не викинуть вас геть. Казино люблять п'яних гравців і не переносять карти, що рахують. Перевага дозволить вам з часом виграти більше разів, ніж програти. Хороше управління капіталом при використанні розрахунків математичного очікування може допомогти отримати більше прибутку з вашої переваги і скоротити втрати. Без переваги вам найкраще віддати гроші на благодійність. У грі на біржі перевагу дає система гри, що створює більший прибуток, ніж втрати, різниця цін та комісійні. Жодне управління капіталом не врятує погану ігрову систему.
Позитивне очікування визначається значенням, що перевищує нуль. Чим більше це число, тим сильніше статистичне очікування. Якщо значення менше нуля, то математичне очікування також буде негативним. Чим більший модуль від'ємного значення, тим гірша ситуація. Якщо результат дорівнює нулю, то очікування є беззбитковим. Ви можете виграти тільки тоді, коли у вас є позитивне математичне очікування, розумна система гри. Гра інтуїції призводить до катастрофи.
Математичне очікування та біржова торгівля
Математичне очікування – досить широко затребуваний та популярний статистичний показник під час здійснення біржових торгів на фінансових ринках. Насамперед цей параметр використовують для аналізу успішності торгівлі. Не складно здогадатися, що чим більше це значення, тим більше підстав вважати успішну торгівлю. Звичайно, аналіз роботи трейдера не може проводитися тільки за допомогою даного параметра. Тим не менш, обчислюване значення в сукупності з іншими способами оцінки якості роботи може істотно підвищити точність аналізу.
Математичне очікування часто обчислюється у сервісах моніторингів торгових рахунків, що дозволяє швидко оцінювати роботу, що здійснюється на депозиті. Як винятки можна навести стратегії, у яких використовується “пересиджування” збиткових угод. Трейдеру може деякий час супроводжувати успіх, а тому, в його роботі може не виявитися збитків взагалі. У такому разі, орієнтуватися тільки за мотаченням не вийде, адже не будуть враховані ризики, що використовуються в роботі.
У торгівлі над ринком математичне очікування найчастіше застосовують під час прогнозування прибутковості будь-якої торгової стратегії чи прогнозування доходів трейдера з урахуванням статистичних даних його попередніх торгів.
Щодо управління капіталом дуже важливо розуміти, що при здійсненні угод з негативним очікуванням немає схеми управління грошима, яка може однозначно принести високий прибуток. Якщо ви продовжуєте грати на біржі в цих умовах, то незалежно від способу управління грошима ви втратите весь ваш рахунок, хоч би яким великим він був на початку.
Ця аксіома вірна не тільки для гри або операцій з негативним очікуванням, вона дійсна також для гри з рівними шансами. Тому єдиний випадок, коли ви маєте шанс отримати вигоду в довгостроковій перспективі, - це укладання угод з позитивним математичним очікуванням.
Відмінність між негативним очікуванням і позитивним очікуванням - це різницю між життям і смертю. Не має значення, наскільки позитивне чи наскільки негативне очікування; важливо лише те, позитивне воно чи негативне. Тому до розгляду питань управління капіталом ви маєте знайти гру з позитивним очікуванням.
Якщо у вас такої гри немає, тоді жодне управління грошима у світі не врятує вас. З іншого боку, якщо у вас є позитивне очікування, то можна за допомогою правильного управління грошима перетворити його на функцію експоненційного зростання. Не має значення, як мало це позитивне очікування! Іншими словами, не має значення, наскільки прибутковою є торгова система на основі одного контракту. Якщо у вас є система, яка виграє 10 доларів на контракт в одній угоді (після відрахування комісійних та прослизання), можна використовувати методи управління капіталом таким чином, щоб зробити її більш прибутковою, ніж систему, яка показує середній прибуток 1000 доларів за угоду (після відрахування комісійних та прослизання).
Має значення не те, наскільки прибуткова система була, а те, наскільки точно можна сказати, що система покаже, принаймні, мінімальний прибуток у майбутньому. Тому найбільш важливе приготування, яке може зробити трейдер, це переконатися в тому, що система покаже позитивне математичне очікування в майбутньому.
Щоб мати позитивне математичне очікування у майбутньому, дуже важливо не обмежувати ступеня свободи вашої системи. Це досягається не тільки скасуванням або зменшенням кількості параметрів, що підлягають оптимізації, але також шляхом скорочення якомога більшої кількості правил системи. Кожен параметр, який ви додаєте, кожне правило, яке ви вносите, кожна дрібна зміна, яку ви робите в системі, скорочує кількість ступенів свободи. В ідеалі, вам потрібно побудувати досить примітивну та просту систему, яка постійно приноситиме невеликий прибуток майже на будь-якому ринку. І знову важливо, щоб ви зрозуміли, - не має значення, наскільки прибутковою є система, поки вона прибуткова. Гроші, які ви заробите у торгівлі, будуть зароблені за допомогою ефективного управління грошима.
Торгова система - це просто засіб, який дає вам позитивне математичне очікування, щоб можна було керувати грошима. Системи, які працюють (показують принаймні мінімальний прибуток) тільки на одному або кількох ринках або мають різні правила або параметри для різних ринків, найімовірніше, не працюватимуть у режимі реального часу досить довго. Проблема більшості технічно орієнтованих трейдерів полягає в тому, що вони витрачають надто багато часу та зусиль на оптимізацію різних правил та значень параметрів торгової системи. Це дає цілком протилежні результати. Замість того, щоб витрачати сили та комп'ютерний час на збільшення прибутків торгової системи, спрямуйте енергію на збільшення рівня надійності отримання мінімального прибутку.
Знаючи, що управління капіталом - це лише числова гра, яка вимагає використання позитивних очікувань, трейдер може припинити пошуки "священного Грааля" біржової торгівлі. Натомість він може зайнятися перевіркою свого торговельного методу, з'ясувати, наскільки цей метод логічно обґрунтований, чи дає він позитивні очікування. Правильні методи управління капіталом, що застосовуються стосовно будь-яких, навіть дуже посередніх методів ведення торгівлі, самі зроблять решту роботи.
Будь-якому трейдеру для успіху у своїй роботі необхідно вирішити три найважливіші завдання: . Домогтися, щоб кількість вдалих угод перевищувала неминучі помилки та прорахунки; Налаштувати свою систему торгівлі так, щоб можливість заробітку була якнайчастіше; Досягти стабільності позитивного результату своїх операцій.
І тут нам, працюючим трейдерам, непогану допомогу може надати математичне очікування. Цей термін теоретично ймовірності одна із ключових. З його допомогою можна дати усереднену оцінку деяким випадковим значенням. Математичне очікування випадкової величини подібно до центру тяжкості, якщо уявити всі можливі ймовірності точками з різною масою.
Що стосується торгової стратегії з метою оцінки її ефективності найчастіше використовують математичне очікування прибутку (чи збитку). Цей параметр визначають, як суму творів заданих рівнів прибутку та втрат та ймовірності їх появи. Наприклад, розроблена стратегія торгівлі передбачає, що 37% всіх операцій принесуть прибуток, а частина – 63% - буде збитковою. При цьому, середній дохід від вдалої угоди складе 7 доларів, а середній програш дорівнюватиме 1,4 долара. Розрахуємо математичне очікування торгівлі за такою системою:
Що означає це число? Воно говорить про те, що, дотримуючись правил цієї системи, в середньому ми отримуватимемо 1,708 долара від кожної закритої угоди. Оскільки отримана оцінка ефективності більша за нуль, то таку систему цілком можна використовувати для реальної роботи. Якщо ж у результаті розрахунку математичне очікування вийде негативним, це вже говорить про середній збиток і така торгівля призведе до руйнування.
Обсяг прибутку однією угоду то, можливо виражений ще й відносної величиною як %. Наприклад:
- Відсоток доходу на 1 угоду - 5%;
- Відсоток успішних торгових операцій - 62%;
- Відсоток збитку в розрахунку на 1 угоду - 3%;
- Відсоток невдалих угод - 38%;
Тобто середня угода принесе 1,96%.
Можна розробити систему, яка попри переважання збиткових угод даватиме позитивний результат, оскільки її МО>0.
Втім, одного очікування мало. Важко заробити, якщо система дає дуже мало торгових сигналів. У цьому випадку її прибутковість буде порівнянна з банківським відсотком. Нехай кожна операція дає в середньому лише 0,5 долара, але якщо система передбачає 1000 операцій на рік? Це буде дуже серйозна сума за порівняно короткий час. З цього логічно випливає, що ще однією відмітною ознакою хорошої торгової системи вважатимуться короткий термін утримання позицій.
Джерела та посилання
dic.academic.ru – академічний інтернет-словник
mathematics.ru – освітній сайт з математики
nsu.ru – освітній веб-сайт Новосибірського державного університету
webmath.ru – освітній портал для студентів, абітурієнтів та школярів.
exponenta.ru освітній математичний сайт
ru.tradimo.com – безкоштовна онлайн школа трейдингу
crypto.hut2.ru – багатопрофільний інформаційний ресурс
poker-wiki.ru – вільна енциклопедія покеру
sernam.ru – Наукова бібліотека вибраних природничо-наукових видань
reshim.su – інтернет сайт РЕШИМО задачі контрольні курсові
unfx.ru - Forex на UNFX: навчання, торгові сигнали, довірче управління
slovopedia.com – Великий Енциклопедичний словник Словопедія
pokermansion.3dn.ru - Ваш гід у світі покеру
statanaliz.info – інформаційний блог «Статистичний аналіз даних»
форекс-трейдер.рф – портал Форекс-Трейдер
megafx.ru – актуальна аналітика Форекс
fx-by.com – все для трейдера
Тобто, якщо сл. величина має закон розподілу, то
називаєтьсяїї математичним очікуванням. Якщо сл. величина має нескінченну кількість значень, то математичне очікування визначається сумою нескінченного ряду 
, за умови, що цей ряд абсолютно сходиться (інакше говорять, що математичне очікування не існує) .
Для безперервний сл. величини, заданої функцією щільності імовірності F(x), математичне очікування визначається у вигляді інтегралу
за умови, що цей інтеграл існує (якщо інтеграл розходиться, то кажуть, що математичне очікування немає).
Приклад 1. Визначимо математичне очікування випадкової величини розподіленої по закону Пуассона. За визначенням
або позначимо
, 
Значить, параметр , визначальний закон розподілу пуассонівської випадкової величини дорівнює середньому значенню цієї величини.
Приклад 2. Для випадкової величини, що має показовий закон розподілу , математичне очікування дорівнює
(
):
(в інтегралі межі взяти, з врахуванням того, що f(x) відмінна від нуля тільки при позитивних x).
Приклад 3. Випадкова величина, розподілена за законом розподілу Коші, немає середнього значення. Дійсно
Властивості математичного очікування.
Властивість 1. Математичне очікування постійної дорівнює самій цій постійній.
Постійна приймає це значення з ймовірністю одиниця і за визначенням М(С)=С×1=С
Властивість 2. Математичне очікування алгебраїчної суми випадкових величин дорівнює сумі алгебри їх математичних очікувань.
Обмежимося доказом цієї якості лише суми двох дискретних випадкових величин, тобто. доведемо, що
Під сумою двох дискретних сл. Величин розуміється сл. Величина, яка набуває значення з ймовірностями
За визначенням
де ймовірність події , обчислена за умови, що . У правій частині останньої рівності перераховані всі випадки появи події, тому дорівнює ймовірності появи події, тобто. 
. Аналогічно 
. Остаточно маємо
Властивість 3. Математичне очікування твору двох незалежних випадкових величин дорівнює твору їхніх математичних очікувань.
| У | … | |||||||
| Q | … | |||||||
| Х | … | |||||||
| Р | … | |||||||
Наведемо докази цієї властивості лише дискретних величин. Для безперервних випадкових величин воно доводиться аналогічно.
Нехай Х та У незалежні та мають закони розподілу
Добутком цих випадкових величин буде випадкова величина, яка приймає значення з рівними ймовірностями, в силу незалежності випадкових величин, . Тоді
Слідство. Постійний множник можна виносити за знак математичного очікування. Так постійна З не залежить від того яке значення прийме сл. величина X, то за якістю 3. маємо
М(СХ)=М(С)×М(Х)=С×М(Х)
приклад. Якщо a і b постійні, М(ах+b)=аМ(х)+b.
Математичне очікування кількості появи події у схемі незалежних випробувань.
Нехай виробляється n незалежних дослідів, імовірність появи події у кожному з яких дорівнює Р. Число появ події в цих n дослідах є випадковою величиною Х розподіленою за біноміальним законом. Однак, безпосереднє обчислення її середнього значення є громіздким. Для спрощення скористаємося розкладанням, яким будемо користуватися надалі неодноразово: Число появи події в n дослідах складається з числа події в окремих дослідах, тобто.
де має закон розподілу (приймає значення 1, якщо подія в цьому досвіді відбулося, і значення 0, якщо подія в цьому досвіді не з'явилося).
| Р | 1-р | р |
Тому
тобто. середня кількість події в n незалежних дослідах дорівнює добутку числа дослідів на ймовірність появи події в одному досвіді.
Наприклад, якщо ймовірність влучення в ціль при одному пострілі дорівнює 0,1, то середня кількість влучення в 20 пострілах дорівнює 20×0,1=2.
Математичне очікування - це визначення
Мат очікування - цеодне з найважливіших понять у математичній статистиці та теорії ймовірностей, що характеризує розподіл значень чи ймовірностейдовільної величини. Зазвичай виражається як середньозважене значення всіх можливих параметрів випадкової величини. Широко застосовується під час проведення технічного аналізу, дослідженні числових рядів, вивченні безперервних та тривалих процесів. Має важливе значення при оцінці ризиків, прогнозуванні цінових показників при торгівлі на фінансових ринках, використовується при розробці стратегій та методів ігрової тактики теорії азартних ігор.
Мат очікування- цесереднє значення випадкової величини, розподіл ймовірностейвипадкової величини у теорії ймовірностей.
Мат очікування - цеміра середнього значення випадкової величини теоретично ймовірності. Мат очікування випадкової величини xпозначається M(x).
Математичне очікування (Population mean) – це
Мат очікування - це
Мат очікування - цетеоретично ймовірності середньозважена величина всіх можливих значень, які може приймати ця випадкова величина.
Мат очікування - цесума творів всіх можливих значень випадкової величини на ймовірність цих значень.
Математичне очікування (Population mean) – це
Мат очікування - цесередня вигода від того чи іншого рішення за умови, що подібне рішення може бути розглянуте в рамках теорії великих чисел та тривалої дистанції.
Мат очікування - цев теорії азартних ігор сума виграшу, яку може заробити чи програти спекулянт, у середньому за кожною ставкою. Мовою азартних спекулянтівце іноді називається «перевагою спекулянта(якщо воно позитивне для спекулянта) або «перевагою казино» (якщо воно негативне для спекулянта).
Математичне очікування (Population mean) – це
Мат очікування - цепрофіту на виграш, помножений на середню прибуток, мінус збитку, помножена на середні збитки.
Математичне очікування випадкової величини у математичній теорії
Однією з важливих числових характеристик випадкової величини є очікування. Введемо поняття системи випадкових величин. Розглянемо сукупність випадкових величин, які є результатами одного й того самого випадкового експерименту. Якщо - одне з можливих значень системи, то події відповідає певна ймовірність, що задовольняє аксіомам Колмогорова. Функція, визначена за будь-яких можливих значеннях випадкових величин, називається спільним законом розподілу. Ця функція дозволяє обчислювати ймовірності будь-яких подій. Зокрема, спільний законрозподілу випадкових величин і, які приймають значення з множини та, задається ймовірностями.
Термін «мат. очікування» введений П'єром Симоном маркізом де Лапласом (1795) і походить від поняття «очікуваного значення виграшу», що вперше з'явився в 17 столітті в теорії азартних ігор у працях Блеза Паскаля і Християна Гюйгенса. Однак перше повне теоретичне осмислення та оцінка цього поняття дано Пафнутієм Львовичем Чебишевим (середина 19 століття).
Законрозподіл випадкових числових величин (функція розподілу і ряд розподілу або щільність ймовірності) повністю описують поведінку випадкової величини. Але в ряді завдань достатньо знати деякі числові характеристики досліджуваної величини (наприклад, її середнє значення та можливе відхилення від нього), щоб відповісти на поставлене запитання. Основними числовими характеристиками випадкових величин є мат очікування, дисперсія, мода та медіана.
Мат очікуванням дискретної випадкової величини називається сума творів її можливих значень відповідні їм ймовірності. Іноді мат. очікування називають виваженим середнім, тому що воно приблизно дорівнює середньому арифметичному спостерігаються значень випадкової величини при великій кількості дослідів. З визначення мат очікування слід, що його значення не менше за найменше можливого значення випадкової величини і не більше за найбільше. Мат очікування випадкової величини є невипадковою (постійною) величиною.
Мат очікування має простий фізичний зміст: якщо на прямій розмістити одиничну масу, помістивши в деякі точки деяку масу (для дискретного розподілу), або «розмазавши» її з певною щільністю (для абсолютно безперервного розподілу), то точка, що відповідає мат очікуванню, буде координатою центру тяжкості прямий.
Середнє значення випадкової величини є деяке число, що є як би її «представником» і замінює її при грубо орієнтовних розрахунках. Коли ми говоримо: «середній час роботи лампи дорівнює 100 годин» або «середня точка влучення зміщена щодо мети на 2 м вправо», ми вказуємо певну числову характеристику випадкової величини, що описує її місце розташування на числовій осі, тобто. "Характеристику становища".
З характеристик становища теорії ймовірностей найважливішу роль грає мат очікування випадкової величини, яке іноді називають просто середнім значенням випадкової величини.
Розглянемо випадкову величину Х, що має можливі значення х1, х2, …, хnз ймовірностями p1, p2, …, pn. Нам потрібно охарактеризувати якимось числом положення значень випадкової величини на осі абсцис з облікомте, що ці значення мають різні ймовірності. Для цієї мети природно скористатися так званим «середнім виваженим» із значень xi, причому кожне значення xi при середовищі має враховуватися з «вагою», пропорційною ймовірності цього значення. Таким чином, ми обчислимо середню випадкову величину X, яке ми позначимо M | X |:
Це середнє зважене значення називається мат очікуванням випадкової величини. Отже, ми запровадили у розгляді одне з найважливіших понять теорії ймовірностей - поняття мат. очікування. Мат. очікуванням випадкової величини називається сума творів усіх можливих значень випадкової величини на ймовірності цих значень.
Мат. очікування випадкової величини Хпов'язано своєрідною залежністю із середнім арифметичним спостережених значень випадкової величини при великій кількості дослідів. Ця залежність того ж типу, як залежність між частотою і ймовірністю, а саме: при великій кількості дослідів середнє арифметичне спостереження значень випадкової величини наближається (збігається по ймовірності) до її мат. очікування. З наявності зв'язку між частотою та ймовірністю можна вивести як наслідок наявність подібного ж зв'язку між середнім арифметичним та математичним очікуванням. Справді, розглянемо випадкову величину Х, що характеризується рядом розподілу:
Нехай проводиться Nнезалежних дослідів, у кожному з яких величина Xнабуває певного значення. Припустимо, що значення x1з'явилося m1раз, значення x2з'явилося m2раз, взагалі значення xiз'явилося mi разів. Обчислимо середнє арифметичне спостерігання значень величини Х, яке, на відміну від мат очікування М | X |ми позначимо M*|X|:
При збільшенні дослідів Nчастоти piбудуть наближатися (збігатися ймовірно) до відповідних ймовірностей. Отже, і середнє арифметичне спостереження значень випадкової величини M | X |зі збільшенням кількості дослідів наближатися (збігається ймовірно) до її мат очікування. Сформульований вище зв'язок між середнім арифметичним та мат. очікуванням становить зміст однієї із форм закону великих чисел.
Ми вже знаємо, що всі форми закону великих чисел констатують факт стійкості деяких середніх за великої кількості дослідів. Тут йдеться про стійкість середнього арифметичного із низки спостережень однієї й тієї ж величини. При невеликій кількості дослідів середнє арифметичне їх результатів випадково; при достатньому збільшенні числа дослідів воно стає «майже випадковим» і, стабілізуючись, наближається до постійної величині - мат. очікування.
Властивість стійкості середніх за великої кількості дослідів легко перевірити експериментально. Наприклад, зважуючи якесь тіло в лабораторії на точних терезах, ми в результаті зважування отримуємо щоразу нове значення; Щоб зменшити помилку спостереження, ми зважуємо тіло кілька разів і користуємося середнім арифметичним отриманим значенням. Легко переконатися, що при подальшому збільшенні числа дослідів (зважувань) середнє арифметичне реагує на це збільшення дедалі менше і при досить великій кількості дослідів практично перестає змінюватися.
Слід зазначити, що найважливіша характеристика положення випадкової величини – мат. очікування – існує не для всіх випадкових величин. Можна скласти приклади таких випадкових величин, котрим мат. очікування немає, оскільки відповідна сума чи інтеграл розходяться. Однак для практики такі випадки суттєвого інтересу не становлять. Зазвичай випадкові величини, з якими ми маємо справу, мають обмежену область можливих значень і, безумовно, мають мат очікування.
Крім найважливішої з характеристик становища випадкової величини - мат очікування, - практично іноді застосовуються й інші характеристики становища, зокрема, мода і медіана випадкової величини.
Модою випадкової величини називається її найімовірніше значення. Термін «найбільш ймовірне значення», строго кажучи, застосовується тільки до перервних величин; для безперервної величини модою є значення, в якому щільність ймовірності максимальна. На малюнках показана мода відповідно для перервної та безперервної випадкових величин.
Якщо багатокутник розподілу (крива розподілу) має більше одного максимуму, розподіл називається полімодальним.
Іноді зустрічаються розподіли, що мають посередині не максимум, а мінімум. Такі розподіли називають «антимодальними».
У випадку мода і мат очікування випадкової величини не збігаються. В окремому випадку, коли розподіл є симетричним і модальним (тобто має моду) і існує мат. очікування, воно збігається з модою і центром симетрії розподілу.
Часто застосовується ще одна характеристика становища – так звана медіана випадкової величини. Цією характеристикою користуються зазвичай лише безперервних випадкових величин, хоча формально можна визначити й у перервної величини. Геометрично медіана - це абсцис точки, в якій площа, обмежена кривою розподілу, ділиться навпіл.
У разі симетричного модального розподілу медіана збігається із мат. очікуванням та модою.
Мат очікування є середнє значення, випадкової величини - числова характеристика розподілу ймовірностей випадкової величини. Найзагальнішим чином мат очікування випадкової величини Х(w)визначається як інтеграл Лебега по відношенню до імовірнісної міри Ру вихідному імовірнісному просторі:
Мат. очікування може бути обчислено і як інтеграл Лебега від хщодо розподілу ймовірностей рхвеличини X:
Природно можна визначити поняття випадкової величини з нескінченним мат очікуванням. Типовим прикладом є часи репатріації в деяких випадкових блуканнях.
За допомогою мат. очікування визначаються багато чисельних і функціональних характеристик розподілу (як мат. очікування відповідних функцій від випадкової величини), наприклад, що виробляє функція, характеристична функція, моменти будь-якого порядку, зокрема дисперсія, коваріація.
Математичне очікування (Population mean) – це
Мат очікування є характеристикою розташування значень випадкової величини (середнє значення її розподілу). У цьому ролі математичне очікування служить деяким " типовим " параметром розподілу та її роль аналогічна ролі статичного моменту - координати центру тяжкості розподілу маси - у механіці. Від інших характеристик розташування, за допомогою яких розподіл описується в загальних рисах, - медіан, мод, мат очікування відрізняється тим більшим значенням, яке і відповідна йому характеристика розсіювання - дисперсія - мають у граничних теоремах теорії ймовірностей. З найбільшою повнотою сенс мат очікування розкривається законом великих чисел (нерівність Чебишева) і посиленим законом великих чисел.
Математичне очікування (Population mean) – це
Математичне очікування дискретної випадкової величини
Нехай є деяка випадкова величина, яка може набути одного з кількох числових значень (припустимо, кількість очок при кидку кістки може бути 1, 2, 3, 4, 5 або 6). Часто на практиці для такої величини виникає питання: а яке значення вона набуває "в середньому" при великій кількості тестів? Яким буде наш середній прибуток (або збиток) від кожної з ризикованих операцій?
Скажімо, є якась лотерея. Ми хочемо зрозуміти, вигідно чи ні в ній взяти участь (або навіть брати участь неодноразово, регулярно). Допустимо, виграшний кожен четвертий квиток, приз складе 300 руб., а будь-якого квитка – 100 руб. За нескінченно великої кількості участі виходить ось що. У трьох чвертях випадків ми програємо, кожні три програші коштуватимуть 300 руб. У кожному четвертому випадку ми виграємо 200 руб. (Приз мінус вартість), тобто за чотири участі ми в середньому втрачаємо 100 руб., За одну – у середньому 25 руб. Разом у середньому темпи нашого руйнування становитимуть 25 крб./квиток.
Кидаємо гральну кістку. Якщо вона не шахрайська (без усунення центру тяжкості тощо), то скільки ми в середньому матимемо очок за раз? Оскільки кожен варіант рівноймовірний, беремо тупо середнє арифметичне та отримуємо 3,5. Оскільки це СЕРЕДНІШЕ, то нема чого обурюватися, що 3,5 очок ніякий конкретний кидок не дасть - ну немає у цього куба грані з таким числом!
Тепер узагальним наші приклади:
Звернемося до щойно наведеної картинки. Зліва табличка розподілу випадкової величини. Величина X може набувати одного з n можливих значень (наведені у верхньому рядку). Жодних інших значень не може бути. Під кожним можливим значенням знизу підписано його можливість. Справа наведена формула, де M(X) і називається мат. очікуванням. Сенс цієї величини в тому, що при великій кількості випробувань (при великій вибірці) середнє значення буде прагнути цього самого мат очікування.
Повернемося знову до того ж грального куба. Мат. очікування кількості очок при кидку дорівнює 3,5 (вважайте самі за формулою, якщо не вірите). Скажімо, ви кинули його кілька разів. Випали 4 та 6. У середньому вийшло 5, тобто далеко від 3,5. Кинули ще раз, випало 3, тобто в середньому (4 + 6 + 3) / 3 = 4,3333 ... Якось далеко від мат. очікування. А тепер проведіть божевільний експеримент – киньте куб 1000 разів! І якщо в середньому не буде рівно 3,5, то буде близько до того.
Порахуємо мат. очікування для описаної вище лотереї. Табличка виглядатиме ось так:
Тоді мат очікування складе, як ми встановили вище.
Інша річ, що так само "на пальцях", без формули, було б важкувато, якби було більше варіантів. Ну скажімо, було б 75% програшних квитків, 20% виграшних квитків та 5% особливо виграшних.
Тепер деякі властивості мат очікування.
Мат. очікування є лінійним.Довести це просто:
Постійний множник дозволяється виносити за знак мат. очікування, тобто:
Це є окремим випадком якості лінійності мат очікування.
Інше наслідок лінійності мат. очікування:
тобто мат. очікування суми випадкових величин дорівнює сумі математичних очікувань випадкових величин.
Нехай X, Y – незалежні випадкові величинитоді:
Це теж нескладно довести) Твір XYсамо є випадковою величиною, при цьому якщо вихідні величини могли приймати nі mзначень відповідно, то XYможе набувати nm значень. кожного з значень обчислюється з огляду на те, що ймовірності незалежних подій перемножуються. У результаті отримуємо ось що:
Математичне очікування безперервної випадкової величини
Безперервні випадкові величини мають таку характеристику, як щільність розподілу (щільність ймовірності). Вона, по суті характеризує ситуацію, що деякі значення з множини дійсних чисел випадкова величина набуває частіше, деякі - рідше. Наприклад, розглянемо ось який графік:
Тут X- Власне випадкова величина, f(x)- Щільність розподілу. Судячи з даного графіку, при дослідах значення Xчасто буде числом, близьким до нуля. Шанси ж перевищити 3 або виявитися менше -3 скоріше чисто теоретичні.
Якщо відома щільність розподілу, то мат очікування шукається так:
Нехай, наприклад, є рівномірний розподіл:
Знайдемо мат. очікування:
Це цілком відповідає інтуїтивному розумінню. Скажімо, якщо ми отримуємо при рівномірному розподілі багато випадкових дійсних чисел, кожне із відрізків |0; 1| , то середнє арифметичне має бути близько 0,5.
Властивості мат очікування - лінійність і т.д., застосовні для дискретних випадкових величин, застосовні і тут.
Взаємозв'язок математичного очікування з іншими статистичними показниками
У статистичномуаналізі поряд з мат очікуванням існує система взаємозалежних показників, що відображають однорідність явищ та стійкість процесів. Часто показники варіації немає самостійного сенсу і використовуються подальшого аналізу даних. Винятком є коефіцієнт варіації, що характеризує однорідність даних, що є цінною статистичноїхарактеристикою.
Ступінь мінливості чи стійкості процесіву статистичній науці може вимірюватися за допомогою кількох показників.
Найбільш важливим показником, що характеризує мінливістьвипадкової величини, є Дисперсія, яка найтіснішим і безпосереднім чином пов'язана з мат. очікуванням. Цей параметр активно використовують у інших видах статистичного аналізу (перевірка гіпотез, аналіз причинно-наслідкових зв'язків та інших.). Як і середнє лінійне відхилення, дисперсія також відображає міру розкиду данихдовкола середньої величини.
Мова знаків корисно перекласти мовою слів. Вийде, що дисперсія – це середній квадрат відхилень. Тобто спочатку розраховується середнє значення, потім береться різниця між кожним вихідним та середнім значенням, зводиться у квадрат, складається і потім ділиться на кількість значень у цій сукупності. Різницяміж окремим значенням та середньою відображає міру відхилення. У квадрат зводиться для того, щоб усі відхилення стали виключно позитивними числами і щоб уникнути взаємознищення позитивних та негативних відхилень при їхньому сумуванні. Потім, маючи квадрати відхилень, ми просто розраховуємо середню арифметичну. Середній – квадрат – відхилень. Відхилення зводяться у квадрат, і вважається середня. Розгадка магічного слова «дисперсія» полягає лише у трьох словах.
Однак у чистому вигляді, як, наприклад, середня арифметична, або дисперсія не використовується. Це скоріше допоміжний та проміжний показник, який використовується для інших видів статистичного аналізу. У неї навіть одиниці вимірювання нормальної немає. Судячи з формули, це квадрат одиниці виміру вихідних даних.
Математичне очікування (Population mean) – це
Нехай ми вимірюємо випадкову величину Nразів, наприклад, десять разів вимірюємо швидкість вітру та хочемо знайти середнє значення. Як пов'язане середнє значення з функцією розподілу?
Або кидатимемо гральний кубик велику кількість разів. Кількість очок, що випаде на кубику при кожному кидку, є випадковою величиною і може набувати будь-яких натуральних значень від 1 до 6. Середнє арифметичне випалих очок, підрахованих за всі кидки кубика, теж є випадковою величиною, проте при великих Nвоно прагне цілком конкретного числа - мат. очікування Mx. У разі Mx = 3,5.
Як вийшла ця величина? Нехай у Nвипробуваннях n1раз випало 1 очко, n2разів - 2 очки і так далі. Тоді кількість наслідків, у яких випало одне очко:
Аналогічно для наслідків, коли випало 2, 3, 4, 5 та 6 очок.
Припустимо тепер, що знаємо розподілу випадкової величини x, тобто знаємо, що випадкова величина x може набувати значення x1, x2,..., xk з ймовірностями p1, p2,..., pk.
Мат очікування Mx випадкової величини x дорівнює:
Мат очікування не завжди є розумною оцінкою якоїсь випадкової величини. Так, для оцінки середньої заробітної плати розумніше використовувати поняття медіани, тобто такої величини, що кількість людей, які отримують меншу, ніж медіана, зарплатуі більшу, збігаються.
Імовірність р1 того, що випадкова величина х виявиться меншою за х1/2, і ймовірність р2 того, що випадкова величина x виявиться більшою за х1/2, однакові й рівні 1/2. Медіана визначається однозначно задля всіх розподілів.
Стандартним або Середньоквадратичним відхиленняму статистиці називається ступінь відхилення даних спостережень чи множин від СЕРЕДНЬОГО значення. Позначається літерами s чи s. Невелике стандартне відхилення вказує на те, що дані групуються навколо середнього значення, а значне - що початкові дані розташовані далеко від нього. Стандартне відхилення дорівнює квадратному кореню величини, яка називається дисперсією. Вона є середня кількість суми зведених у квадрат різниць початкових даних, що відхиляються від середнього значення. Середньоквадратичним відхиленням випадкової величини називається квадратний корінь з дисперсії:
приклад. В умовах випробувань при стрільбі по мішені обчислити дисперсію та середньоквадратичне відхилення випадкової величини:
Варіація- коливання, змінність величини ознаки в одиниць сукупності. Окремі числові значення ознаки, що зустрічаються в сукупності, що вивчається, називають варіантами значень. Недостатність середньої величини для повної характеристики сукупності змушує доповнювати середні величини показниками, що дозволяють оцінити типовість цих середніх шляхом вимірювання коливання (варіації) ознаки, що вивчається. Коефіцієнт варіації обчислюють за такою формулою:
Розмах варіації(R) являє собою різницю між максимальним і мінімальним значеннями ознаки в досліджуваній сукупності. Цей показник дає найзагальніше уявлення про коливання досліджуваного ознаки, оскільки показує різницюлише між граничними значеннями варіантів. Залежність крайніх значень ознаки надає розмаху варіації нестійкий, випадковий характер.
Середнє лінійне відхиленняявляє собою середнє арифметичне з абсолютних (за модулем) відхилень всіх значень аналізованої сукупності від їхньої середньої величини:
Математичне очікування теорії азартних ігор
Мат очікування - цесередня кількість грошей, яку спекулянт в азартні ігри може виграти чи програти на даній ставці. Це дуже суттєве поняття для спекулянта, тому що воно є основоположним для оцінки більшості ігрових ситуацій. Мат очікування – це також оптимальний інструмент для аналізу основних карткових розкладів та ігрових ситуацій.
Припустимо, ви граєте з другом у монетку, щоразу роблячи ставку порівну по $1 незалежно від того, що випаде. Решка – ви виграли, орел – програли. Шанси на те, що випаде решка один до одного, і ви робите $1 до $1. Таким чином, мат очікування у вас дорівнює нулю, т.к. з точки зору математики ви не можете знати ви будете вести або програвати після двох кидків або після 200.
Ваш годинний виграш дорівнює нулю. Часовий виграш - це та кількість грошей, яку ви очікуєте виграти за годину. Ви можете кидати монету 500 разів протягом години, але ви не виграєте та не програєте, т.к. Ваші шанси ні позитивні, ні негативні. Якщо дивитися, з погляду серйозного спекулянта, така система ставок непогана. Але це просто втрата часу.
Але припустимо, хтось хоче поставити $2 проти вашого $1 у цю гру. Тоді ви одразу ж маєте позитивне маточкування в 50 центів з кожної ставки. Чому 50 центів? У середньому одну ставку ви виграєте, другу програєте. Поставте перший – і втратите $1, ставите другий – виграєте $2. Ви двічі зробили ставку $1 і йдете попереду на $1. Таким чином, кожна з ваших однодоларових ставок дала вам 50 центів.
Якщо за одну годину монета випаде 500 разів, ваш вартовий виграш складе вже $250, т.к. в середньому ви втратили по одному долару 250 разів і виграли по два долара 250 разів. $500 мінус $250 і $250, що і становить сумарний виграш. Зверніть увагу, що матожидання є сумою, яку в середньому ви виграли на одній ставці, дорівнює 50 центам. Ви виграли $250, роблячи ставку по долару 500 разів, що дорівнює 50 центам зі ставки.
Математичне очікування (Population mean) – це
Мат. очікування немає нічого спільного з короткочасним результатом. Ваш опонент, який вирішив ставити проти вас $2 міг обіграти вас на перших десяти кидках поспіль, але ви, маючи перевагу ставок 2 до 1 за інших рівних, за будь-яких обставин заробляєте 50 центів з кожної ставки в $1. Немає різниці, ви виграєте або програєте одну ставку або кілька ставок, але тільки за умови, що у вас вистачить готівки, щоб спокійно компенсувати витрати. Якщо ви продовжуватимете ставити так само, то за тривалий час ваш виграш підійде до суми матожиданий в окремих кидках.
Щоразу, роблячи ставку з найкращим результатом (ставка, яка може виявитися вигідною на довгій дистанції), коли шанси на вашу користь, ви обов'язково щось виграєте на ній, і не важливо ви втрачаєте її чи ні в даній роздачі. І навпаки, якщо ви зробили ставку з найгіршим результатом (ставка, яка невигідна на довгій дистанції), коли шанси не на вашу користь, ви щось втрачаєте незалежно від того, ви виграли або програли в даній роздачі.
Математичне очікування (Population mean) – це
Ви робите ставку з найкращим результатом, якщо маточування у вас позитивне, а воно є позитивним, якщо шанси на вашому боці. Роблячи ставку з найгіршим наслідком, у вас негативне маточування, яке буває, коли шанси проти вас. Серйозні спекулянти роблять ставки тільки з найкращим результатом, за гіршого - вони пасують. Що означає шанси на вашу користь? Ви можете зрештою виграти більше, ніж приносять реальні шанси. Реальні шанси на те, що випаде решка 1:1, але у вас виходить 2:1 за рахунок співвідношення ставок. У цьому випадку шанси на вашу користь. Ви точно отримуєте найкращий результат із позитивним очікуванням у 50 центів за одну ставку.
Ось складніший приклад мат. очікування. Приятель пише цифри від одного до п'яти і робить ставку $5 проти $1 на те, що ви не визначите загадану цифру. Чи погоджуватись вам на таке парі? Яке тут маточіння?
У середньому чотири рази ви помилитеся. Виходячи з цього, шанси проти того, що ви відгадаєте цифру, складуть 4 до 1. Шанси за те, що при одній спробі ви втратите долар. Тим не менш, ви виграє 5 до 1, при можливості програти 4 до 1. Тому шанси на вашу користь, ви можете приймати парі і сподіватися на найкращий результат. Якщо ви зробите таку ставку п'ять разів, в середньому ви програєте чотири рази $1 і один раз виграєте $5. Виходячи з цього, за всі п'ять спроб ви заробите $1 з позитивним математичним очікуванням 20 центів за одну ставку.
Спекулянт, який має намір виграти більше, ніж ставить, як у прикладі вище, – ловить шанси. І навпаки, він губить шанси, коли передбачає виграти менше, ніж ставить. Спекулянт, який робить ставку може мати або позитивне, або негативне маточування, яке залежить від того, ловить він чи губить шанси.
Якщо ви поставите $50 для того, щоб виграти $10 за ймовірності виграшу 4 до 1, то ви отримаєте негативне маточування $2, т.к. в середньому ви виграєте чотири рази $10 і один раз програєте $50, з чого видно, що втрата за одну ставку складе $10. Але якщо ви поставите $30 для того, щоб виграти $10, при тих же шансах виграшу 4 до 1, то в даному випадку ви маєте позитивне очікування $2, т.к. ви знову виграєте чотири рази по $10 і один раз програєте $30, що становитиме прибутоку $10. Дані приклади показують, перша ставка погана, а друга - хороша.
Мат. очікування є центром будь-якої ігрової ситуації. Коли букмекер закликає футбольних уболівальників ставити $11, щоб виграти $10, то він має позитивне чаклунство з кожних $10 у розмірі 50 центів. Якщо казино виплачує рівні гроші з пасової лінії в крепсі, то позитивне очікування казино становитиме приблизно $1.40 з $100, т.к. ця гра побудована так, що кожен, хто поставив на цю лінію, в середньому програє 50.7% та виграє 49.3% загального часу. Безперечно, саме це начебто мінімальне позитивне маточіння і приносить колосальні профіти власникам казино по всьому світу. Як зауважив господар казино Vegas World Боб Ступак, «одна тисячна відсотканегативної ймовірності на досить довгій дистанції розорить найбагатшу людину у світі».
Математичне очікування при грі в Покер
Гра в Покер є найбільш показовим і наочним прикладом з точки зору використання теорії та властивостей мат очікування.
Мат. очікування (англ. Expected Value) у Покері – середня вигода від того чи іншого рішення за умови, що подібне рішення може бути розглянуте в рамках теорії великих чисел та тривалої дистанції. Успішна гра в покер полягає в тому, щоб завжди приймати ходи лише з позитивним математичним очікуванням.
Математичне очікування (Population mean) – це
Математичне значення мат. очікування при грі в покер полягає в тому, що ми часто стикаємося з випадковими величинами при прийнятті рішення (ми не знаємо, які карти на руках у опонента, які карти прийдуть на наступних колах торгівлі). Ми повинні розглядати кожне з рішень з точки зору теорії великих чисел, яка свідчить, що при досить великій вибірці середнє значення випадкової величини буде прагнути її мат очікування.
Серед приватних формул для обчислення мат очікування, в покер найбільш застосовна наступна:
Під час гри в покер мат. очікування можна розраховувати як ставок, так коллов. У першому випадку до уваги слід брати фолд-еквіті, у другому – власні шанси банку. Оцінюючи мат. очікування того чи іншого ходу слід пам'ятати, що фолд завжди має нульове маточування. Таким чином, скидання карт буде завжди вигіднішим рішенням, ніж будь-який негативний хід.
Математичне очікування (Population mean) – це
Очікування говорить вам про те, що ви можете очікувати (або збиток) на кожен ризикований вами. Казино заробляють гроші, оскільки мат очікування від усіх ігор, які практикуються в них, на користь казино. При досить довгій серії гри можна очікувати, що клієнт втратить свої грошіоскільки «імовірність» на користь казино. Однак професійні спекулянти в казино обмежують свої ігри короткими проміжками часу, тим самим збільшуючи ймовірність своєї користі. Те саме стосується й інвестування. Якщо ваше очікування є позитивним, ви можете заробити більше грошей, здійснюючи багато угод у короткий періодчасу. Очікування це ваш відсоток профіту на виграш, помножений на середній прибуток, мінус ваша ймовірність збитку, помножена на середній збиток.
Покер також можна розглянути з погляду мат очікування. Ви можете припустити, що певний хід вигідний, але в деяких випадках він може виявитися далеко не кращим, тому що вигідніший інший хід. Допустимо, ви зібрали фул-хаус у п'ятикартковому покері з обміном. Ваш суперник робить ставку. Ви знаєте, що, якщо підвищите ставку, він відповість. Тому підвищення виглядає найкращою тактикою. Але якщо ви все ж таки підніміть ставку, що залишилися двоє спекулянтів, точно скинуть карти. Але якщо ви зрівняєте ставку, то повністю впевнені, що двоє інших спекулянтів після вас надійдуть також. При підвищенні ставки ви отримуєте одну одиницю, а просто зрівнюючи дві. Таким чином, вирівнювання дає вам більш високе позитивне математичне очікування, і буде найкращою тактикою.
Мат. очікування також може дати поняття про те, яка в покер тактика менш вигідна, а яка - більше. Наприклад, граючи на певній руці, ви вважаєте, що втрати в середньому складуть 75 центів, включаючи анте, то таку руку слід грати, т.к. це краще, ніж скинутися, коли анте дорівнює $1.
Іншою важливою причиною для розуміння сутності матюки. очікування є те, що воно дає вам почуття спокою незалежно від того, чи ви виграли ставку чи ні: якщо ви зробили хорошу ставку або вчасно рятували, ви знатимете, що ви заробили або зберегли певну кількість грошей, яку спекулянт слабше не зміг вберегти. Набагато складніше скинути карти, якщо ви засмучені тим, що суперник на обміні зібрав сильнішу комбінацію. При цьому, які ви заощадили, не граючи, замість того, щоб ставити, додаються до вашого виграшу за ніч або за місяць.
Просто пам'ятайте, що якщо поміняти ваші руки, ваш суперник відповів би вам, і як ви побачите у статті «фундаментальна покерна теорема» це лише одна з ваших переваг. Ви повинні радіти, коли це станеться. Вам навіть можна навчитися отримувати задоволення від програної роздачі, тому що ви знаєте, що інші спекулянти на вашому місці програли б набагато більше.
Як говорилося в прикладі з грою в монетку на початку, часовий коефіцієнт профіту взаємопов'язаний з мат очікуванням, і це поняття особливо важливе для професійних спекулянтів. Коли ви збираєтеся грати в покер, ви повинні подумки прикинути, скільки ви зможете виграти за годину гри. У більшості випадків вам необхідно буде ґрунтуватися на вашій інтуїції та досвіді, але ви також можете користуватись і деякими математичними викладками. Наприклад, ви граєте в лоуболл з обміном, і спостерігаєте, що три учасники роблять ставки по $10, а потім змінюють дві карти, що є дуже поганою тактикою, ви можете порахувати для себе, що кожного разу, коли вони ставлять $10, вони втрачають близько $2. Кожен з них робить це вісім разів на годину, а отже, всі троє втрачають за годину приблизно $48. Ви один із чотирьох спекулянтів, що залишилися, приблизно рівні, відповідно ці чотири спекулянти (і ви серед них) повинні розділити $48, і прибуток кожного складе $12 на годину. Ваш часовий коефіцієнт у цьому випадку просто дорівнює вашій долі від суми грошей, програної трьома поганими спекулянтами за годину.
Математичне очікування (Population mean) – це
За великий період сумарний виграш спекулянта становить суму його математичних очікувань в окремих роздачах. Чим більше ви граєте з позитивним очікуванням, тим більше виграєте, і навпаки, чим більше роздач з негативним очікуванням ви зіграєте, тим більше ви програєте. Внаслідок цього, слід віддавати перевагу грі, яка зможе максимально збільшити ваше позитивне очікування або зведе нанівець негативне, щоб ви змогли підняти до максимуму ваш годинний виграш.
Позитивне математичне очікування в ігровій стратегії
Якщо ви знаєте, як рахувати карти, у вас може бути перевага перед казино, якщо вони не помітять цього і не викинуть вас геть. Казино люблять п'яних спекулянтів і не переносять карти, що вважають карти. Перевага дозволить вам з часом виграти більше разів, ніж програти. Хороше управління капіталом при використанні розрахунків мат очікування може допомогти отримати більше профіту з вашої переваги і скоротити втрати. Без переваги вам найкраще віддати гроші на благодійність. У грі на біржі перевагу дає система гри, що створює більший прибуток, ніж втрати, різниця цінта комісійні. Жодне управління капіталомне врятує погану ігрову систему
Позитивне очікування визначається значенням, що перевищує нуль. Чим більше це число, тим більше статистичне очікування. Якщо значення менше від нуля, то мат. очікування також буде негативним. Чим більший модуль негативного значення, тим гірша ситуація. Якщо результат дорівнює нулю, то очікування є беззбитковим. Ви можете виграти тільки тоді, коли у вас є позитивне математичне очікування, розумна система гри. Гра інтуїції призводить до катастрофи.
Математичне очікування та
Мат очікування – досить широко затребуваний та популярний статистичний показник при здійсненні біржових торгів на фінансових ринках. Насамперед цей параметр використовують для аналізу успішності торгівлі. Не складно здогадатися, що чим більше це значення, тим більше підстав вважати успішну торгівлю. Звичайно, аналіз роботитрейдера не може здійснюватися тільки за допомогою цього параметра. Проте обчислюване значення в сукупності з іншими способами оцінки якості роботи, може суттєво підвищити точність аналізу
Мат очікування часто обчислюється в сервісах моніторингів торгових рахунків, що дозволяє швидко оцінювати роботу, що здійснюється на депозиті. Як винятки можна навести стратегії, у яких використовується “пересиджування” збиткових угод. Трейдеруможе деякий час супроводжувати успіх, а тому, в його роботі може не виявитися збитків взагалі. У такому разі, орієнтуватися тільки за мотаченням не вийде, адже не будуть враховані ризики, що використовуються в роботі.
У торгівлі на ринкумат очікування найчастіше застосовують при прогнозуванні доходності будь-якої торгової стратегії або прогнозуванні доходів трейдерана основі статистичних даних його попередніх торгів.
Математичне очікування (Population mean) – це
Щодо управління капіталом дуже важливо розуміти, що при здійсненні угод з негативним очікуванням немає схеми управліннягрошима, яка може однозначно принести високий прибуток. Якщо ви продовжуєте грати на біржіу цих умовах, то незалежно від способу управліннягрошима ви втратите весь ваш рахунок, хоч би яким великим він був на початку.
Ця аксіома вірна не тільки для гри або операцій з негативним очікуванням, вона дійсна також для гри з рівними шансами. Тому єдиний випадок, коли ви маєте шанс отримати вигоду в довгостроковій перспективі, — це укладання угод з позитивним математичним очікуванням.
Відмінність між негативним очікуванням і позитивним очікуванням - це різницю між життям і смертю. Не має значення, наскільки позитивне чи наскільки негативне очікування; важливо лише те, позитивне воно чи негативне. Тому до розгляду питань управління капіталомви повинні знайти гру з позитивним очікуванням.
Якщо у вас такої гри немає, тоді жодне управління грошима у світі не врятує вас. З іншого боку, якщо у вас є позитивне очікування, то можна за допомогою правильного управління грошима перетворити його на функцію експоненційного зростання. Не має значення, як мало це позитивне очікування! Іншими словами, не має значення, наскільки прибутковою є торгова система на основі одного контракту. Якщо у вас є система, яка виграє 10 доларів на контракт в одній угоді (після відрахування комісійних та прослизання), можна використовувати методи управління капіталомтаким чином, щоб зробити її більш прибутковою, ніж систему, яка показує середній прибуток 1000 доларів за угоду (після відрахування комісійних та прослизання).
Має значення не те, наскільки прибуткова система була, а те, наскільки точно можна сказати, що система покаже, принаймні, мінімальний прибуток у майбутньому. Тому найбільш важливе приготування, яке може зробити, це переконатися в тому, що система покаже позитивне математичне очікування в майбутньому.
Щоб мати позитивне математичне очікування у майбутньому, дуже важливо не обмежувати ступеня свободи вашої системи. Це досягається не тільки скасуванням або зменшенням кількості параметрів, що підлягають оптимізації, але також шляхом скорочення якомога більшої кількості правил системи. Кожен параметр, який ви додаєте, кожне правило, яке ви вносите, кожна дрібна зміна, яку ви робите в системі, скорочує кількість ступенів свободи. В ідеалі, вам потрібно побудувати досить примітивну та просту систему, яка постійно приноситиме невеликий прибуток майже на будь-якому ринку. І знову важливо, щоб ви зрозуміли, — не має значення, наскільки прибутковою є система, поки вона прибуткова. , які ви заробите у торгівлі, будуть зароблені за допомогою ефективного управління грошима.
Математичне очікування (Population mean) – це
Торгова система - це просто засіб, який дає вам позитивне математичне очікування, щоб можна було керувати грошима. Системи, які працюють (показують принаймні мінімальний прибуток) тільки на одному або кількох ринках або мають різні правила або параметри для різних ринків, найімовірніше, не працюватимуть у режимі реального часу досить довго. Проблема більшості технічно орієнтованих трейдерів полягає в тому, що вони витрачають надто багато часу та зусиль на оптимізацію різних правил та значень параметрів торгової системи. Це дає цілком протилежні результати. Замість того, щоб витрачати сили та комп'ютерний час на збільшення профітів торгової системи, спрямуйте енергію на збільшення рівня надійності отримання мінімального профіту.
Знаючи, що управління капіталом- це лише числова гра, яка вимагає використання позитивних очікувань, трейдер може припинити пошуки "священного Грааля" торгівлі на біржі. Натомість він може зайнятися перевіркою свого торговельного методу, з'ясувати, наскільки цей метод логічно обґрунтований, чи дає він позитивні очікування. Правильні методи управління капіталом, що застосовуються стосовно будь-яких, навіть дуже посередніх методів ведення торгівлі, самі зроблять решту роботи.
Будь-якому трейдеру для успіху у своїй роботі необхідно вирішити три найважливіші завдання. Домогтися, щоб кількість вдалих угод перевищувала неминучі помилки та прорахунки; Налаштувати свою систему торгівлі так, щоб можливість заробітку була якнайчастіше; Досягти стабільності позитивного результату своїх операцій.
І тут нам, працюючим трейдерам, непогану допомогу може надати матюка. очікування. Цей термін теоретично ймовірності одна із ключових. З його допомогою можна дати усереднену оцінку деяким випадковим значенням. Мат очікування випадкової величини подібно до центру тяжкості, якщо уявити всі можливі ймовірності точками з різною масою.
Що стосується торгової стратегії з метою оцінки її ефективності найчастіше використовують мат очікування профита (чи збитку). Цей параметр визначають як суму творів заданих рівнів профіту і втрат і ймовірності їх появи. Наприклад, розроблена стратегія торгівлі передбачає, що 37% всіх операцій принесуть прибуток, а частина, що залишилася, - 63% - буде збитковою. При цьому середній дохідвід вдалої угоди складе 7 доларів, а середній програш дорівнюватиме 1,4 долара. Розрахуємо мат. очікування торгівлі за такою системою:
Що означає це число? Воно говорить про те, що, дотримуючись правил цієї системи, в середньому ми отримуватимемо 1,708 долара від кожної закритої угоди. Оскільки отримана оцінка ефективності більша за нуль, то таку систему цілком можна використовувати для реальної роботи. Якщо ж в результаті розрахунку мат очікування вийде негативним, то це вже говорить про середні збитки і така призведе до руйнування.
Розмір профіту однією угоду може бути виражений і відносної величиною як %. Наприклад:
Відсоток доходу на 1 угоду – 5%;
Відсоток успішних торгових операцій – 62%;
Відсоток збитку для 1 угоду - 3%;
Відсоток невдалих угод – 38%;
І тут мат. очікування складе:
Тобто середня угода принесе 1,96%.
Можна розробити систему, яка попри переважання збиткових угод даватиме позитивний результат, оскільки її МО>0.
Втім, одного очікування мало. Важко заробити, якщо система дає дуже мало торгових сигналів. У цьому випадку її можна порівняти з банківським відсотком. Нехай кожна операція дає в середньому лише 0,5 долара, але якщо система передбачає 1000 операцій на рік? Це буде дуже серйозна сума за порівняно короткий час. З цього логічно випливає, що ще однією відмітною ознакою хорошої торгової системи вважатимуться короткий термін утримання позицій.
Джерела та посилання
dic.academic.ru - академічний інтернет-словник
mathematics.ru - освітній сайт з математики
nsu.ru - освітній веб-сайт Новосибірського державного університету
webmath.ru - освітній портал для студентів, абітурієнтів та школярів.
exponenta.ru освітній математичний сайт
ru.tradimo.com - безкоштовна онлайн школа трейдингу
crypto.hut2.ru - багатопрофільний інформаційний ресурс
poker-wiki.ru - вільна енциклопедія покеру
sernam.ru - Наукова бібліотека вибраних природничо-наукових видань
reshim.su - інтернет сайт РЕШИМО задачі контрольні курсові
unfx.ru - Forex на UNFX: навчання, торгові сигнали, довірче управління
- математичне очікування Одна з чисельних характеристик випадкової величини, яка часто називається її теоретичною середньою. Для дискретної випадкової величини X математичне… Довідник технічного перекладачаМАТЕМАТИЧНЕ ОЧЕКАННЯ- (expected value) Середнє значення розподілу економічної змінної, які вона може приймати. Якщо рt – ціна товару на момент часу t, її математичне очікування позначається – Ept. Для вказівки моменту часу, до якого належить … Економічний словник
Математичне очікування- Середнє значення випадкової величини. Математичне очікування є детермінованою величиною. Середнє арифметичне значення з реалізацій випадкової величини є оцінкою математичного очікування. Середнє арифметичне… Офіційна термінологія – (середнє значення) випадкової величини числова характеристика випадкової величини. Якщо випадкова величина, задана на вероятностном просторі (див. ймовірностей теорія), її M. о. MX (або EX) визначається як інтеграл Лебега: де … Фізична енциклопедія
МАТЕМАТИЧНЕ ОЧЕКАННЯ- Випадкової величини є її числова характеристика. Якщо випадкова величина X має функцію розподілу F(x), її М. о. буде: . Якщо розподіл X дискретно, то М.о.: де x1, х2, ... можливі значення дискретної випадкової величини X; p1 … Геологічна енциклопедія
МАТЕМАТИЧНЕ ОЧЕКАННЯ- англ. expected value; ньому. Erwartung mathematische. Стохастична середня або центр розсіювання випадкової величини. Антіназі. Енциклопедія соціології, 2009 … Енциклопедія соціології
Математичне очікування- Див. також: Умовне математичне очікування Математичне очікування середнє значення випадкової величини, розподіл ймовірностей випадкової величини, що розглядається в теорії ймовірностей. В англомовній літературі та в математичних ... Вікіпедія
Математичне очікування- 1.14 Математичне очікування Е(X) де xi значення дискретної випадкової величини; р = Р (Х = xi); f(x) щільність безперервної випадкової величини * Якщо цей вислів існує в сенсі абсолютної збіжності. Словник-довідник термінів нормативно-технічної документації
Книги
Wir verwenden Cookies für die beste Präsentation unserer Website. Wenn Sie diese Website weiterhin nutzen, stimmen Sie dem zu. OK
Математичним очікуванням (середнім значенням) випадкової величини X , заданої на дискретному імовірнісному просторі, називається число m = M [X] = ∑x i p i якщо ряд сходиться абсолютно.
Призначення сервісу. За допомогою сервісу в онлайн-режимі обчислюються математичне очікування, дисперсія та середньоквадратичне відхилення(Див. приклад). Крім цього, будується графік функції розподілу F(X).
Властивості математичного очікування випадкової величини
- Математичне очікування постійної величини дорівнює їй самій: M [C] = C, C - Постійна;
- M=C M[X]
- Математичне очікування суми випадкових величин дорівнює сумі їх математичних очікувань: M=M[X]+M[Y]
- Математичне очікування добутку незалежних випадкових величин дорівнює добутку їх математичних очікувань: M = M [X] M [Y], якщо X і Y незалежні.
Властивості дисперсії
- Дисперсія постійної величини дорівнює нулю: D(c)=0.
- Постійний множник можна винести з-під символу дисперсії, звівши його в квадрат: D(k*X)= k 2 D(X).
- Якщо випадкові величини X та Y незалежні, то дисперсія суми дорівнює сумі дисперсій: D(X+Y)=D(X)+D(Y).
- Якщо випадкові величини X та Y залежні: D(X+Y)=DX+DY+2(X-M[X])(Y-M[Y])
- Для дисперсії справедлива обчислювальна формула:
D(X)=M(X 2)-(M(X)) 2
Приклад. Відомі математичні очікування та дисперсії двох незалежних випадкових величин X і Y: M(x)=8, M(Y)=7, D(X)=9, D(Y)=6. Знайти математичне очікування та дисперсію випадкове величини Z=9X-8Y+7.
Рішення. Виходячи з властивостей математичного очікування: M (Z) = M (9X-8Y + 7) = 9 * M (X) - 8 * M (Y) + M (7) = 9 * 8 - 8 * 7 + 7 = 23 .
Виходячи з властивостей дисперсії: D(Z) = D(9X-8Y+7) = D(9X) - D(8Y) + D(7) = 9^2D(X) - 8^2D(Y) + 0 = 81 * 9 - 64 * 6 = 345
Алгоритм обчислення математичного очікування
Властивості дискретних випадкових величин: їх значення можна перенумерувати натуральними числами; кожному значенню зіставити відмінну від нуля можливість.- По черзі множимо пари: x i на p i.
- Складаємо добуток кожної пари x i p i .
Наприклад, для n = 4: m = ∑x i p i = x 1 p 1 + x 2 p 2 + x 3 p 3 + x 4 p 4
Приклад №1.
| x i | 1 | 3 | 4 | 7 | 9 |
| p i | 0.1 | 0.2 | 0.1 | 0.3 | 0.3 |
Математичне очікування знаходимо за формулою m = ∑x i p i.
Математичне очікування M[X].
M[x] = 1 * 0.1 + 3 * 0.2 + 4 * 0.1 + 7 * 0.3 + 9 * 0.3 = 5.9
Дисперсію знаходимо за формулою d = ∑x 2 i p i - M [x] 2 .
Дисперсія D[X].
D [X] = 1 2 * 0.1 + 3 2 * 0.2 + 4 2 * 0.1 + 7 2 * 0.3 + 9 2 * 0.3 - 5.9 2 = 7.69
Середнє квадратичне відхилення σ(x).
σ = sqrt(D[X]) = sqrt(7.69) = 2.78
Приклад №2. Дискретна випадкова величина має наступний ряд розподілу:
| Х | -10 | -5 | 0 | 5 | 10 |
| р | а | 0,32 | 2a | 0,41 | 0,03 |
Рішення. Величину a знаходимо із співвідношення: Σp i = 1
Σp i = a + 0,32 + 2 a + 0,41 + 0,03 = 0,76 + 3 a = 1
0.76 + 3 a = 1 або 0.24 = 3 a, звідки a = 0.08
Приклад №3. Визначити закон розподілу дискретної випадкової величини, якщо відома її дисперсія, причому х 1
p 1 = 0,3; p 2 = 0,3; p 3 =0,1; p 4 =0,3
d(x)=12,96
Рішення.
Тут треба скласти формулу знаходження дисперсії d(x):
d(x) = x 1 2 p 1 +x 2 2 p 2 +x 3 2 p 3 +x 4 2 p 4 -m(x) 2
де маточіння m(x)=x 1 p 1 +x 2 p 2 +x 3 p 3 +x 4 p 4
Для наших даних
m(x)=6*0,3+9*0,3+x 3 *0,1+15*0,3=9+0.1x 3
12,96 = 6 2 0,3+9 2 0,3+x 3 2 0,1+15 2 0,3-(9+0.1x 3) 2
або -9/100 (x 2 -20x+96) = 0
Відповідно треба знайти коріння рівняння, причому їх буде два.
x 3 = 8, x 3 = 12
Вибираємо той, який задовольняє умову х 1
Закон розподілу дискретної випадкової величини
x 1 = 6; x 2 = 9; x 3 = 12; x 4 = 15
p 1 = 0,3; p 2 = 0,3; p 3 =0,1; p 4 =0,3