Определение математического ожидания
Математическое ожидание (expected value) — это центральная характеристика случайной величины, описывающая её среднее значение при бесконечном числе наблюдений. Для дискретной случайной величины \( X \), принимающей значения \( x_1, x_2, \ldots, x_n \) с вероятностями \( P(x_1), P(x_2), \ldots, P(x_n) \), математическое ожидание определяется следующей формулой:
Рассмотрим частный случай бинарного исхода — ситуацию, в которой возможны ровно два результата. Пусть с вероятностью \( p \) наступает «успех», приносящий \( +a \), а с вероятностью \( (1 - p) \) — «неудача», приводящая к потере \( -b \). Тогда математическое ожидание принимает вид:
Знак математического ожидания полностью определяет характер долгосрочного результата:
- \( E(X) > 0 \) — положительное ожидание означает, что при достаточно длинной серии наблюдений совокупный результат будет расти. Система в среднем генерирует прирост.
- \( E(X) < 0 \) — отрицательное ожидание означает неизбежное уменьшение совокупного результата с ростом числа событий. Никакая стратегия не способна обратить этот процесс.
- \( E(X) = 0 \) — нулевое ожидание описывает «справедливый» процесс, в котором долгосрочный результат стремится к нулю. Отклонения в обе стороны равновероятны.
Закон больших чисел и его значение
Закон больших чисел — фундаментальная теорема теории вероятностей, которая связывает единичные наблюдения с долгосрочным результатом. Суть проста: по мере увеличения числа независимых наблюдений \( N \) среднее арифметическое результатов сходится к математическому ожиданию:
Это означает, что на малых выборках результат может существенно отклоняться от ожидаемого — как в положительную, так и в отрицательную сторону. Однако с ростом числа событий эти отклонения нивелируются, и совокупный результат всё точнее отражает значение \( E(X) \). Подробнее: закон больших чисел простыми словами и сходимость к ожиданию в долгосрок.
Числовой пример
Пусть бинарный процесс имеет параметры: вероятность успеха \( p = 0{,}48 \), при успехе результат \( +1 \), при неудаче \( -1 \). Рассчитаем математическое ожидание:
Каждое отдельное событие в среднем приносит \( -0{,}04 \). На горизонте \( N = 1000 \) событий ожидаемый совокупный результат составит \( 1000 \times (-0{,}04) = -40 \). Несмотря на то, что внутри последовательности неизбежно встретятся кластеры из нескольких успехов подряд, создающие иллюзию положительной динамики, долгосрочный итог определяется именно отрицательным математическим ожиданием.
Почему интуиция ошибается: когнитивные искажения
Человеческий мозг эволюционировал для распознавания паттернов в окружающей среде, но этот же механизм систематически вводит в заблуждение при анализе случайных последовательностей. Подробнее о психологии серий и когнитивных искажениях — в отдельной статье. Рассмотрим ключевые из них:
Предвзятость подтверждения (confirmation bias)
Мы склонны запоминать события, подтверждающие наши ожидания, и забывать противоречащие им. Серия успешных исходов запоминается ярко, тогда как неудачные результаты воспринимаются как «случайность» и вытесняются из памяти. В результате субъективная оценка вероятности успеха оказывается систематически завышенной.
Ошибка независимости последовательных событий
Одно из самых распространённых заблуждений — убеждённость, что предыдущие исходы влияют на будущие в независимых процессах. Если случайная величина выдала десять неудач подряд, кажется, что «пора» наступить успеху. Математически же вероятность каждого следующего события остаётся неизменной: \( P(X_{n+1}) = p \), вне зависимости от \( X_1, X_2, \ldots, X_n \).
Иллюзия «горячей серии» (hot hand fallacy)
Обратная сторона предыдущего искажения — вера в то, что серия успехов продолжится. Наблюдая несколько положительных результатов подряд, мы склонны верить в «удачную полосу», хотя в независимом процессе каждый исход определяется только текущим распределением вероятностей.
Эвристика доступности (availability heuristic)
Мы переоцениваем вероятность событий, которые легко вспомнить — ярких, недавних, эмоционально значимых. Один крупный положительный результат может перевесить в сознании сотни мелких отрицательных, искажая оценку \( E(X) \) в положительную сторону.
Ожидание vs. дисперсия: полная картина
Математическое ожидание описывает «направление» процесса, но не говорит о том, насколько сильно отдельные результаты отклоняются от среднего. Эту информацию несёт дисперсия (волатильность) — мера разброса значений случайной величины:
Стандартное отклонение \( \sigma = \sqrt{\sigma^2} \) измеряется в тех же единицах, что и сама случайная величина, и интуитивно понятнее дисперсии. Высокая дисперсия означает, что даже при известном \( E(X) \) краткосрочные результаты могут значительно колебаться.
Ключевое свойство: при проведении \( N \) независимых наблюдений стандартная ошибка среднего убывает как:
Это означает, что для уменьшения неопределённости вдвое необходимо увеличить число наблюдений в четыре раза. На практике это имеет критическое значение: при высокой дисперсии требуется значительно больше наблюдений, прежде чем средний результат станет статистически близким к \( E(X) \). Доверительный интервал для среднего значения на уровне 95% определяется как \( \bar{X}_N \pm 1{,}96 \cdot \frac{\sigma}{\sqrt{N}} \), и только при достаточно большом \( N \) этот интервал сужается настолько, чтобы можно было уверенно судить о знаке \( E(X) \).
Как правильно оценивать ожидаемый результат
Для объективного анализа любого вероятностного процесса рекомендуется следующий алгоритм:
- Определите структуру исходов. Выделите все возможные результаты \( x_i \) и соответствующие им вероятности \( P(x_i) \). В сложных системах это может потребовать анализа правил и условий процесса.
- Вычислите \( E(X) \). Подставьте значения в формулу математического ожидания. Знак результата — главный индикатор долгосрочной динамики.
- Оцените дисперсию \( \sigma^2 \). Высокая дисперсия означает высокую волатильность краткосрочных результатов, даже если \( E(X) \) определено точно.
- Определите необходимый объём выборки. Рассчитайте, при каком \( N \) стандартная ошибка станет достаточно малой, чтобы ожидание доминировало над случайностью.
Пример расчёта
Рассмотрим процесс с тремя возможными исходами:
- Результат \( +3 \) с вероятностью \( 0{,}20 \)
- Результат \( +1 \) с вероятностью \( 0{,}30 \)
- Результат \( -2 \) с вероятностью \( 0{,}50 \)
Математическое ожидание:
Вычислим \( E(X^2) \):
Дисперсия: \( \sigma^2 = 4{,}1 - (-0{,}1)^2 = 4{,}1 - 0{,}01 = 4{,}09 \), стандартное отклонение \( \sigma \approx 2{,}02 \).
Для того чтобы стандартная ошибка среднего стала меньше абсолютного значения \( E(X) \), необходимо: \( \frac{2{,}02}{\sqrt{N}} < 0{,}1 \), откуда \( N > 408 \). Таким образом, только после нескольких сотен наблюдений можно статистически достоверно обнаружить отрицательный тренд в этом процессе.
Математическое ожидание и управление капиталом
Знание \( E(X) \) — необходимое, но недостаточное условие для принятия рациональных решений в условиях неопределённости. Даже при положительном математическом ожидании неправильный выбор размера позиции может привести к полной потере ресурсов.
Классический пример: пусть процесс имеет \( E(X) > 0 \), но участник вкладывает в каждое событие слишком большую долю капитала. Серия неудачных исходов (которая неизбежна при достаточно длинной последовательности) может уменьшить капитал настолько, что последующие успехи не компенсируют потери. Это явление известно как «разорение при положительном ожидании».
Критерий Келли предлагает оптимальную формулу для определения доли капитала \( f^* \), максимизирующей логарифмический рост:
где \( p \) — вероятность успеха, \( b \) — отношение размера положительного результата к размеру отрицательного. При \( E(X) \leq 0 \) критерий Келли даёт \( f^* \leq 0 \), что означает: рациональное участие невозможно.
Ключевой вывод: математическое ожидание определяет принципиальную возможность положительного долгосрочного результата, а система управления капиталом определяет, будет ли эта возможность реализована. Подробнее об этом — в статье Модели управления капиталом.
Важно: информация о рисках
Данный материал носит исключительно образовательный характер и предназначен для изучения математических моделей вероятностных процессов. Любые решения, принимаемые в условиях случайности, сопряжены с рисками.