Количественные характеристики случайных переменных Математическое ожидание (среднее значение) Математическое ожидание (среднее значение) Дисперсия и среднее квадратическое отклонение Дисперсия и среднее квадратическое отклонение Ковариация и коэффициент корреляции. Ковариация и коэффициент корреляции.

Математическое ожидание дискретной случайной переменной Определение. Математическим ожиданием дискретной случайной переменной называется величина: где: M(x) – математическое ожидание СДП х, P i - вероятность появления в опытах значения x i, x i - значение дискретной случайной переменной, n - количество допустимых значений дискретной случайной величины Математическое ожидание – средневзвешенное значение ДСП, где в качестве веса используется значение вероятности (4.1)

Дисперсия дискретной случайной переменной Определение. Дисперсией дискретной случайной переменной называется величина: где:σ 2 (x) – дисперсия случайной переменной х Дисперсия случайной величины выступает в качестве характеристики разброса возможных ее значений Положительный корень из дисперсии называют средним квадратическим отклонением или стандартным отклонением, или стандартной ошибкой (4.2)

Примеры расчета количественных характеристик ДСП Пример 1. Пусть X i – результат бросания кубика. A x ={1,2,3,4,5,6} P i ={1/6,1/6,1/6,1/6,1/6,1/6} Тогда: M(x) = 1/6( ) = 3.5 σ 2 (x) =1/6[(1-3.5) 2 +(2-3.5) 2 +(3-3.5) 2 +(4-3.5) 2 +(5-3.5) 2 + (6-3.5) 2 ]=2.92 σ(x) = 1.71 Пример 2. Индикатор случайного события

Математическое ожидание непрерывной случайной переменной Определение. Математическим ожиданием непрерывной случайной величины Х с законом распределения р x (t) называется величина: (4.3) Выражение (4.3) называется первым начальным моментом функции р х (t)

Дисперсия непрерывной случайной переменной Определение. Дисперсией непрерывной случайной переменной Х с функцией плотности вероятности рx(t) называется выражение: (4.4) Выражение (4.4) называют вторым центральным моментом функции p x (t) В общем случае дисперсия случайной переменной определяется как: σ 2 (x)=M(x-M(X)) 2 (4.5)

Примеры вычисления Пример 1. Пусть Х НСП с равномерным законом распределения. Самостоятельно вычислить математическое ожидание и дисперсию НСП с нормальным законом распределения

Понятие ковариации двух случайных переменных По определению ковариацией двух случайных переменных X и Yесть: COV(x,y)=M((x-M(x))(y-M(y)))(4.6) Значение ковариации отражает наличие связи между двумя случайными переменными Если COV(x,y)>0, связь между X и Y положительная Если COV(x,y)

Понятие коэффициента корреляции двух случайных переменных Недостатки ковариации в том, что ее значения зависят от масштаба измерения переменных и наличии размерности Недостатки устраняется путем деления значения ковариации на значения стандартных отклонений переменных: (4.7) Выражение (4.7) называют коэффициентом корреляции двух случайных переменных Коэффициент корреляции изменяется в пределах [-1;1] и является безразмерной величиной

Основные свойства количественных характеристик Свойства математического ожидания. Свойства математического ожидания. M(c) = c M(c 1 x 1 + c 2 x 2 ) = c 1 x 1 + c 2 x 2 Пример. M(Y) = M(f(X) + ε)= M(f(X))+M(ε)=M(f(X)) Свойства дисперсий. Свойства дисперсий. σ 2 (с) = 0 σ 2 (с) = 0 σ 2 (с +x) = σ 2 (x) σ 2 (с +x) = σ 2 (x) σ 2 (c 1 x 1 +c 2 x 2 )=c 1 σ 2 (x 1 ) +c 2 σ 2 (x 2 ) +2c 1 c 2 Cov(x 1 x 2 ) σ 2 (c 1 x 1 +c 2 x 2 )=c 1 σ 2 (x 1 ) +c 2 σ 2 (x 2 ) +2c 1 c 2 Cov(x 1 x 2 ) В общем случае: σ 2 (Σс i x i )= c T Cov(XX)c σ 2 (Σс i x i )= c T Cov(XX)c

Основные свойства количественных характеристик Свойства ковариаций. Свойства ковариаций. Cov(x,y) = Cov(y,x) Cov(x,y) = Cov(y,x) Cov(c 1 x 1 + c 2 x 2 )=c 1 c 2 Cov(x 1,x 2 ) Cov(c 1 x 1 + c 2 x 2 )=c 1 c 2 Cov(x 1,x 2 ) Cov(cx) 0 Cov(cx) 0 Cov(x+c,y) = Cov(x,y) Cov(x+c,y) = Cov(x,y) Cov(x+y,z) = Cov(x,z) + Cov(y,z) Cov(x+y,z) = Cov(x,z) + Cov(y,z) Cov(x,x) = σ 2 (x) Cov(x,x) = σ 2 (x) Доказательства этих свойств проведите самостоятельно!

Связь между случайными переменными Случайный вектор и его количественные характеристики. Пусть опыт – инвестирование средств на некоторый период времени в рисковые активы А={a 1, a 2,…,a n }. Рисковый характер актива означает, что значения доходности на них являются случайными величинами r(a 1 ), r(a 2 ),…,r(a n ). Определение. Вектор, компонентами которого являются случайные величины, называется случайным вектором. Пример 1. Вектор доходностей по рисковым активам R={r(a 1 ), r(a 2 ),…,r(a n )} T. (4.1) Пример 2. Опыт – бросание игральной кости. Пусть X – количество очков на верхней грани кости, а Y – количество очков на его нижней грани. Тогда вектор Z={X, Y} T –пример случайного вектора.

Связь между случайными переменными Случайный вектор и его количественные характеристики. Пусть m i = M(r(a i )) – ожидаемое значение доходности актива a i, σ i 2 = M(r(a i ) - m i ) 2 –дисперсия доходности актива a i, σ ij =Cov(r(a i ), r(a j )) - ковариация между активами a i, a j. Тогда вектор M={m 1, m 2,…,m n } T =M(R)(4.2) является первой основной характеристикой случайного вектора (4.1). Замечание. Вектор М является константой. Ковариационная матрица вида: Является второй основной характеристикой случайного вектора R

Связь между случайными переменными Параметрическая модель Марковца фондового рынка. По предложению Марковца компоненты вектора R рассматривается как характеристики привлекательности каждого рискового актива, а диагональные элементы ковариационной матрицы – как характеристики риска инвестирования в эти активы. Параметрической моделью Марковца называется следующая тройка: {A, M, σ rr } (4.4) Для формирования индивидуального пакета акций из списка А ничего больше не требуется. Эта модель является инструментом брокерской деятельности.

Выборка и ее свойства Задачи математической статистики. Задачи математической статистики. 1.Оценивание (приближенное определение) параметров законов распределения и самих законов. 2. Проверка различных гипотез относительно законов распределения или значений их параметров. Далее будем рассматривать случайные величины с законом распределения R(t,a 1,a 2,…,a n ), где A={a 1,a 2,…,a n } T вектор столбец параметров распределения.

Выборка и ее свойства Определение. Выборка – это случайный вектор, составленный из результатов наблюдений, каждое из которых суть случайная величина. Y={y 1,y 2,…,y n } y 1 = t 1 ;P y (t 1, a 1,a 2,…,a k ); y 2 = t 2 ;P y (t 2, a 1,a 2,…,a k ); ………………………………….. y n = t n ;P y (t n, a 1,a 2,…,a k );

Выборка и ее свойства Свойства случайной выборки. Свойства случайной выборки. 1. Каждый элемент выборки есть случайная величина с тем же законом распределения, что и случайная величина Y. 2. Все значения, входящие в выборку независимые величины. Тогда для них справедлива теорема умножения вероятностей: P y (y 1,y 2,…,y n A)=P y (t 1, A) P y (t 2, A)… P y (t n, A) Это выражение – закон распределения выборки. Задача заключается в том, чтобы найти процедуры, с помощью которых можно найти значения параметров распределения. A = F(y 1,y 2,…,y n )

Свойства оценок параметров распределения. 1.Оценка представляет собой частный случай случайной величины. Например. Рассмотрим оценку математического ожидания в виде среднего значения: Любую случайную величину можно представить в виде: X i = μ + U i где: U i – случайная величина, μ – константа равная математическому ожиданию X i. X = 1/nΣ( μ + U i ) = μ + U

Свойства оценок параметров распределения. 1. Несмещенность оценки. М(ã) = а Процедуры, которые дают такие оценки будим называть несмещенными. Замечание. Несмещенных процедур может быть много. Пример. Оценка среднего значения. X=1/nΣx i Эта процедура несмещенная т.к. М(Х)=М(μ+U)=M(μ)+M(U) = μ Вопрос. Можно ли найти иную несмещенную процедуру? Пусть имеем выборку из двух значений x 1 и x 2, следовательно: M(x 1 )=M(x 2 )=μ b σ(x 1 )=σ(x 2 )=σ Пусть такой процедурой будет: Z=λ 1 x 1 +λ 2 x 2 M(Z) = M(λ 1 x 1 +λ 2 x 2 )=(λ 1 +λ 2 )μ M(Z) = M(λ 1 x 1 +λ 2 x 2 )=(λ 1 +λ 2 )μ Вывод. Все процедуры, для которых λ 1 +λ 2 =1 дают несмещенные оценки среднего значения.

Свойства оценок параметров распределения. 2. Эффективность оценки. Определение. Оценка называется эффективной среди всех оценок параметра, если она имеет минимальную дисперсию среди всех возможных оценок: σ 2 (ã) =min. Задача. При каких значениях λ 1 и λ 2 оценка среднего значения будет эффективной? Найдем минимум дисперсии Z. σ 2 (Z)=σ 2 (λ 1 x 1 +λ 2 x 2 )= λ 1 2 σ 2 (x 1 )+λ 2 2 σ 2 (x 2 )=(λ 1 2 +λ 2 2 )σ 2 σ 2 (Z)=σ 2 (λ 1 x 1 +λ 2 x 2 )= λ 1 2 σ 2 (x 1 )+λ 2 2 σ 2 (x 2 )=(λ 1 2 +λ 2 2 )σ 2 Учитывая, что (λ 1 +λ 2 )=1 или λ 2 = (1-λ 1 ), получим: σ 2 (Z)= (λ 1 2 +(1-λ 1 2 )) σ 2 Тогда: σ 2 /λ 1 =(2λ 1 -2(1-λ 1 )) σ 2 Тогда: σ 2 /λ 1 =(2λ 1 -2(1-λ 1 )) σ 2 Откуда λ 1 =1/2. Откуда λ 1 =1/2. Вторая производная положительна, следовательно, это минимум. Аналогичным образом можно показать, что известная оценка дисперсии также не смещена и эффективна.