2024-04-22
24T1
00

目录

随机变量与期望 Random Variables and Expectatiions
随机变量
期望
期望值的线性 Linearity of expectation
观察可得 Observations
成功的期望时间 Expected Time to Success
成功与期望值
赌徒陷阱 Gambler's ruin
标准差与方差
  • Random Variables and Expectations
  • Linearity of Expectation
  • Expected Time to Success
  • Standard Deviation and Variance

随机变量与期望 Random Variables and Expectatiions

随机变量

整数随机变量X是一个从 ΩΩZ 的函数。换句话说,它将每一个结果都与一个数值关联起来。

  • 随机变量通常用 X, Y, Z 等字母表示。
  • 我们以自然的方式将算术运算扩展到随机变量上。

给定随机变量 X:ΩZX: Ω → ℤ 和随机变量 Y:ΩZY: Ω → ℤ 以及整数 kk,我们可以将 X、Y 和 k 组合起来,得到以下在所有 ωΩω ∈ Ω 上的函数:

  • 变量加法:X+YωX(ω)+Y(ω)X + Y :ω ↦ X(ω) + Y(ω)
  • 变量乘法:XYωX(ω)Y(ω)X · Y :ω ↦ X(ω) · Y(ω)
  • 标量加法:XkωX(ω)kX - k :ω ↦ X(ω) - k
  • 标量乘法:kXωkX(ω)kX :ω ↦ k · X(ω)

image.png

期望

随机变量 X 的期望值(通常称为“期望”或“平均值”)是通过下面的公式计算的:

E(X)=kZP(X=k)×kE(X) = \sum_{k \in Z}P(X=k) \times k

期望是一个真正普遍的概念;它是所有决策、估计盈亏、在风险下行动的基础。在概率论概念出现之前,期望值这一基本概念就已经存在了。

期望值的线性 Linearity of expectation

对于任意随机变量 X 和 Y,以及整数 k,有:

  • E(X+Y)=E(X)+E(Y)E(X+Y) = E(X) + E(Y)
  • E(k×X)=k×E(X)E(k \times X) = k \times E(X)

image.png

观察可得 Observations

如果 X1X_1X2X_2,...,XnX_n 是独立同分布的随机变量,那么:

E(X1+X2+...+Xn)=E(nX1)=nE(X1)E(X_1+X_2+...+X_n) = E(nX_1) = nE(X_1)

当随机变量独立同分布时,它们和的期望值等于任意一个随机变量期望值的n倍。

尽管 X1+X2+...+XnX_1+X_2+...+X_nnX1nX_1 期望值相同,但这两个表达式代表的随机变量本身是非常不同的。

image.png

成功的期望时间 Expected Time to Success

几何级数 & 递归

image.png

一个更简单但同样有效的论证是,你预期在一次抛掷中得到“一半”的正面,所以你应该期望在两次抛掷中得到一个“完整”的正面。

成功与期望值

问题:高成功概率是否导致高期望值?

一般来说,不是这样。例如:

  • 购买更多的彩票可以增加中奖的机会,但是中奖的期望却降低了。

赌徒陷阱 Gambler's ruin

很多所谓的“获胜系统”声称提供一个获胜策略,实际上它们提供了一个频繁获得适度胜利的方案,但代价是偶尔会有非常大的损失。

事实上,有一个正式的定理表明,没有任何系统可以将一个“不公平”的游戏转变为一个“公平”的游戏。在决策理论中,“不公平”指的是那些每个个别投注都有负期望值的游戏。

很容易验证,无论是在轮盘赌上的个别投注,购买彩票,或者任何商业提供的游戏上的投注,都具有负的期望值。

标准差与方差

对于随机变量X,其期望值为 μ=E(X)μ = E(X),标准差为:

σ=E((Xμ)2)\sigma = \sqrt{E((X-μ)^2)}

方差为:

σ2\sigma^2

标准差和方差度量了随机变量的值分散程度。方差越小,我们越能确信对于随机选择的 ωω,有:

X(ω)=E(X)X(ω) = E(X)

并且,方差可以计算为:

E((Xμ)2)=E(X2)μ2E((X-μ)^2) = E(X^2) - μ^2

image.png

本文作者:Jeff Wu

本文链接:

版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!