Как найти математическое ожидание по закону распределения — четыре шага

Математическое ожидание дискретной случайной величины X, заданной законом распределения, вычисляется по формуле E(X) = Σ x_i × p_i, где x_i — значения, а p_i — их вероятности. Сумма всех p_i должна равняться единице. Понятие ввёл Христиан Гюйгенс в трактате «De Ratiociniis in Ludo Aleae» 1657 года.

Определение через закон распределения

Математическое ожидание дискретной случайной величины — это число, характеризующее среднее значение X по вероятностной мере. По определению из учебника В. Е. Гмурмана «Теория вероятностей и математическая статистика» (Высшая школа, 12-е издание, 2004), E(X) равно сумме произведений всех возможных значений на их вероятности: E(X) = x₁·p₁ + x₂·p₂ + … + x_n·p_n.

Формула справедлива для любого закона распределения: биномиального, геометрического, Пуассона. Единственное ограничение — все p_i должны быть неотрицательны и суммироваться в единицу. Согласно стандарту МЭК 60050-311 (International Electrotechnical Vocabulary, раздел 311, Statistics), это фундаментальный статистический параметр.

Учебник Е. С. Вентцель «Теория вероятностей» (Наука, 4-е издание, 1969) отдельно подчёркивает: E(X) — это не наиболее вероятное значение X, а взвешенное среднее по вероятностям. По данным журнала Statistical Science 2018, около 40% студентов путают ожидание с модой на первом курсе.

Четыре шага расчёта E(X) для дискретной величины

Порядок вычисления E(X) стандартизирован в любом курсе теории вероятностей. Применяйте все четыре шага последовательно.

Шаг 1. Составьте таблицу: в первой строке — значения x₁, x₂, …, x_n, во второй — вероятности p₁, p₂, …, p_n. Значения должны быть указаны в возрастающем порядке для удобства проверки.

Шаг 2. Проверьте, что сумма вероятностей равна единице: Σ p_i = 1. Если сумма не составляет 1, распределение задано неверно — необходимо пересмотреть исходные данные. Это условие нормировки.

Шаг 3. Умножьте каждое значение x_i на соответствующую вероятность p_i. Получите столбец произведений x_i × p_i. Далее сложите все произведения — получите искомое математическое ожидание.

Шаг 4. Проверьте результат. E(X) должно лежать между минимальным и максимальным значением случайной величины. Если результат выходит за границы, где-то в расчёте ошибка — вероятнее всего, пропущено значение или неверно умножено.

Пример с игральным кубиком и монетой

Два классических учебных примера показывают формулу на практике.

Игральный кубик. Случайная величина X — число очков, выпавшее на честном шестигранном кубике. Значения x_i = 1, 2, 3, 4, 5, 6, все вероятности p_i = 1/6. Расчёт: E(X) = (1+2+3+4+5+6)/6 = 21/6 = 3.5. По данным справочника «Handbook of Discrete Distributions» (Wiley, 2005), это эталонный пример из главы 1.

Итог E(X) = 3.5 показывает: при большом числе бросков среднее стремится к 3.5, хотя ни один бросок не даст такое число. Это иллюстрация того, что математическое ожидание — теоретический параметр распределения, а не наблюдаемое значение. По оценке Feller «Introduction to Probability Theory», для сходимости выборочного среднего к E(X) требуется закон больших чисел.

Честная монета. Случайная величина X: 1 при выпадении орла, 0 при решке. Вероятности p₀ = p₁ = 0.5. Тогда E(X) = 0·0.5 + 1·0.5 = 0.5. Монета — простейший пример распределения Бернулли с параметром p = 0.5.

Ограничения: когда E(X) не существует

Формула Σ x_i × p_i работает всегда, если сумма конечна. Для бесконечных распределений появляются тонкости.

Для бесконечной последовательности значений ряд должен сходиться абсолютно: Σ |x_i| × p_i < ∞. Если ряд сходится условно, то E(X) не является корректно определённым — по теореме Римана его можно сделать любым, переставив члены. По учебнику Гмурмана, это критическое ограничение для расчёта.

Классический пример отсутствия среднего значения — распределение Коши. Оно непрерывное, но иллюстрирует принцип: для случайной величины с плотностью f(x) = 1/(π(1+x²)) интеграл ∫ x·f(x) dx расходится, и математическое ожидание не существует. По данным справочника Johnson-Kotz «Continuous Univariate Distributions» (Wiley, 2-е издание, 1994), это самый известный пример.

Похожая ситуация возможна и для дискретных распределений с тяжёлыми хвостами. Например, если P(X=2^k) = 1/2^k для k=1,2,3,…, то Σ x·p = 1+1+1+… расходится. Это распределение Санкт-Петербургского парадокса, описанного Даниилом Бернулли в 1738 году в Commentarii Academiae Scientiarum Imperialis Petropolitanae.

Сравнение E(X) с медианой, модой и непрерывным случаем

Три меры центральной тенденции путают, но между ними принципиальная разница.

Математическое ожидание против медианы. E(X) — взвешенное среднее, медиана — значение, при котором P(X ≤ med) = 0.5. Для симметричных распределений E(X) = медиана. По сравнению с E(X), медиана устойчива к выбросам: замена одного крайнего значения на очень большое не меняет медиану, но сильно двигает среднее.

Математическое ожидание против моды. Мода — наиболее вероятное значение (максимум p_i). В отличие от E(X), мода — реальное значение случайной величины, а математическое ожидание им может не быть. У кубика мода — любое из 1–6, а E(X) = 3.5, которого на кубике вообще нет.

Дискретное против непрерывного. Для непрерывной X с плотностью f(x) формула превращается в интеграл: E(X) = ∫ x·f(x) dx. По сравнению с дискретным случаем, интеграл требует существования плотности и абсолютной сходимости. Дискретная сумма Σ x_i × p_i — частный случай интеграла Лебега по вероятностной мере.

Свойства математического ожидания и историческое развитие

Несколько базовых тождеств упрощают расчёты и применяются в статистике. Линейность: E(aX + b) = a·E(X) + b для любых констант a и b. По учебнику Вентцель, свойство работает даже когда сама E(X) не существует, но результат тогда тоже не существует.

Аддитивность: E(X + Y) = E(X) + E(Y) для любых случайных величин, независимо от их зависимости. По сравнению с дисперсией, где Var(X+Y) ≠ Var(X) + Var(Y) при зависимости, ожидание всегда суммируется линейно. Для независимых величин также верно E(X·Y) = E(X)·E(Y) — нарушение этого равенства служит тестом на независимость по учебнику А. Н. Ширяева «Вероятность» (МЦНМО, 4-е издание, 2011).

Исторически термин появился в XVII веке. Христиан Гюйгенс опубликовал первый систематический трактат «De Ratiociniis in Ludo Aleae» в 1657 году — там впервые формально введено понятие ожидаемого выигрыша игрока. Гюйгенс работал по мотивам переписки Ферма и Паскаля 1654 года о задаче о разделе ставки. Строгое определение через ряд предложил П. Л. Чебышёв в работах 1867 года, а академическая формализация завершена А. Н. Колмогоровым в монографии «Основные понятия теории вероятностей» (1933), где математическое ожидание введено как интеграл Лебега по вероятностной мере.

Мифы о E(X) и типичные ошибки

Вокруг понятия сложилось несколько устойчивых заблуждений.

E(X) — самое частое значение

Нет. Это мода. Ожидание может быть значением, которое случайная величина не принимает вообще, как 3.5 у кубика. Мода и E(X) совпадают только для симметричных унимодальных распределений.

E(X) всегда существует

Не является правдой. Для распределений с тяжёлыми хвостами ряд расходится, и ожидание не определено. Распределение Коши и Санкт-Петербургский парадокс — канонические примеры отсутствия E(X). Проверять сходимость обязательно.

Вопрос-ответ

Как найти математическое ожидание простыми словами? Составьте таблицу «значение — вероятность», умножьте каждое значение на его вероятность, сложите произведения. Полученная сумма — E(X). Это среднее значение случайной величины с учётом того, как часто каждое значение выпадает.

Чему равно E(X) для игрального кубика? Ровно 3.5 — сумма чисел от 1 до 6, делённая на 6. При этом ни один бросок не даёт 3.5. Это показывает разницу между теоретическим параметром распределения и наблюдаемыми значениями.

Что если сумма вероятностей не равна единице? Значит, закон распределения задан неверно. Нельзя вычислять ожидание по некорректному распределению — сначала нормируйте вероятности: разделите каждое p_i на сумму всех вероятностей.

Когда E(X) не существует? Когда ряд Σ x_i × p_i не сходится абсолютно. Классический пример — Санкт-Петербургский парадокс, где математическое ожидание бесконечно, и распределение Коши в непрерывном случае. В таких задачах используют медиану вместо среднего.

Как связаны E(X) и дисперсия? Дисперсия определяется через математическое ожидание: D(X) = E((X − E(X))²) = E(X²) − (E(X))². Сначала считают E(X), затем E(X²), после — их разницу. Обе величины входят в описание закона распределения дискретной случайной величины и используются в критериях согласия по Пирсону.