Математическое ожидание простыми словами: от монетки до инвестиций
Математическое ожидание — это среднее значение случайной величины, к которому стремится среднее арифметическое результатов при большом числе испытаний. Проще говоря: если повторять опыт много раз, то в среднем будет получаться именно матожидание.
Интуиция: монетка
Подбрасываем монету. Орёл — вы выигрываете 100 рублей. Решка — проигрываете 100 рублей. Стоит ли играть?
Интуитивно: шансы 50/50, суммы одинаковые — в среднем вы останетесь при своих. Это и есть математическое ожидание = 0.
А теперь: орёл — выигрываете 200 рублей, решка — проигрываете 100. Стоит ли?
$E = 0.5 \cdot 200 + 0.5 \cdot (-100) = 100 - 50 = 50$
В среднем за одну игру вы выигрываете 50 рублей. Если сыграть 1000 раз — ожидаемый выигрыш около 50 000 рублей. Игра выгодная.
Формальное определение
Для дискретной случайной величины
$$E[X] = \sum_i x_i \cdot p_i$$
где $x_i$ — значения, $p_i$ — их вероятности.
Для непрерывной случайной величины
$$E[X] = \int_{-\infty}^{\infty} x \cdot f(x) \, dx$$
где $f(x)$ — плотность распределения.
Свойства
| Свойство | Формула | Интуиция |
|---|---|---|
| Константа | $E[c] = c$ | Среднее константы — сама константа |
| Линейность | $E[aX + b] = aE[X] + b$ | Умножили все значения на $a$ — матожидание тоже умножилось |
| Сумма | $E[X + Y] = E[X] + E[Y]$ | Работает всегда, даже для зависимых величин! |
| Константа из суммы | $E[X + c] = E[X] + c$ | Сдвинули все значения на $c$ — матожидание сдвинулось |
| Независимые | $E[XY] = E[X] \cdot E[Y]$ | Только если $X$ и $Y$ независимы |
Почему $E[X + Y] = E[X] + E[Y]$ всегда?
Это самое удивительное свойство. Оно работает даже когда $X$ и $Y$ связаны (например, рост и вес человека). Причина: интеграл суммы равен сумме интегралов.
А вот $E[XY] = E[X]E[Y]$ работает только при независимости — сравните: средний рост × средний вес ≠ среднее от (рост × вес).
Матожидания основных распределений
| Распределение | Матожидание | Смысл |
|---|---|---|
| Бернулли $Be(p)$ | $p$ | Среднее число успехов в 1 испытании |
| Биномиальное $Bin(n, p)$ | $np$ | Среднее число успехов в $n$ испытаниях |
| Геометрическое $Geom(p)$ | $1/p$ | Среднее число испытаний до первого успеха |
| Пуассона $Pois(\lambda)$ | $\lambda$ | Среднее число событий за интервал |
| Равномерное $U(a, b)$ | $(a+b)/2$ | Середина отрезка |
| Нормальное $N(\mu, \sigma^2)$ | $\mu$ | Параметр $\mu$ и есть матожидание |
| Экспоненциальное $Exp(\lambda)$ | $1/\lambda$ | Среднее время между событиями |
Примеры из жизни
1. Казино и рулетка
Ставите 100 рублей на красное. Вероятность выигрыша: $18/37 \approx 0.486$ (в европейской рулетке 37 чисел: 18 красных, 18 чёрных, зеро). Выигрыш: +100, проигрыш: −100.
$$E = 0.486 \cdot 100 + 0.514 \cdot (-100) = 48.6 - 51.4 = -2.8$$
В среднем с каждых 100 рублей вы теряете 2.8. Именно поэтому казино всегда в плюсе — у них отрицательное матожидание для игрока и положительное для заведения.
2. Страховка
Страховая компания продаёт полис за 5 000 рублей. Вероятность страхового случая — 2%, средняя выплата — 200 000 рублей.
Матожидание прибыли с одного полиса:
$$E = 5000 - 0.02 \cdot 200000 = 5000 - 4000 = 1000$$
В среднем компания зарабатывает 1 000 рублей с полиса. Поэтому страховой бизнес прибылен.
3. Инвестиции и стартапы
Инвестор вкладывает в 10 стартапов по $100 000. Исторически: 1 из 10 становится «единорогом» (доходность 50×), 2 возвращают вложенное, 7 прогорают.
Матожидание одного вложения:
$$E = 0.1 \cdot 50 \cdot 100000 + 0.2 \cdot 100000 + 0.7 \cdot 0 = 500000 + 20000 = 520000$$
Ожидаемый доход: $520 000 при вложении $100 000 — ROI 420%. Это объясняет, почему венчурные инвесторы готовы терять деньги на 7 из 10 стартапов.
4. Ожидаемое время ожидания
Автобус ходит каждые 15 минут, но вы приходите на остановку в случайный момент. Сколько в среднем ждать?
Время ожидания распределено равномерно на $[0, 15]$. Матожидание: $(0 + 15)/2 = 7.5$ минут.
5. A/B-тестирование
Средний чек в группе A: 1200 рублей (1000 посетителей). В группе B: 1350 рублей (1000 посетителей).
Точечная оценка разницы: $E[B] - E[A] = 150$ рублей. Но достаточно ли этого для вывода? Нужна ещё дисперсия и доверительный интервал — матожидание само по себе не говорит о статистической значимости.
Ловушки и заблуждения
1. Матожидание ≠ наиболее вероятный исход
Бросаем кубик. Матожидание: 3.5. Но 3.5 никогда не выпадает. Матожидание — абстракция, а не реальное значение.
2. Положительное матожидание ≠ гарантированная прибыль
Лотерея: билет стоит 100 рублей, джекпот 10 000 000, вероятность выигрыша 1:1 000 000.
$$E = \frac{1}{1000000} \cdot 10000000 - 100 = 10 - 100 = -90$$
Даже если бы $E$ было +10 (при джекпоте 110 000 000), один конкретный игрок почти наверняка проиграет — потому что дисперсия огромна и нужно сыграть миллионы раз, чтобы матожидание «сработало».
3. Ошибка игрока (gambler's fallacy)
«Красное не выпадало 10 раз — значит, сейчас точно выпадет!»
Нет. Условное матожидание при независимых испытаниях не зависит от прошлого. После 10 чёрных подряд вероятность красного всё те же 18/37.
4. Парадокс Санкт-Петербурга
Вам предлагают игру: подбрасываем монету, пока не выпадет орёл. Если орёл выпал на $k$-м броске — выигрыш $2^k$ рублей. Сколько вы готовы заплатить за участие?
Матожидание выигрыша:
$$E = \sum_{k=1}^{\infty} 2^k \cdot \frac{1}{2^k} = \sum_{k=1}^{\infty} 1 = \infty$$
Бесконечность! Но никто не заплатит за такую игру больше 20–30 рублей. Парадокс разрешается через полезность (utility): 10 рублей для бедняка ценнее, чем 10 000 000 для миллиардера. Бернулли предложил использовать логарифмическую функцию полезности $U(x) = \ln(x)$, тогда матожидание полезности конечно.
Матожидание и закон больших чисел
Закон больших чисел — это теоретическое обоснование того, почему матожидание работает:
$$\bar{X}_n = \frac{X_1 + X_2 + \ldots + X_n}{n} \xrightarrow[n \to \infty]{P} E[X]$$
Среднее арифметическое большого числа независимых испытаний сходится к математическому ожиданию. Это не «должно произойти», а математически доказанный факт.
Именно поэтому страховые компании с миллионами клиентов могут точно предсказывать свои убытки, а казино — свою прибыль.
Итог
Математическое ожидание — это инструмент для принятия решений в условиях неопределённости. Оно НЕ гарантирует результат в одном испытании, но даёт прогноз на большом числе повторений. Ключевой навык — понимать, когда матожидание применимо (много независимых испытаний), а когда оно вводит в заблуждение (единичное решение с высокой дисперсией).
Связанные статьи: Теория вероятностей и матстатистика — полная шпаргалка