Математическое ожидание случайной величины

Обновлено 11 июля 2026 г.

Понятие математического ожидания случайной величины, формулы расчёта для дискретных и непрерывных значений, ключевые свойства и примеры решения задач

Калькулятор математического ожидания

Тип распределения

Дискретная Σ(xᵢ·pᵢ) Непрерывная (равномерная) U(a, b)

Дискретная случайная величина Введите пары x и p. Вероятности должны суммироваться к 1.

Таблица значений
x	p

Нормализовать вероятности Если Σp ≠ 1, мы разделим pᵢ на сумму Σp.

Линейное преобразование: Y = αX + β

α Множитель

β Сдвиг

Используется свойство: M(αX + β) = α·M(X) + β.

Математическое ожидание случайной величины – одна из ключевых числовых характеристик в теории вероятностей, которая позволяет оценить среднее значение, которое можно ожидать при многократном повторении случайного испытания. В отличие от обычного среднего арифметического, оно учитывает вероятности всех возможных исходов, что делает его полезным инструментом для анализа рисков, прогнозирования и принятия решений в финансах, страховании, науке и повседневной жизни.

Что такое ожидание случайной величины простым языком

Ожидание случайной величины не предсказывает результат одного конкретного испытания, но показывает усреднённый результат при очень большом числе повторений. Например, если у вас есть лотерейный билет с 10% шансом выигрыша 1000 рублей и 90% шансом не выиграть ничего, математическое ожидание выигрыша составляет 0,1·1000 + 0,9·0 = 100 рублей. Это значит, что в среднем за 10 покупок таких билетов вы выиграете 1000 рублей, то есть по 100 за каждый билет.

Важно не путать ожидание с другими характеристиками: оно описывает только центр распределения значений, но не их разброс. Для оценки разброса используется дисперсия или стандартное отклонение.

Формулы расчёта ожидания для разных типов случайных величин

Форма записи формулы зависит от типа случайной величины: дискретной (принимает отдельные изолированные значения) или непрерывной (принимает любые значения из промежутка).

Для дискретной случайной величины

Если случайная величина принимает конечное или счётное число значений x₁, x₂, …, xₙ с вероятностями p₁, p₂, …, pₙ соответственно, то математическое ожидание рассчитывается по формуле: $$M(X) = x_1p_1 + x_2p_2 + \dots + x_np_n = \sum_{i=1}^n x_i p_i$$ При этом сумма всех вероятностей всегда равна 1: p₁ + p₂ + … + pₙ = 1.

Пример расчёта: Найти ожидание количества выпавших на игральном кубике очков. Возможные значения: 1, 2, 3, 4, 5, 6, вероятность каждой грани 1/6. Тогда: $$M(X) = 1·\frac{1}{6} + 2·\frac{1}{6} + 3·\frac{1}{6} + 4·\frac{1}{6} + 5·\frac{1}{6} + 6·\frac{1}{6} = \frac{21}{6} = 3,5$$

Для непрерывной случайной величины

Если случайная величина имеет плотность распределения f(x), то её математическое ожидание рассчитывается как несобственный интеграл: $$M(X) = \int_{-\infty}^{+\infty} x \cdot f(x) dx$$ Интеграл должен сходиться абсолютно, чтобы ожидание было конечным.

Пример расчёта: Время ответа сервера равномерно распределено от 1 до 3 секунд. Плотность распределения f(x) = 0,5 при 1 ≤ x ≤ 3, в остальной области f(x) = 0. Тогда: $$M(X) = \int_{1}^{3} x \cdot 0,5 dx = 0,5 \cdot \frac{x^2}{2} \bigg|_{1}^{3} = 0,25 \cdot (9 - 1) = 2 \text{ секунды}$$

Ключевые свойства математического ожидания

Ожидание имеет простые и интуитивно понятные свойства, которые упрощают расчёт сложных задач:

Линейность. Если a и b – произвольные константы, то M(aX + b) = a·M(X) + b. Например, если вы умножаете все значения случайной величины на 2 и прибавляете 5, то ожидание тоже умножится на 2 и увеличится на 5.
Ожидание суммы. Для любых двух случайных величин X и Y справедливо равенство M(X + Y) = M(X) + M(Y), даже если они зависимы. Для произведения это верно только если величины независимы: M(X·Y) = M(X)·M(Y) при независимости X и Y.
Инвариантность относительно сдвига. Если к случайной величине прибавить константу c, то ожидание увеличится на ту же константу: M(X + c) = M(X) + c.
Ожидание константы. Если величина является фиксированным числом (не случайным), то её ожидание равно самому этому числу: M(C) = C.
Неравенство Маркова. Для неотрицательной случайной величины X и положительного числа a справедливо неравенство P(X ≥ a) ≤ M(X)/a. Оно позволяет оценить вероятность того, что величина примет значение больше заданного порога.

Когда математическое ожидание не существует

Не у всех распределений есть конечное математическое ожидание. Самый известный пример – распределение Коши, плотность которого описывается функцией f(x) = 1/(π(1+x²)). Соответствующий интеграл для расчёта ожидания не сходится, поэтому он не является конечным числом.

Также ожидания может не быть у дискретных распределений с очень тяжёлыми «хвостами»: если вероятность больших значений убывает слишком медленно, сумма произведений значений на вероятности будет стремиться к бесконечности.

Практическое применение ожидания случайной величины

Ожидание используется в самых разных областях:

Страхование: страховые компании рассчитывают ожидаемый размер выплат по полисам, чтобы установить ставки премий, которые покрывают риски и приносят прибыль.
Финансы: ожидаемая доходность актива используется для оценки инвестиционных проектов и построения инвестиционного портфеля.
Лотереи и азартные игры: ожидание выигрыша показывает, насколько игра выгодна для игрока. Если ожидание меньше стоимости билета, игра невыгодна в долгосрочной перспективе.
Машинное обучение: некоторые алгоритмы используют минимизацию ожидания функции потерь для обучения модели на обучающей выборке.

Если вам нужно быстро рассчитать математическое ожидание для заданного распределения, используйте бесплатный онлайн-калькулятор на нашем сайте – он автоматически подставит значения в формулу и выдаст результат за несколько секунд.

Часто задаваемые вопросы

Что такое математическое ожидание случайной величины?

Это средневзвешенное значение случайной величины, где весами являются вероятности её возможных исходов. Оно показывает, какое среднее значение можно ожидать при многократном повторении случайного испытания. Обозначается как M(X) или E(X).

В чём разница между математическим ожиданием и выборочным средним?

Математическое ожидание – это теоретическая характеристика всего распределения случайной величины, рассчитанная на основе известных вероятностей всех исходов. Выборочное среднее – это оценка этого значения по ограниченному набору реальных наблюдений. При росте объёма выборки выборочное среднее стремится к истинному математическому ожиданию.

Существует ли математическое ожидание у всех случайных величин?

Нет, не у всех. Например, у случайной величины с распределением Коши математическое ожидание не существует, так как соответствующий интеграл или ряд не сходятся, и средневзвешенное значение не является конечным числом. Также ожидания может не быть у некоторых дискретных распределений с очень тяжёлыми хвостами вероятностей.

Как считается математическое ожидание для дискретной случайной величины?

Для дискретной случайной величины, которая принимает конечное или счётное число значений, ожидание находится как сумма произведений каждого возможного значения на вероятность его появления: M(X) = Σ(x_i * p_i), где x_i – значение случайной величины, p_i – вероятность этого значения, а сумма всех p_i равна 1.

Каковы основные свойства математического ожидания?

Ключевые свойства: 1) Линейность – константы выносятся за знак ожидания, а ожидание суммы величин равно сумме их ожиданий. 2) Инвариантность относительно сдвига – прибавление константы к величине увеличивает ожидание на эту же константу. 3) Для независимых величин ожидание произведения равно произведению ожиданий. Также справедливо неравенство Маркова для неотрицательных случайных величин.