คาดหมาย

สำหรับทฤษฎีความน่าจะเป็นแล้ว ค่าคาดหมาย (อังกฤษ: expected value, expectation) ของ ตัวแปรสุ่ม คือ (weighted average) ของทุก ๆ ค่าที่เป็นไปได้ของตัวแปรสุ่ม โดยในการคำนวณการถ่วงน้ำหนักจะใช้ค่าฟังก์ชันความหนาแน่นของความน่าจะเป็น (probability density function) สำหรับตัวแปรสุ่ม หรือใช้ค่า (probability mass function) สำหรับ

ค่าความคาดหมายนี้เมื่อพิจารณาจาก ก็คือค่าลิมิตแบบ ของค่าเฉลี่ยที่ได้จากการสุ่มตัวอย่าง โดยที่จำนวนการสุ่มโตเข้าสู่ค่าอนันต์ หรือกล่าวอย่างไม่เป็นทางการว่า ค่าความคาดหมายคือค่าเฉลี่ยจากการสุ่มวัดที่ทำหลาย ๆ ครั้งมาก ๆ

นิยาม

ตัวแปรสุ่มวิยุต (discrete random variable), กรณีค่าจำกัด

สมมติ ตัวแปรสุ่ม X มีโอกาสมีค่าเป็น x₁ ด้วยความน่าจะเป็น p₁,มีโอกาสมีค่าเป็น x₂ ด้วยความน่าจะเป็น p₂, ... , มีโอกาสมีค่าเป็น x_k ด้วยความน่าจะเป็น p_k แล้วค่าคาดหมายของตัวแปรสุ่ม X จะถูกนิยามได้เป็น

${\displaystyle \operatorname {E} [X]=x_{1}p_{1}+x_{2}p_{2}+\ldots +x_{k}p_{k}\;.}$

An illustration of the convergence of die roll sequence averages to the expected value of 3.5 as the number of rolls (trials) grows.

ตัวอย่างที่ 1. ให้ X เป็นตัวแปรสุ่มแทนหน้าที่ออกจากการทอยลูกเต๋า ค่าที่เป็นไปได้ของ X คือ 1, 2, 3, 4, 5, และ 6, โดยแต่ละค่ามีโอกาสออกได้เท่า ๆ กัน (แต่ละค่ามีความน่าจะเป็น 1/6) ค่าคาดหมายของ X คือ

${\displaystyle \operatorname {E} [X]=1\cdot {\frac {1}{6}}+2\cdot {\frac {1}{6}}+3\cdot {\frac {1}{6}}+4\cdot {\frac {1}{6}}+5\cdot {\frac {1}{6}}+6\cdot {\frac {1}{6}}=3.5.}$

ดังนั้นถ้าเราทอยลูกเต๋า n ครั้งและคำนวณค่าเฉลี่ย ของหน้าที่ออกแล้ว ค่าเฉลี่ยนี้จะลู่เข้าสู่ค่าคาดหมายเมื่อ n ใหญ่ขึ้น

ตัวแปรสุ่มวิยุต (discrete random variable), กรณีค่าไม่จำกัด

สมมติ ตัวแปรสุ่ม X มีโอกาสมีค่าเป็น x
₁, x
₂, ... ด้วยความน่าจะเป็น p
₁, p
₂, ... ตามลำดับ ค่าคาดหมายของ X จะนิยามได้ว่า

${\displaystyle \operatorname {E} [X]=\sum _{i=1}^{\infty }x_{i}\,p_{i},}$

ถ้าค่าของอนุกรมนี้ไม่เป็นการลู่เข้าสัมบูรณ์ จะเรียกว่า ค่าคาดหมายของ X ไม่ปรากฏ ตัวอย่างเช่น สมมติ ตัวแปรสุ่ม X มีโอกาสมีค่าเป็น 1, −2, 3, −4, ..., ด้วยความน่าจะเป็น c/1², c/2², c/3², c/4², ..., โดย c = π²/6 (ค่าของ c นี้มีแค่เพื่อทำให้ผลรวมของความน่าจะเป็นทั้งหมดรวมเป็น 1) ค่าของอนุกรมจะเป็น

${\displaystyle \sum _{i=1}^{\infty }x_{i}\,p_{i}=c\,{\bigg (}1-{\frac {1}{2}}+{\frac {1}{3}}-{\frac {1}{4}}+\ldots {\bigg )}}$

ซึ่งลู่เข้าและลู่เข้าสู่ค่า ln(2) ≈ 0.69315 แต่อนุกรมนี้ไม่ได้เป็นการลู่เข้าสัมบูรณ์ ดังนี้ค่าคาดหมายของ X ในกรณีนี้จึงไม่มี

ตัวแปรต่อเนื่อง

เมื่อตัวแปรสุ่ม X มีฟังก์ชันความหนาแน่นของความน่าจะเป็น f(x) ค่าคาดหมายของ X สามารถคำนวณได้จาก

${\displaystyle \operatorname {E} [X]=\int _{-\infty }^{\infty }xf(x)\,\operatorname {d} x.}$

อ้างอิง

1. Sheldon M Ross (2007). "§2.4 Expectation of a random variable". Introduction to probability models (9th ed.). Academic Press. p. 38 ff. ISBN .