《数学数学期望》课件.pptxVIP

数学期望：决策背后的量化引擎

汇报人：XXX

2026-07-24

01

数学期望的本质

02

核心公式拆解

03

案例解剖室

04

操作工具箱

05

陷阱警示录

06

实战应用

目录

CATALOGUE

数学期望的本质

01

PART

数学期望是随机变量所有可能取值与其对应概率乘积的总和，反映长期重复试验中的平均结果。离散型为$E(X)=sumx_ip_i$，连续型为$E(X)=intxf(x)dx$。

定义与物理意义

概率加权平均

通过勒贝格积分严格定义，要求级数或积分绝对收敛。若积分不存在（如柯西分布），则称该随机变量无数学期望。

测度论视角

由帕斯卡、费马等数学家研究赌博点数问题时提出，最初用于解决公平赌局中的利益分配问题。

历史溯源

期望是理论上的概率加权值（面向未来），而平均值是历史数据的算术结果（回顾过去）。

与平均值的区别

随机变量期望值直观认识

骰子实验

公平六面骰期望值3.5，虽不可能单次出现，但大数定律保证长期投掷的平均值趋近于此。

量化交易中正期望值策略代表长期盈利潜力，即使单次交易可能亏损。

相同期望下，方差不同的分布实际风险差异显著（如稳赚3.5元vs50%赚7元/50%赔0元）。

投资决策

分布形态影响

概率论中的基础地位

满足$E(aX+bY)=aE(X)+bE(Y)$，该性质不依赖变量独立性，是概率建模的基础工具。

与方差、矩函数共同构