probability-statsসহজ⏱ 11 মিনিট

Expected Value — প্রত্যাশিত মান

Expected Value

💰

চায়ের দোকানের দৈনিক আয়

ধর ভাই, পুরান ঢাকার হাসান মিয়ার চায়ের দোকান। কোনোদিন বিক্রি ভালো হয়, কোনোদিন মন্দা। হাসান মিয়া হিসাব করে দেখল — ৩০% দিন আয় ৫০০ টাকা (মন্দা), ৫০% দিন আয় ১০০০ টাকা (মোটামুটি), ২০% দিন আয় ২০০০ টাকা (বাম্পার!)। তার বউ জিজ্ঞেস করল 'প্রতিদিন গড়ে কত আয় করো?' হাসান মিয়া মাথা চুলকায় — কোনোদিন ৫০০, কোনোদিন ২০০০, গড় কত বলবো? তার ছেলে (যে ML পড়ে) বলল 'আব্বা, expected value calculate করো!'

Expected Value হইল probability-weighted average, মামা! শুধু values যোগ করে ভাগ করা না — প্রতিটা value-কে তার probability দিয়া গুণ করে যোগ করতে হবে। E[X] = 500×0.3 + 1000×0.5 + 2000×0.2 = 150 + 500 + 400 = ১০৫০ টাকা। হাসান মিয়ার দৈনিক expected income ১০৫০ টাকা — যদিও কোনোদিনই exactly ১০৫০ টাকা আয় হয় না!

সংজ্ঞা

Expected Value E[X] হইল random variable X-এর probability-weighted average। এইটা long-run average — অনেকবার experiment চালালে গড়ে যে value পাবে সেইটা। Discrete-তে সব value × probability যোগ, continuous-তে integral।

Expected Value — Probability-weighted গড়

\[E[X] = \sum_{i} x_i \cdot P(X = x_i) \quad \text{or} \quad E[X] = \int_{-\infty}^{\infty} x \cdot f_X(x) \, dx\]

ব্যাখ্যা

Normal Average vs Expected Value

Normal average: সব value যোগ করে count দিয়া ভাগ। Expected value: প্রতিটা value-কে তার probability (weight) দিয়া গুণ করে যোগ। ঢাকায় যদি ৫ দিনে ভাড়া 20,20,20,30,15 টাকা হয়, average = ২১ টাকা। কিন্তু probability জানা থাকলে directly E[X] বাইর করতে পারি — data collect না করেই!

\[\bar{x} = \frac{1}{n}\sum x_i \quad vs \quad E[X] = \sum x_i \cdot P(x_i)\]

Linearity of Expectation

E[X]-এর সবচেয়ে powerful property — linearity! E[aX + b] = a×E[X] + b। আর E[X + Y] = E[X] + E[Y] — সবসময়, independent হোক বা না হোক! হাসান মিয়ার চা আর সিঙ্গারার মোট expected আয় = চায়ের expected আয় + সিঙ্গারার expected আয়।

\[E[aX + bY + c] = a \cdot E[X] + b \cdot E[Y] + c\]

E[g(X)] — Function-এর Expectation

যদি X-এর function-এর expected value লাগে? ধর হাসান মিয়া আয়ের উপর ১০% tax দেয়। Tax = 0.1×X। E[Tax] = E[0.1X] = 0.1×E[X] = 0.1×1050 = ১০৫ টাকা। কিন্তু non-linear function-এ সাবধান: E[X²] ≠ (E[X])²!

\[E[g(X)] = \sum g(x_i) \cdot P(X = x_i), \quad E[X^2] \neq (E[X])^2\]

ML-এ Expected Value = Loss Function

ML-এ model train মানে expected loss minimize করা! Loss function L(y, ŷ) হইল একটা random variable (কারণ data random)। Model optimize করে E[L] minimize করতে চায়। Gradient descent আসলে expected loss-এর gradient বাইর করে!

\[\min_\theta E_{(x,y) \sim \text{Data}}[L(y, f_\theta(x))]\]

হাসান মিয়ার দোকানের Expected Profit

হাসান মিয়ার দৈনিক আয় X-এর distribution: P(X=500)=0.3, P(X=1000)=0.5, P(X=2000)=0.2। দোকানের daily খরচ ৮০০ টাকা। (a) Expected daily income কত? (b) Expected daily profit কত? (c) মাসে (৩০ দিনে) expected মোট profit কত?

Step 1: E[X] Calculate কর

প্রতিটা value × probability যোগ করি

\[E[X] = 500(0.3) + 1000(0.5) + 2000(0.2) = 150 + 500 + 400 = 1050\]

Step 2: Expected Profit

Profit = Income - Cost = X - 800। Linearity of expectation ব্যবহার করি।

\[E[\text{Profit}] = E[X - 800] = E[X] - 800 = 1050 - 800 = 250 \text{ টাকা}\]

Step 3: মাসিক Expected Profit

৩০ দিনের মোট = ৩০ × daily expected profit (linearity!)

\[E[\text{Monthly}] = 30 \times E[\text{Daily Profit}] = 30 \times 250 = 7500 \text{ টাকা}\]

Step 4: Insight

লক্ষ্য কর — কোনোদিনই exactly ২৫০ টাকা profit হয় না (৫০০-৮০০=-৩০০, ১০০০-৮০০=২০০, ২০০০-৮০০=১২০০)। কিন্তু long-run-এ average ২৫০ টাকা/দিন!

উত্তর:

Expected daily income = ১০৫০ টাকা, expected daily profit = ২৫০ টাকা, monthly expected profit = ৭,৫০০ টাকা। মন্দা দিনে লস হলেও long-run-এ profitable!

ML-এ কোথায় লাগে?

💡

মনে রাখার ট্রিক

Expected Value মনে রাখ হাসান মিয়ার চায়ের দোকান দিয়া: প্রতিদিনের আয় randomly ওঠানামা করে, কিন্তু E[আয়] = weighted average। 'Expected' মানে 'আশা করা যায়' — অনেকদিন চালালে গড়ে এইটুকুই পাবে। আর মনে রাখ E[X+Y] = E[X] + E[Y] — চায়ের income + সিঙ্গারার income = মোট expected income, কোনো ঝামেলা নাই!

#expected-value#mean#linearity#loss-function#cross-entropy#reinforcement-learning#sgd