Giá trị trung bình hài có thể là một thay thế tiện dụng cho trung bình số học khi cái sau không có kỳ vọng hoặc không có phương sai. Đây thực sự có thể là trường hợp không tồn tại hoặc là vô hạn, trong khi tồn tại. Chẳng hạn, phân phối Pareto với mật độ không có giới hạn kỳ vọng khi , ngụ ý rằng trung bình số học có một kỳ vọng vô hạn, trong khi ngụ ý rằng điều hòa có ý nghĩa hữu hạn.E [ 1 / X ] f ( x ) = α x α 0E[X]E[1/X]α≤1E[1/X]=∫∞ x 0 αx α 0
f(x)=αxα0xα+1Ix≥x0
α≤1E[1/X]=∫∞x0αxα0xα+2dx=αxα0(α+1)xα+10=α(α+1)x0
Ngược lại, có các bản phân phối mà trung bình hài không có kỳ vọng, ví dụ như phân phối Beta khi . Và nhiều hơn nữa mà nó không có phương sai.Be(α,β)α≤1
Ngoài ra còn có một liên kết với các xấp xỉ Monte Carlo với các tích phân và đặc biệt là các hằng số chuẩn hóa, dựa trên danh tính sau của Bayes trong đó là bất kỳ mật độ nào, là ưu tiên, khả năng và bên lề, như đã thảo luận về câu hỏi khác trên X đã được xác thực, trong đó tôi nhận xét về sự nguy hiểm của việc sử dụng cái mà Radford Neal (U Toronto) gọi là công cụ ước tính tồi tệ nhất của Monte Carlo . (Tôi cũng đã viết một số mục trên blog của mình về chủ đề đó.) φ(⋅)π(⋅)L(⋅|x)m(⋅)
E[φ(θ)π(θ)L(θ|x)∣∣x]=1m(x)
φ(⋅)π(⋅)L(⋅|x)m(⋅)