知经 KNOWECON
登录 注册

知经百科 / S

数学期望

数学期望 (Mathematical Expectation)

数学期望（Mathematical Expectation），亦称期望值（Expected Value）、均值或一阶矩（First Moment），是概率论和统计学中最基本的概念之一。它表示一个随机变量在重复实验中所有可能取值的概率加权平均——每个可能值以其出现的概率为权重。

从直观上理解，数学期望刻画了随机现象在"长期平均"下的结果。若一个赌局的数学期望为正，长期参与将盈利；若为负，则亏损。正是因为这种"长期平均"的解释力，数学期望构成了决策理论、金融学、保险学、博弈论和统计推断等多个领域的分析基础。值得强调的是，期望值本身不必是随机变量的可能取值——例如掷一枚公平骰子的期望点数为 3.5 3.5 ，但骰子永远掷不出 3.5 3.5 点。这一事实揭示了期望作为分布"中心位置"度量的抽象本质。

定义：离散与连续

数学期望的计算形式取决于随机变量的类型。

离散型随机变量。设 X X 取值 x1,x2,… x_1, x_2, \ldots ，对应概率 pi=P(X=xi) p_i = P(X = x_i) 且 ∑ipi=1 \sum_i p_i = 1 ，则

E[X]=∑ixi P(X=xi)=∑ixipiE[X] = \sum_i x_i \, P(X = x_i) = \sum_i x_i p_i

这一公式的本质是加权平均——概率越大的值在期望中占据越大的权重。若所有 xi x_i 等概率（即 pi=1/n p_i = 1/n ），则 E[X] E[X] 退化为普通算术平均。

示例：掷公平六面骰子。取值 {1,2,3,4,5,6} \{1, 2, 3, 4, 5, 6\} ，各概率均为 1/6 1/6 ：

E[X]=1⋅16+2⋅16+⋯+6⋅16=216=3.5E[X] = 1 \cdot \frac{1}{6} + 2 \cdot \frac{1}{6} + \cdots + 6 \cdot \frac{1}{6} = \frac{21}{6} = 3.5

无数次投掷后，点数的算术平均值将收敛于 3.5 3.5 ，尽管 3.5 3.5 不是骰子任何一面的点数。此例虽简单，却精确传达了期望作为概率加权中心的含义。

连续型随机变量。设 X X 具有概率密度函数（PDF）f(x) f(x) ，满足 f(x)≥0 f(x) \ge 0 且 ∫−∞∞f(x) dx=1 \int_{-\infty}^{\infty} f(x) \, dx = 1 ，则

E[X]=∫−∞∞x f(x) dxE[X] = \int_{-\infty}^{\infty} x \, f(x) \, dx

离散求和 ∑ \sum 在此变为积分 ∫ \int ，概率质量 pi p_i 变为概率密度 f(x)dx f(x)dx 。积分范围覆盖 X X 的支撑集（support）。

示例：区间 [a,b] [a, b] 上的均匀分布。密度 f(x)=1b−a f(x) = \frac{1}{b-a} （x∈[a,b] x \in [a,b] ），则

E[X]=∫abx⋅1b−a dx=a+b2E[X] = \int_a^b x \cdot \frac{1}{b-a} \, dx = \frac{a+b}{2}

期望值恰好是区间中点——分布对称性的直接推论。更一般地，对于对称单峰分布（如正态分布），期望值、中位数和众数三者重合于对称中心。

核心性质

设 X,Y X, Y 为随机变量，a,b,c a, b, c 为常数。

常数的期望：E[c]=c E[c] = c 。确定性的量等于其自身。

线性性质（Linearity of Expectation）。这是期望运算最重要的性质：

E[aX+bY]=aE[X]+bE[Y]E[aX + bY] = aE[X] + bE[Y]

关键事实：加法法则 E[X+Y]=E[X]+E[Y] E[X+Y] = E[X] + E[Y] 无条件成立，无论 X X 与 Y Y 是否独立，也无论它们服从何种联合分布。这使得复杂随机变量的期望可分解为若干简单部分期望之和，极大简化了计算。例如，计算 n n 次伯努利试验成功次数的期望时，可将总次数写为 n n 个指示变量之和，每个指示变量的期望为 p p ，故总期望为 np np ——无需推导二项分布的概率质量函数。这一技巧在算法分析和组合概率中极为常用。

乘法性质。若 X X 与 Y Y 为独立随机变量，则

E[XY]=E[X] E[Y]E[XY] = E[X] \, E[Y]

独立性是不可或缺的前提。若不独立，该等式一般不成立，偏离程度由协方差度量：

Cov(X,Y)=E[XY]−E[X]E[Y]\mathrm{Cov}(X, Y) = E[XY] - E[X]E[Y]

协方差为正意味着 X X 与 Y Y 同向变动，为负意味着反向变动，为零是独立的必要但不充分条件。

函数的期望（LOTUS）。LOTUS（Law of the Unconscious Statistician，无心统计师法则）指出：对任意可测函数 g g ，g(X) g(X) 的期望可直接用 X X 的分布计算，无需先求 g(X) g(X) 的分布：

  • 离散情况：E[g(X)]=∑ig(xi) P(X=xi) E[g(X)] = \sum_i g(x_i) \, P(X = x_i)
  • 连续情况：E[g(X)]=∫−∞∞g(x) f(x) dx E[g(X)] = \int_{-\infty}^{\infty} g(x) \, f(x) \, dx

特例 g(X)=Xk g(X) = X^k 给出k k 阶矩 E[Xk] E[X^k] 。其中二阶矩 E[X2] E[X^2] 与期望平方 (E[X])2 (E[X])^2 的差即为方差：

Var(X)=E[X2]−(E[X])2\mathrm{Var}(X) = E[X^2] - (E[X])^2

方差衡量分布的离散程度。更高阶矩（偏度、峰度）进一步刻画分布形态。

Jensen 不等式。若 ϕ \phi 为凸函数，则 ϕ(E[X])≤E[ϕ(X)] \phi(E[X]) \le E[\phi(X)] 。该不等式在信息论（KL 散度非负性的证明）、金融学（期权定价中的凸性调整）和微观经济学（风险厌恶下的确定性等价）中有广泛应用。

学科应用

金融学。投资的预期收益率是未来可能收益的数学期望。在均值-方差框架下，投资者依据预期收益率与风险（方差或标准差）构建最优投资组合。资本资产定价模型（CAPM）的核心——证券市场线——将资产的预期收益率与其系统风险（β \beta ）线性关联：E[Ri]=Rf+βi(E[Rm]−Rf) E[R_i] = R_f + \beta_i (E[R_m] - R_f) 。期权定价中，风险中性测度下的期望贴现 payoff 给出无套利价格。

保险学。保费定价的根本原则是：保费必须覆盖期望赔付。对于寿险，期望赔付 = 死亡概率 × \times 保额。保险公司通过汇集大量独立保单，依赖大数定律使实际总赔付以高概率逼近期望总赔付，从而实现精算意义上的收支平衡。超出期望赔付的部分构成风险溢价和运营利润。

决策理论。期望效用理论（Expected Utility Theory）由冯·诺依曼和摩根斯坦公理化建立：面对风险选项，理性决策者最大化期望效用 E[u(X)] E[u(X)] 而非期望货币价值 E[X] E[X] 。效用函数 u u 的凹性刻画了风险厌恶：若 u u 严格凹，则 E[u(X)]<u(E[X]) E[u(X)] < u(E[X]) ，即决策者偏好确定的期望值而非具有相同期望的风险赌局。这一框架是信息经济学和合同理论中分析激励问题的基础工具。

统计推断。估计量 θ^ \hat{\theta} 若满足 E[θ^]=θ E[\hat{\theta}] = \theta ，则称为无偏估计量。样本均值 Xˉ=1n∑i=1nXi \bar{X} = \frac{1}{n}\sum_{i=1}^n X_i 是总体均值 μ \mu 的无偏估计，因为 E[Xˉ]=1n∑E[Xi]=μ E[\bar{X}] = \frac{1}{n} \sum E[X_i] = \mu ——这直接由期望的线性性质推出。无偏性是评价估计量优良性的首要标准，与一致性、有效性共同构成经典估计理论的核心准则。

与大数定律的关系

数学期望的"长期平均"直觉由大数定律（Law of Large Numbers）赋予精确数学形式：设 X1,X2,… X_1, X_2, \ldots 为独立同分布随机变量序列，且 E[Xi]=μ E[X_i] = \mu ，则样本均值 Xˉn \bar{X}_n 依概率收敛于 μ \mu ：

Xˉn=1n∑i=1nXi→Pμ\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu

这一定理是频率学派概率论的逻辑基石：概率被解释为无限次重复实验中相对频率的极限，而期望则是无限次重复实验结果的算术平均极限。大数定律将抽象的数学期望与可观测的现实频率联系了起来，使概率论从纯数学走向经验科学。

返回百科索引