KNOWECON WIKI

ARTICLE

期望

期望 (Expectation) 期望 (Expectation)，也称为 期望值 (Expected Value)、均值 (Mean) 或 一阶矩 (First Moment)，是概率论和统计学中的一个基本且至关重要的概念。它描述了一个随机变量取值的“平均”大小。从直观上讲，期望是所有可能结果的加权平均值，其中每个结果的权重是其发生的概率。 如果一个随机试

浏览 53 更新 2025-10-25

期望 (Expectation)

期望 (Expectation)，也称为 期望值 (Expected Value)、均值 (Mean) 或 一阶矩 (First Moment)，是概率论和统计学中的一个基本且至关重要的概念。它描述了一个随机变量取值的“平均”大小。从直观上讲，期望是所有可能结果的加权平均值，其中每个结果的权重是其发生的概率。

如果一个随机试验可以被无限次重复，那么所有试验结果的算术平均值将会收敛于该随机变量的期望。这个思想是大数定律的核心。期望用符号 E[X] E[X] 或 E[X] \mathbb{E}[X] 表示，其中 X X 是一个随机变量。

形式化定义

期望的计算方式取决于随机变量是离散的还是连续的。

一、离散随机变量 (Discrete Random Variable)

对于一个离散随机变量 X X ，它可以取一系列有限或可数无限的值 {x1,x2,x3,… } \{x_1, x_2, x_3, \dots\} 。其对应的概率由概率质量函数 (Probability Mass Function, PMF) p(xi)=P(X=xi) p(x_i) = P(X=x_i) 给出。

X X 的期望定义为：

E[X]=∑ixip(xi)E[X] = \sum_{i} x_i p(x_i)

这个公式的含义是：将每个可能的取值 xi x_i 与其发生的概率 p(xi) p(x_i) 相乘，然后将所有这些乘积相加。

示例：掷一个公平的六面骰子 假设随机变量 X X 代表骰子掷出的点数。

  • 可能的取值 (样本空间)：{1,2,3,4,5,6} \{1, 2, 3, 4, 5, 6\} 。
  • 每个取值的概率：由于骰子是公平的，每个点数出现的概率都是 16 \frac{1}{6} 。所以 p(1)=p(2)=⋯=p(6)=16 p(1)=p(2)=\dots=p(6)=\frac{1}{6} 。

根据定义，其期望为：

E[X]=1⋅16+2⋅16+3⋅16+4⋅16+5⋅16+6⋅16=1+2+3+4+5+66=216=3.5E[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} = \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5

解释：期望值 3.5 并不代表某一次投掷可能出现的结果（因为骰子没有3.5这个点数），而是如果我们进行大量投掷后，所有结果的平均值将趋近于 3.5。它代表了该随机变量分布的中心趋势。

二、连续随机变量 (Continuous Random Variable)

对于一个连续随机变量 X X ，其行为由概率密度函数 (Probability Density Function, PDF) f(x) f(x) 描述。f(x) f(x) 本身不是概率，但其在某个区间上的积分给出了变量落入该区间的概率。

X X 的期望定义为：

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

这个积分可以被看作是离散情况下求和的连续模拟。它将每一个可能的取值 x x 与其“密度”f(x) f(x) 相乘，然后在整个实数轴上进行积分。

示例：均匀分布 假设随机变量 X X 服从区间 [a,b] [a, b] 上的均匀分布。

  • 其概率密度函数为：f(x)=1b−a f(x) = \frac{1}{b-a} 对于 a≤x≤b a \le x \le b ，在其他地方 f(x)=0 f(x) = 0 。

根据定义，其期望为：

E[X]=∫abx⋅1b−a dx=1b−a[x22]ab=1b−a(b2−a22)=(b−a)(b+a)2(b−a)=a+b2E[X] = \int_{a}^{b} x \cdot \frac{1}{b-a} \,dx = \frac{1}{b-a} \left[ \frac{x^2}{2} \right]_{a}^{b} = \frac{1}{b-a} \left( \frac{b^2 - a^2}{2} \right) = \frac{(b-a)(b+a)}{2(b-a)} = \frac{a+b}{2}

解释：均匀分布的期望是其所在区间的中点，这与我们的直觉完全相符。

期望的性质

期望具有一些非常重要的数学性质，这些性质极大地简化了计算和理论推导。

  1. 常数的期望：一个常数 c c 的期望就是它本身。
E[c]=cE[c] = c

这是因为常数可以被看作是一个以概率 1 取值 c c 的随机变量。

  1. 线性性质 (Linearity of Expectation)：这是期望最重要的性质。对于任意两个随机变量 X X 和 Y Y （无论它们是否独立随机变量）以及任意常数 a a 和 b b ：
E[aX+bY]=aE[X]+bE[Y]E[aX + bY] = aE[X] + bE[Y]

这个性质可以推广到任意多个随机变量的线性组合。它意味着“和的期望等于期望的和”，并且可以提出常数因子。这一性质的强大之处在于它对随机变量之间的相关性没有要求。

  1. 乘法性质：
  • 一般情况：通常情况下，E[XY]≠E[X]E[Y] E[XY] \neq E[X]E[Y] 。这两个量之间的差值被定义为 X X 和 Y Y 的协方差：Cov(X,Y)=E[XY]−E[X]E[Y] Cov(X, Y) = E[XY] - E[X]E[Y] 。
  • 独立情况：如果 X X 和 Y Y 是 独立随机变量，那么它们的乘积的期望等于它们各自期望的乘积。
E[XY]=E[X]E[Y](当 X,Y 独立时)E[XY] = E[X]E[Y] \quad (\text{当 } X, Y \text{ 独立时})
  1. 函数的期望 (LOTUS)：如果我们关心一个随机变量 X X 的某个函数 g(X) g(X) 的期望，我们不需要先求出 Y=g(X) Y=g(X) 的分布。我们可以使用所谓的 “无意识统计学家定律” (Law of the Unconscious Statistician) 直接计算：
  • 离散情况： E[g(X)]=∑ig(xi)p(xi) E[g(X)] = \sum_i g(x_i) p(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

例如，这个定律是计算方差 Var(X)=E[(X−E[X])2] Var(X) = E[(X - E[X])^2] 的理论基础。

应用与诠释

  1. 物理学类比：期望可以被看作是概率分布的 质心 (Center of Mass)。如果将实数轴看作一根杆，在每个点 xi x_i 处放置质量为 p(xi) p(x_i) 的物体，那么这根杆的平衡点就是期望 E[X] E[X] 。
  1. 决策论：在面临不确定性时，期望是做出理性决策的基础。例如，在投资中，一个理性的投资者可能会选择能够带来最高 期望回报 (Expected Return) 的资产。在博弈中，期望收益被用来评估一个赌局是否“有利可图”。如果一个游戏的期望收益为正，则长期参与是划算的。
  1. 金融学：资产的期望回报是现代投资组合理论和资本资产定价模型 (CAPM)等核心金融模型的基石。它量化了投资者对一项资产未来表现的平均预期。
  1. 统计推断：期望是定义其他重要统计量（如方差、协方差、偏度和峰度）的基础。例如，方差 Var(X) Var(X) 衡量了数据点围绕其期望波动的程度。

延伸概念

条件期望 (Conditional Expectation)

条件期望 E[Y∣X=x] E[Y|X=x] 表示在已知随机变量 X X 取值为 x x 的条件下，随机变量 Y Y 的期望。这是一个非常强大的工具，允许我们根据部分信息来更新我们的预测。

一个重要的相关定律是 全期望公式 (Law of Total Expectation)，也称作迭代期望定律：

E[Y]=E[E[Y∣X]]E[Y] = E[E[Y|X]]

它表明，一个变量的无条件期望等于其对另一个变量的条件期望的期望值。这在处理复杂模型时非常有用。

期望的存在性

并非所有随机变量都有一个明确定义的期望。对于期望存在（即求和或积分收敛）的条件是 绝对收敛：

  • 离散情况： ∑i∣xi∣p(xi)<∞ \sum_i |x_i| p(x_i) < \infty
  • 连续情况： ∫−∞∞∣x∣f(x) dx<∞ \int_{-\infty}^{\infty} |x| f(x) \,dx < \infty

一个著名的反例是柯西分布 (Cauchy Distribution)。由于其“重尾”特性（即远离中心的值仍有不可忽略的概率密度），其计算期望的积分不收敛，因此柯西分布没有定义期望值。这提醒我们，虽然期望是一个普遍的概念，但其应用依赖于底层的数学条件。