查看“︁期望”︁的源代码

期望是随机变量按照其概率分布加权得到的平均量，也称数学期望或均值。它概括分布的中心位置，但不一定是最可能的值，也不一定是某次试验能够取得的值。

== 概率加权的平均 ==
离散随机变量 <math>X</math> 的可能取值为 <math>x_i</math>，对应概率为 <math>p_i</math>，在绝对可积时定义
<math display="block">\mathbb E[X]=\sum_i x_i p_i,\qquad \sum_i |x_i|p_i<\infty.</math>
若有概率密度 <math>f_X</math>，则相应地有
<math display="block">\mathbb E[X]=\int_{-\infty}^{\infty}x f_X(x)\,dx,</math>
有限期望通常要求 <math>\int |x|f_X(x)\,dx<\infty</math>。没有可积性条件时，形式上的正负抵消可能误导。

[[File:Gezhi-expectation-die.svg|frame|center|alt=公平骰子六个取值的概率柱均为六分之一，均值标在三和四之间的三点五处|概率分布的“重心”在 3.5，但骰子没有 3.5 这一面。]]
公平六面骰的点数期望为
<math display="block">\mathbb E[X]=\frac{1+2+3+4+5+6}{6}=3.5.</math>
这描述长期平均的中心，不是在预测下一次会掷出 3.5。

== 线性性不要求独立 ==
对具有有限期望的 <math>X,Y</math> 及常数 <math>a,b</math>，有
<math display="block">\mathbb E[aX+bY]=a\mathbb E[X]+b\mathbb E[Y].</math>
不论两个骰子是否独立，只要它们各自都是公平骰子，两者点数和的期望都是 7。相关性会改变和的分布及波动大小，却不影响这条线性规则。

乘法不同：一般不能写成 <math>\mathbb E[XY]=\mathbb E[X]\mathbb E[Y]</math>。例如令 <math>Y=X</math> 为同一枚公平骰子的点数，则 <math>\mathbb E[X^2]=91/6</math>，而 <math>(\mathbb E[X])^2=49/4</math>，二者不相等。独立且可积是保证乘积期望分解的一组充分条件。

== 指示变量把计数变简单 ==
事件 <math>A</math> 的指示变量 <math>\mathbf1_A</math> 在事件发生时为 1，否则为 0，因此 <math>\mathbb E[\mathbf1_A]=P(A)</math>。

把一副充分洗匀的 52 张标准扑克牌抽出 5 张。对每张 A 定义指示变量，表示它是否被抽到。每张牌被抽到的概率都是 <math>5/52</math>，因此抽到的 A 的张数 <math>N</math> 满足
<math display="block">\mathbb E[N]=4\cdot\frac5{52}=\frac5{13}.</math>
这些指示变量并不独立，但线性性仍然成立。无需先列出抽到 0、1、2、3、4 张 A 的全部概率，就能求得期望。

== 同样的平均值，不同的波动 ==
恒等于 0 的变量与各以一半概率取 ±10 的变量，期望都为 0，但后者的波动大得多。二阶矩有限时，方差
<math display="block">\operatorname{Var}(X)=\mathbb E[(X-\mathbb E[X])^2]=\mathbb E[X^2]-(\mathbb E[X])^2</math>
分别是 0 与 100。期望的单位与变量相同，方差的单位则是变量单位的平方。

一般也有 <math>\mathbb E[g(X)]\ne g(\mathbb E[X])</math>，所以上例不能把“平均点数的平方”当作“平方点数的平均”。

== 期望并不总是有限 ==
令 <math>P(X=2^n)=2^{-n}</math>，<math>n=1,2,\ldots</math>。这些概率之和为 1，但
<math display="block">\mathbb E[X]=\sum_{n=1}^{\infty}2^n2^{-n}=+\infty.</math>
非负随机变量可以有无穷期望。对更一般的有正有负变量，正负部分都无限时，期望可能根本无定义，不能写成“无穷减无穷等于零”。

== 延伸阅读 ==
* [https://ocw.mit.edu/courses/18-05-introduction-to-probability-and-statistics-spring-2022/pages/classes-reading-and-in-class-materials/ MIT OpenCourseWare，18.05 阅读材料]：期望、方差与连续随机变量。
* [[概率]] · [[积分]] · [[数学建模]]
[[分类:概率与统计]]