统计学系列条目
概率论
概率 概率公理 决定论 非决定论 随机性
概率空间 概率测度 样本空间 随机试验 伯努利试验 事件 互补事件 互斥 基本事件（英语：Elementary_event） 结果 单元素
随机变量 期望 条件概率 概率分布 离散型均匀分布 伯努利分布 二项式分布 几何分布 负二项分布 超几何分布 泊松分布 连续型均匀分布 正态分布 对数正态分布 多元正态分布 指数分布 Gamma分布 Beta分布 帕累托分布 联合分布 边缘分布
随机过程 伯努利过程 随机游走 维纳过程 马尔可夫过程 伊藤过程
统计独立性 条件独立 全概率公式 大数定律 贝叶斯定理 布尔不等式
文氏图 树形图
查 论 编

在概率论和统计学中，一个离散性随机变量的期望（或数学期望，亦简称期望，物理学中称为期待值）是试验中每次可能的结果乘以其结果概率的总和。换句话说，期望像是随机试验在同样的机会下重复多次，所有那些可能状态平均的结果，便基本上等同“期望”所期望的数。期望可能与每一个结果都不相等。换句话说，期望是该变量输出值的加权平均。期望并不一定包含于其分布值域，也并不一定等于值域平均值。

例如，掷一枚公平的六面骰子，其每次“点数”的期望是3.5，计算如下：

${\displaystyle {\begin{aligned}\operatorname {E} (X)&=1\cdot {\frac {1}{6))+2\cdot {\frac {1}{6))+3\cdot {\frac {1}{6))+4\cdot {\frac {1}{6))+5\cdot {\frac {1}{6))+6\cdot {\frac {1}{6))\\[6pt]&={\frac {1+2+3+4+5+6}{6))=3.5\end{aligned))}$

不过如上所说明的，3.5虽是“点数”的期望，但却不属于可能结果中的任一个，没有可能掷出此点数。

数学定义

如果${\displaystyle X}$是在概率空间${\displaystyle (\Omega ,F,P)}$中的随机变量，那么它的期望${\displaystyle \operatorname {E} (X)}$的定义是：

${\displaystyle \operatorname {E} (X)=\int _{\Omega }X\,\mathrm {d} P}$

并不是每一个随机变量都有期望的，因为有的时候上述积分不存在。

如果两个随机变量的分布相同，则它们的期望也相同。

如果${\displaystyle X}$是离散的随机变量，输出值为${\displaystyle x_{1},x_{2},\ldots }$，和输出值相应的概率为${\displaystyle p_{1},p_{2},\ldots }$（概率和为1）。

若级数${\displaystyle \sum _{i}p_{i}x_{i))$绝对收敛，那么期望${\displaystyle \operatorname {E} (X)}$是一个无限数列的和。

${\displaystyle \operatorname {E} (X)=\sum _{i}p_{i}x_{i))$

如果${\displaystyle X}$是连续的随机变量，存在一个相应的概率密度函数${\displaystyle f(x)}$，若积分${\displaystyle \int _{-\infty }^{\infty }xf(x)\,\mathrm {d} x}$绝对收敛，那么${\displaystyle X}$的期望可以计算为：

${\displaystyle \operatorname {E} (X)=\int _{-\infty }^{\infty }xf(x)\,\mathrm {d} x}$。

是针对于连续的随机变量的，与离散随机变量的期望的算法同出一辙，由于输出值是连续的，所以把求和改成了积分。

性质

• 期望${\displaystyle E}$是线性函数。

  ${\displaystyle \operatorname {E} (aX+bY)=a\operatorname {E} (X)+b\operatorname {E} (Y)}$

  ${\displaystyle X}$和${\displaystyle Y}$为在同一概率空间的两个随机变量（可以独立或者非独立），${\displaystyle a}$和${\displaystyle b}$为任意实数。

• 一般的说，一个随机变量的函数的期望并不等于这个随机变量的期望的函数。

  ${\displaystyle \operatorname {E} (g(X))=\int _{\Omega }g(x)f(x)\,\mathrm {d} x\neq g(\operatorname {E} (X))}$

• 在一般情况下，两个随机变量的积的期望不等于这两个随机变量的期望的积。

  当${\displaystyle \operatorname {E} (XY)=\operatorname {E} (X)\operatorname {E} (Y)}$成立时，随机变量${\displaystyle X}$和${\displaystyle Y}$的协方差为0，又称它们不相关。特别的，当两个随机变量独立时，它们协方差（若存在）为0。

期望的运用

在统计学中，估算变量的期望时，经常用到的方法是重复测量此变量的值，再用所得数据的平均值来估计此变量的期望。

在概率分布中，期望和方差或标准差是一种分布的重要特征。

在古典力学中，物体重心的算法与期望的算法十分近似。

在赌博中，期望又称预期值、长期效果值、合理价值、期待值，都能完全贴和，而其计算的方式为：

${\displaystyle \mathrm {EV} }$（期望）${\displaystyle =}$胜的概率${\displaystyle \times }$获胜的筹码${\displaystyle -}$输的概率${\displaystyle \times }$输掉的筹码

期望也可以通过方差计算公式来计算方差：

${\displaystyle \operatorname {Var} (X)=\operatorname {E} (X^{2})-\operatorname {E} (X)^{2))$

（平方期望减的期望平方）

其他写法

在机器学习领域的文章中，常常在期望算子的下标中指定${\displaystyle x}$服从的分布。例如：随机变量${\displaystyle x}$的函数${\displaystyle g(x)}$的期望常常写成这样：

${\displaystyle \mathbb {E} _{x\sim p(x)}[g(x)]=\int _{-\infty }^{\infty }p(x)g(x)\,\mathrm {d} x}$

${\displaystyle p(x)}$是${\displaystyle x}$的概率密度函数。

参考文献

查 论 编 概率分布的理论 概率质量函数(pmf) 概率密度函数(pdf) 累积分布函数(cdf) 分位函数 矩 中心矩 期望 方差 标准差 偏度 峰度 矩生成函数(mgf) 特征函数 概率生成函数(pgf) 累积量