离散型随机变量期望值 E(X) 详解：从投硬币到投资的来龙去脉
一、从一个简单的赌博游戏开始
想象这样一个游戏：
规则：抛一枚均匀硬币。如果正面朝上，你赢5元；如果反面朝上，你输3元。
问题：这个游戏对你有利吗？长期玩下去，你会赚钱还是赔钱？
手动模拟（先建立直觉）
假设玩10次，结果可能是：
- 正面：赢5元
- 反面：输3元
如果10次中有5次正面、5次反面：
总收益 = 5×5 + 5×(-3) = 25 - 15 = 10元
平均每次收益 = 10/10 = 1元
但这是固定的5正5反。实际上，每次抛硬币结果是随机的。期望值 E(X) 就是告诉我们：如果无限次重复这个游戏，平均每次能赢/输多少钱。
二、期望值的定义与计算
1. 数学定义
对于离散随机变量 X（如抛硬币游戏的结果），期望值 E(X) 是：
所有可能结果 × 对应概率 的总和
用公式表示：
E(X) = Σ [xᵢ × P(X = xᵢ)]
xᵢ：第 i 种可能的结果值P(X = xᵢ)：结果 xᵢ 发生的概率Σ：求和符号（把所有情况加起来）
2. 计算抛硬币游戏的 E(X)
设随机变量 X = 玩一次游戏的收益（单位：元）
| 结果 | 收益 xᵢ | 概率 P(X=xᵢ) | xᵢ × P(X=xᵢ) |
|---|---|---|---|
| 正面 | +5元 | 0.5 | 5 × 0.5 = 2.5 |
| 反面 | -3元 | 0.5 | (-3) × 0.5 = -1.5 |
计算期望值：
E(X) = 2.5 + (-1.5) = 1.0 元
结论：期望值 E(X) = 1元，意味着：
- 如果玩很多很多次，平均每次你能赢1元
- 这是一个对你有利的游戏（庄家不利）
三、期望值的三种直观理解方式
1. 长期平均值（频率学派）
玩 N 次（N很大），总收益 ≈ N × E(X)，平均每次收益 ≈ E(X)。
2. 概率加权平均
每个可能结果按概率加权平均。
3. 分布的重心
把概率看作质量，结果值看作位置，期望值就是整个系统的重心。
四、期望值计算实战案例
案例1：六面骰子游戏
规则：掷一个公平骰子，出现的点数就是你的奖金（元）。
设 X = 获得的奖金
| 点数 x | 概率 P(X=x) | x × P(X=x) |
|---|---|---|
| 1 | 1/6 | 1 × 1/6 = 1/6 |
| 2 | 1/6 | 2 × 1/6 = 2/6 |
| 3 | 1/6 | 3 × 1/6 = 3/6 |
| 4 | 1/6 | 4 × 1/6 = 4/6 |
| 5 | 1/6 | 5 × 1/6 = 5/6 |
| 6 | 1/6 | 6 × 1/6 = 6/6 |
E(X) = (1+2+3+4+5+6)/6 = 21/6 = 3.5元
解读：长期玩这个游戏，平均每次获得3.5元。
案例2：彩票投资分析
规则：
- 彩票售价：2元/张
- 中奖概率：0.1%（1/1000）
- 奖金：500元
设 X = 购买一张彩票的净收益（奖金 - 成本）
| 结果 | 净收益 x | 概率 P(X=x) | x × P(X=x) |
|---|---|---|---|
| 中奖 | 500-2 = 498元 | 0.001 | 498 × 0.001 = 0.498 |
| 不中奖 | 0-2 = -2元 | 0.999 | -2 × 0.999 = -1.998 |
E(X) = 0.498 + (-1.998) = -1.5元
解读：每买一张彩票，平均亏损1.5元。彩票发行方靠这个期望值差赚钱。
案例3：二项分布的期望值（进阶）
场景：考试有10道选择题（4选1），完全瞎蒙。
设 X = 蒙对的题数，每道题蒙对概率 p = 0.25
二项分布期望值公式：E(X) = n × p
E(X) = 10 × 0.25 = 2.5题
解读：如果很多人完全瞎蒙，平均每人能蒙对2.5题。
五、期望值的性质（重要！）
性质1：线性性质
E(aX + b) = a × E(X) + b （a, b 是常数）
例子：如果抛硬币游戏奖金翻倍，同时收取1元入场费：
新收益 Y = 2X - 1，其中 X 是原收益
E(Y) = 2 × E(X) - 1 = 2×1 - 1 = 1元
性质2：和的期望 = 期望的和
E(X + Y) = E(X) + E(Y) （即使 X, Y 不独立也成立）
例子：玩两次抛硬币游戏，总收益期望：
E(总收益) = E(第一次收益) + E(第二次收益) = 1 + 1 = 2元
性质3：乘积的期望（仅当独立时简单）
如果 X 和 Y 独立，E(XY) = E(X) × E(Y)
七、期望值在决策中的应用
投资决策案例
有两个投资项目：
| 项目 | 可能收益 | 概率 | 期望收益计算 |
|---|---|---|---|
| A | 100万元 | 0.6 | 100×0.6 + (-20)×0.4 |
| -20万元 | 0.4 | = 60 - 8 = 52万元 | |
| B | 60万元 | 0.9 | 60×0.9 + 0×0.1 |
| 0万元 | 0.1 | = 54 + 0 = 54万元 |
E(A) = 52万元
E(B) = 54万元
仅看期望值：B项目更好（54 > 52）
但风险考虑：
- A项目：可能大赚(100万)，也可能小亏(-20万)
- B项目：比较稳定，大概率赚60万
风险偏好者可能选A，风险厌恶者可能选B。
保险定价案例
背景：保险公司设计车险
- 假设平均每1000辆车中，1辆会发生事故，赔偿10万元
- 每辆车的期望理赔成本：
E(理赔) = 100,000 × (1/1000) = 100元 - 保险公司定价：保费 = 期望成本 + 运营费用 + 利润 ≈ 150元
这就是保险公司用期望值定价的原理。
八、常见误区与注意事项
误区1：期望值 ≠ 最可能值
例子：抛硬币游戏 E(X)=1元，但实际每次要么赢5元要么输3元，永远不会正好赢1元。
误区2：期望值不一定是有可能的值
例子：掷骰子奖金 E(X)=3.5元，但骰子不可能出现3.5点。
误区3：忽略方差/风险
高期望值可能伴随高风险。需要结合方差/标准差评估。
九、总结：期望值思维框架
1. 遇到随机问题时的思考步骤：
实际问题 → 定义随机变量X → 列出所有可能结果 →
确定每个结果的概率 → 计算E(X) → 解释现实意义
2. 期望值告诉我们什么：
- 赌博/投资：长期平均收益率
- 产品质量：平均寿命、平均缺陷数
- 保险：平均理赔成本
- 游戏设计：玩家平均收益（确保庄家优势）
3. 重要公式记忆：
离散型：E(X) = Σ [xᵢ × P(X=xᵢ)]
二项分布：E(X) = n×p
4. 一句话定义：
期望值 E(X) 是随机变量 X 所有可能取值以概率为权重的加权平均值，代表长期重复试验中的平均结果。
十、动手练习
练习1：抽奖游戏
一个盒子中有：
- 8个白球（无奖）
- 1个红球（奖金10元）
- 1个金球（奖金50元）
抽一次球（抽后放回），设 X 为奖金。
- 计算 E(X)
- 如果抽一次要付8元，还应该玩吗？
答案：
P(白球)=0.8, P(红球)=0.1, P(金球)=0.1
E(X) = 0×0.8 + 10×0.1 + 50×0.1 = 0+1+5 = 6元
净收益期望 = 6 - 8 = -2元 → 不应该玩
练习2：选择题策略
考试有5道4选1选择题。策略A：完全瞎蒙。策略B：排除1个错误选项后猜。
问：两种策略的期望得分是多少？（每题5分）
答案：
策略A：E(得分) = 5题 × (1/4) × 5分 = 6.25分
策略B：E(得分) = 5题 × (1/3) × 5分 ≈ 8.33分
二项分布期望值 E(X) = n × p 的推导详解
我们通过两种方法推导这个重要公式：一种是严密的代数推导，另一种是更直观的 “分而治之”方法。
一、基础准备：二项分布回顾
二项试验条件：
- 固定试验次数 n
- 每次试验只有两种结果：成功（概率 p）或失败（概率 q=1-p）
- 各次试验相互独立
- 随机变量 X = 成功次数
概率公式：
P(X = k) = C(n,k) × p^k × (1-p)^(n-k)
其中 C(n,k) = n!/(k!(n-k)!) 是从 n 次试验中选 k 次成功的组合数。
二、方法一：严密的代数推导（用定义）
1. 期望值的定义
期望值定义：E(X) = Σ [k × P(X=k)]，对所有可能的 k 求和。
对于二项分布，k 从 0 到 n：
E(X) = Σ_{k=0}^{n} [k × C(n,k) × p^k × (1-p)^(n-k)]
2. 关键技巧：处理 k=0 项
当 k=0 时，k × P(X=0) = 0，所以我们可以从 k=1 开始求和：
E(X) = Σ_{k=1}^{n} [k × C(n,k) × p^k × (1-p)^(n-k)]
3. 使用组合恒等式：k×C(n,k) = n×C(n-1,k-1)
证明这个等式：
k × C(n,k) = k × [n! / (k!(n-k)!)]
= n × [(n-1)! / ((k-1)!(n-k)!)]
= n × C(n-1, k-1)
代入公式：
E(X) = Σ_{k=1}^{n} [n × C(n-1, k-1) × p^k × (1-p)^(n-k)]
= n × Σ_{k=1}^{n} [C(n-1, k-1) × p^k × (1-p)^(n-k)]
4. 提取因子 p
将 p^k 写成 p × p^{k-1}：
E(X) = n × p × Σ_{k=1}^{n} [C(n-1, k-1) × p^{k-1} × (1-p)^(n-k)]
5. 变量替换：令 j = k-1
当 k=1 时，j=0；当 k=n 时，j=n-1。
另外，n-k = n - (j+1) = (n-1) - j
代入：
E(X) = n × p × Σ_{j=0}^{n-1} [C(n-1, j) × p^j × (1-p)^((n-1)-j)]
6. 识别二项式求和
看这个求和部分：Σ_{j=0}^{n-1} [C(n-1, j) × p^j × (1-p)^((n-1)-j)]
这正是二项式定理的形式！根据二项式定理：
(a + b)^m = Σ_{j=0}^{m} [C(m, j) × a^j × b^{m-j}]
这里 a=p, b=1-p, m=n-1，所以：
Σ_{j=0}^{n-1} [C(n-1, j) × p^j × (1-p)^((n-1)-j)] = (p + (1-p))^(n-1) = 1^(n-1) = 1
7. 最终结果
E(X) = n × p × 1 = n × p
推导完成！
通过以上讲解，你应该已经理解了：
- 期望值是什么（长期平均值）
- 如何计算期望值
- 期望值在现实决策中的应用
- 期望值的局限性（需结合风险考虑）
期望值是概率论中最重要的概念之一，是连接概率理论与现实决策的桥梁。掌握它，你就有了分析不确定性的强大工具！
