期望值

概述

期望值（expected value, EV）是决策理论的核心概念，量化了不确定结果的平均预期收益。它将每个可能结果的价值（value）与其发生的概率（probability）相结合，通过加权求和计算出”如果重复多次，平均每次可以期望获得的收益”。期望值的数学定义为：

$E V = \sum_{i = 1}^{n} P_{i} \times V_{i}$

其中 $P_{i}$ 是第 $i$ 个结果发生的概率， $V_{i}$ 是第 $i$ 个结果的价值。期望值是第14章概率理论的重要应用，它将概率从抽象的数学概念转化为指导实际决策的实用工具。

定义

期望值（Expected Value）

期望值是一个随机变量在大量重复试验中的长期平均值，计算公式为：

$E V = \sum_{i = 1}^{n} P_{i} \times V_{i}$

其中：

$P_{i}$ 是第 $i$ 个结果发生的概率（probability），满足 $\sum_{i = 1}^{n} P_{i} = 1$

$V_{i}$ 是第 $i$ 个结果的价值（value/payoff），可正可负

$n$ 是所有可能结果的总数

公平赌博、有利赌博与不利赌博

赌博的分类（基于期望值）

期望值是判断一个赌博（或任何不确定决策）是否”公平”的标准：

公平赌博（fair game）： $E V = 参与价格$ 。参与者的期望收益恰好等于参与成本，长期来看不赚不赔

有利赌博（favorable game）： $E V > 参与价格$ 。参与者的期望收益大于参与成本，长期来看有正收益

不利赌博（unfavorable game）： $E V < 参与价格$ 。参与者的期望收益小于参与成本，长期来看有亏损

示例： 掷一枚公平硬币，正面赢 $2 ，反面赢$ 0，参与费 $1。 $$EV = \frac{1}{2} \times 2 + \frac{1}{2} \times 0 = 1$$$ EV = 1 = \text{参与价格}$，这是一个公平赌博。

如果参与费降为 $0.8$ ，则 $E V = 1 > 0.8$ ，变为有利赌博。如果参与费升为 $1.2$ ，则 $E V = 1 < 1.2$ ，变为不利赌博。

期望值的直觉理解

期望值回答的问题是：“如果我重复这个赌博很多很多次，平均每次我能期望得到多少？“它不是对单次结果的预测——单次结果可能远高于或远低于期望值——而是对长期平均趋势的刻画。

核心性质

性质	说明
线性性	期望值具有线性性质： $E (a X + bY) = a E (X) + b E (Y)$ ，其中 $a, b$ 是常数
期望值不保证单次结果	期望值是长期平均值，单次结果可以与期望值相差很大——期望值为正不代表每次都赢
大数定律保证长期趋近	随着重复次数增加，实际平均收益会趋近期望值（大数定律，Law of Large Numbers）
期望值可以为负	当可能损失的价值很大时，期望值可以为负，表示长期来看平均每次亏损
独立性假设	标准期望值计算假设各次试验是独立的，如果试验之间存在依赖关系，需要更复杂的模型

常见误区

"期望值高所以值得参与"是错误的：期望值只反映长期平均趋势，对于只参与一次的决策，还需要考虑风险承受能力（参见圣彼得堡悖论）

"我之前输了所以下次该赢了"是赌徒谬误：如果各次试验独立，过去的输赢不影响未来的概率，期望值不会因为之前的”坏运气”而改变

"期望值为正就一定赚钱"是误解：期望值为正只保证长期趋势为正，短期内完全可能持续亏损——这就是为什么即使期望值为正的赌博也可能让人破产（风险问题）

关系网络

graph TB
    A["期望值<br/>EV = Σ Pᵢ × Vᵢ"] --> B["概率<br/>EV 的核心输入"]
    A --> C["条件概率<br/>复杂决策中的概率计算"]
    A --> D["归纳逻辑<br/>概率是归纳的量化工具"]

    A --> E["决策理论<br/>期望值是理性决策的核心"]
    E --> E1["公平赌博<br/>EV = 价格"]
    E --> E2["有利赌博<br/>EV > 价格"]
    E --> E3["不利赌博<br/>EV < 价格"]

    A --> F["第14章应用"]
    F --> F1["彩票分析<br/>EV 远低于价格"]
    F --> F2["密歇根三位数奖券<br/>EV = 50美分/1美元"]
    F --> F3["赌场双骰赌博<br/>EV = 98.6美分/1美元"]
    F --> F4["投资决策<br/>风险-收益权衡"]

    A --> G["假说-演绎法<br/>假说的期望确证度"]
    A --> H["科学说明<br/>理论选择的期望效用"]

    style A fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style E fill:#fff3e0,stroke:#e65100,stroke-width:2px
    style F fill:#f3e5f5,stroke:#6a1b9a,stroke-width:2px

概率：期望值的计算以概率为核心输入——没有概率就无法计算期望值
条件概率：在复杂决策场景中，需要使用条件概率来计算各结果的概率
归纳逻辑：期望值是归纳逻辑在决策领域的应用——归纳推理为概率估计提供基础，概率为期望值计算提供输入
演绎论证：期望值的数学推导（如线性性证明）依赖演绎推理
假说-演绎法：在科学决策中，不同假说的期望确证度可以用于选择最优假说
科学说明：期望值框架可以用于评估竞争性科学理论的期望解释力

章节扩展

第14章：期望值与实际决策分析

第14章将概率理论应用于实际决策场景，通过期望值分析揭示了日常赌博和投资中的数学真相。

彩票分析：期望值远低于价格

彩票的期望值分析

以典型的彩票为例，假设一张彩票售价 $1$ 美元，头奖为 $500$ 万美元，中奖概率约为 $\frac{1}{1000 万}$ ：

$E V = \frac{1}{10 , 000 , 000} \times 5, 000, 000 + \frac{9 , 999 , 999}{10 , 000 , 000} \times 0 = 0.50 美元$

$E V = 0.50 < 1.00 = 价格$ ，这是一个典型的不利赌博。彩票的期望值通常只有售价的 $40% - 60%$ ，意味着长期来看，每投入 $1$ 美元只能期望收回约 $0.50$ 美元。

为什么人们仍然购买彩票？

从期望值的角度看，购买彩票是不理性的。但行为经济学指出，人们购买彩票的原因包括：

小概率事件的心理放大：人们对极小概率的巨大收益存在认知偏差，会高估中奖概率

娱乐价值：购买彩票的”希望感”本身具有心理价值，不完全是经济决策

风险偏好：对于小额支出，人们更愿意承担高风险换取极小概率的巨大收益

密歇根州三位数奖券

密歇根州三位数奖券分析

密歇根州的三位数奖券（daily 3）是一种典型的数字彩票：

玩家选择一个三位数（000-999），共 1000 种可能

中奖奖金为 $500$ 美元，彩票价格为 $1$ 美元

$E V = \frac{1}{1000} \times 500 + \frac{999}{1000} \times 0 = 0.50 美元$

$E V = 0.50 < 1.00 = 价格$ ，期望值仅为售价的一半。这意味着：

每投入 $1$ 美元，长期平均只能收回 $0.50$ 美元

差额 $0.50$ 美元是彩票发行方的利润（庄家优势）

如果每天买一张，一年投入 $365$ 美元，期望收回约 $182.50$ 美元，净亏损约 $182.50$ 美元

赌场双骰赌博（Craps）

赌场双骰赌博分析

双骰赌博（craps）是赌场中最受欢迎的骰子游戏之一：

玩家下注 $1$ 美元

根据骰子点数的组合，玩家有不同的赢面和赔率

综合所有可能的输赢结果：

$E V \approx 0.986 美元$

$E V = 0.986 < 1.00 = 下注额$ ，期望值略低于下注额。这意味着：

每下注 $1$ 美元，长期平均只能收回约 $0.986$ 美元

赌场的庄家优势（house edge）约为 $1.4%$

虽然庄家优势很小，但在大量重复博弈中，赌场几乎必然盈利——这正是大数定律的威力

大数定律与赌场盈利

赌场的商业模式完全建立在大数定律之上：

单个赌客可能赢也可能输，短期结果不确定

但当成千上万的赌客进行数百万次博弈时，实际平均收益会趋近期望值

由于所有游戏的期望值都略低于下注额（ $E V < 价格$ ），赌场在长期中几乎必然盈利

赌场不需要作弊——数学本身就保证了盈利

投资决策中的期望值

投资决策的期望值分析

期望值框架同样适用于投资决策。假设有两个投资选项：

选项结果概率价值
A 成功 0.6 +$1000
A 失败 0.4 -$200
B 成功 0.3 +$2000
B 失败 0.7 -$100

$E V_{A} = 0.6 \times 1000 + 0.4 \times (- 200) = 600 - 80 = 520$ $E V_{B} = 0.3 \times 2000 + 0.7 \times (- 100) = 600 - 70 = 530$

选项 B 的期望值（ $530$ ）略高于选项 A（ $520$ ），但选项 B 的风险也更大（成功概率更低）。实际决策中，除了期望值，还需要考虑风险偏好和效用函数——这就是 von Neumann 和 Morgenstern 在《博弈论与经济行为》（Theory of Games and Economic Behavior, 1944）中发展的期望效用理论（expected utility theory）的核心议题。

选项	结果	概率	价值
A	成功	0.6	+$1000
A	失败	0.4	-$200
B	成功	0.3	+$2000
B	失败	0.7	-$100

应用

期望值在以下领域有广泛的应用：

赌博与博彩：计算各类赌博游戏的期望值，判断庄家优势，做出理性决策
保险业：保险公司通过计算索赔的期望值来设定保费——保费 > 期望索赔额 + 运营成本 = 保险公司利润
投资与金融：投资组合的期望收益计算、风险-收益权衡分析、期权定价
日常决策：比较不同选择的期望收益，如选择走哪条路线上班（考虑迟到概率和时间成本）
项目管理：评估项目不同方案的期望成本和期望收益
医学决策：比较不同治疗方案的期望效果（考虑治愈率、副作用概率等）
公共政策：评估政策方案的期望社会效益和期望成本

期望值的局限性

期望值虽然是决策的重要工具，但它有明显的局限性：

忽略风险分布：两个期望值相同的选项可能有截然不同的风险特征（如确定得到 $100$ vs 50% 概率得到 $200$ ）

假设线性价值：期望值假设价值是线性的，但实际上人们对待收益和损失的态度是不对称的（损失厌恶）

难以量化所有价值：有些价值（如健康、幸福、生命）难以用数值精确度量

小样本偏差：当决策只能进行少数几次时，大数定律无法保证实际结果趋近期望值

这些局限性催生了期望效用理论（expected utility theory）和前景理论（prospect theory）等更精细的决策模型。

参见

概率 — 期望值计算的核心输入，概率理论是期望值的基础
条件概率 — 复杂决策中计算各结果概率的工具
归纳逻辑 — 概率是归纳逻辑的量化工具，期望值是概率在决策中的应用
演绎论证 — 期望值的数学性质（如线性性）通过演绎推理证明
假说-演绎法 — 期望值框架可用于评估竞争假说的期望确证度
科学说明 — 期望值可用于比较竞争性科学理论的期望解释力

CS Wiki

探索

期望值

期望值

定义

公平赌博、有利赌博与不利赌博

核心性质

关系网络

章节扩展

第14章：期望值与实际决策分析

彩票分析：期望值远低于价格

密歇根州三位数奖券

赌场双骰赌博（Craps）

投资决策中的期望值

应用

参见

关系图谱

目录