它回答的不是“下一次一定会发生什么”，而是：

如果把各种可能结果及其概率一起考虑，这个分布的概率加权中心在哪里？

从随机变量开始

期望值不直接属于一个模糊的“事件”，而是属于随机变量。

随机变量是把随机结果映射为数值的函数。例如，抛一枚硬币后，可以定义：

正面 → X = 1
反面 → X = 0

如果硬币是公平的，那么：

P(X = 1) = 0.5
P(X = 0) = 0.5

对离散随机变量，期望值定义为：

E[X] = Σ xᵢ P(X = xᵢ)

在硬币例子中：

E[X] = 1 × 0.5 + 0 × 0.5 = 0.5

一次抛币不可能得到 0.5 个正面。期望值是分布的均值，不必是随机变量真正能取到的值。

期望值不是最可能的结果

假设一个游戏有两种结果：

期望收益是：

E[X] = 0.1 × 100 + 0.9 × 0 = 10

但是：

• 一次的实际结果只会是 100 元或 0 元；
• 最可能的结果是 0 元；
• 10 元不是任何一次必然出现的收益；
• 期望值不承诺单次结果会接近它。

因此需要区分：

一个分布的期望值可以很好，但最常出现的结果仍然可能很差。

期望值等于长期平均吗？

教材常把期望值解释为“长期平均”。这是有用的直观，但需要补充条件。

期望值首先是根据概率分布定义的数学量。在满足相应条件时，如果同类试验被大量重复，观测平均才可以趋近期望值。

这个语境通常默认：

• 试验能够重复；
• 概率机制没有在重复过程中改变；
• 各次观测具有合适的独立性或稳定性；
• 相关期望存在且是有限的。

人生选择、重大手术、一次性投资和不可逆决策，往往不能被同一个人在同样条件下无限重复。这时，期望值仍然可以描述概率分布，但“长期一定能回到平均”不再是个人决策的充分理由。

期望值为什么有用？

期望值把多个不确定结果压缩成一个可比较的数。它尤其适合：

• 重复次数较多的决策；
• 多个彼此分散的项目组合；
• 保险、库存、排队和实验设计；
• 需要把概率与金额、数量或损失结合的问题；
• 对不同方案进行第一层筛选。

期望还具有线性。对适当的随机变量：

E[aX + bY] = aE[X] + bE[Y]

这意味着可以先分别计算多个部分的期望，再把它们组合起来。线性本身不要求这些随机变量彼此独立。

为什么不能只看期望值？

考虑两个方案：

两个方案的期望值相同，但风险结构完全不同。

一个完整决策还需要检查：

1. 波动：结果会离期望值多远？
2. 尾部风险：小概率下会不会出现极大损失？
3. 破产风险：一次失败会不会使主体无法继续参与？
4. 时间：收益何时出现，期间是否需要承担成本？
5. 可逆性：决策失败后能否撤回或重试？
6. 机会次数：这是否是能够分散的多次决策？
7. 概率误差：概率是已知的，还是从有限数据中估计出来的？

期望值只保留了分布的一个特征。两个形状完全不同的分布可以拥有相同的期望值。

从期望值到期望效用

金钱和结果对人的实际价值不一定线性增长。

对一个资源充足的人，损失 1 万元可能只是普通波动；对一个现金流已经断裂的人，同样的损失可能意味着无法继续生活或经营。

决策理论因此不只计算结果的期望值，还可以对每个结果赋予效用：

E[U(X)] = Σ P(X = xᵢ)U(xᵢ)

这里的 U(x) 表示结果对特定主体的价值，而不只是结果的名义数额。

期望效用理论是不确定决策的规范性模型：它说明在一组偏好和信念满足相应条件时，如何使选择保持一致。它不是人类心理的完整描述。

卡尼曼和特沃斯基的前景理论就是对期望效用作为实际选择描述模型的批评和替代。他们的实验工作表明，人对获得、损失、确定结果和仅有概率的结果，并不总是按照简单的期望效用方式处理。

概率从哪里来？

任何期望值都依赖于一个更基础的问题：用来加权的概率是什么？

概率可能表示：

• 可重复机制的长期频率；
• 物理系统的倾向或机会；
• 证据对某个判断的支持程度；
• 一个主体的信念程度；
• 由统计模型估计得到的预测分布。

这些解释并不完全相同。数学公式可以是正确的，输入的概率却可能来自错误模型、过少样本或过时数据。

因此：

期望值的精确度不会超过结果划分、数值估计和概率输入的可信度。

现实决策中怎样使用期望值？

可以按下面的顺序分析：

1. 列出选项。 当前真正可以选择的行动是什么？
2. 列出结果。 每个选项可能导致哪些结果？
3. 检查遗漏。 是否把重要的间接后果排除在外？
4. 估计概率。 概率来自机制、数据、经验还是主观判断？
5. 为结果赋值。 计算的是金额、时间、生命、满意度，还是其他价值？
6. 计算期望值。 把结果按概率加权求和。
7. 检查分布。 不只看均值，还看波动、分位数和尾部。
8. 检查承受力。 主体能否活着等到长期平均？
9. 做敏感性分析。 如果概率或价值估计改变，结论是否立即反转？
10. 按新证据更新。 期望值是当前模型的输出，不是永久答案。

对“期望值”的最终定义

可以把期望值定义为：

期望值是随机变量各个可能取值按其概率加权得到的均值，用来表示概率分布的中心位置。

它不是：

• 下一次的保证；
• 最可能的结果；
• 一定能被实际取到的数值；
• 对风险的完整描述；
• 自动正确的决策答案。

期望值的力量在于，它把概率与结果放进同一个计算。它的边界也在这里：一个加权平均无法单独告诉我们，一次失败有多严重、主体能否承受，以及用来计算的概率是否值得信任。

参考

• OpenStax: Mean or Expected Value and Standard Deviation
• Stanford Encyclopedia of Philosophy: Interpretations of Probability
• Stanford Encyclopedia of Philosophy: Decision Theory
• Stanford Encyclopedia of Philosophy: Normative Theories of Rational Choice: Expected Utility
• Kahneman and Tversky: Prospect Theory: An Analysis of Decision under Risk