期待値の世界へようこそ！
こんにちは！CS1の学習における最も重要なトピックの一つへようこそ。保険会社が保険料をどのように決めているのか、あるいはギャンブラーがどうやって期待される利益を計算しているのか不思議に思ったことはありませんか？その答えこそが、この期待値（Expectation）なのです。
この章では、確率変数の「長期的平均」を計算する方法を学びます。最初は数式が多くて少し難しく感じるかもしれませんが、大丈夫です！身近な例やわかりやすい解説を交えて、一歩ずつ進んでいきましょう。さあ、始めましょう！
1. 期待値とは？
期待値（\(E[X]\)と表記します）は、確率分布の重心のようなものだと考えてください。実験を何百万回と繰り返したときに得られる平均的な値のことです。
離散型の場合
確率変数 \(X\) が離散型（サイコロの出目のように、数えられる値）の場合、期待値は加重平均になります。各値にそれが起こる確率を掛け合わせ、すべてを合計します。
\(E[X] = \sum x \cdot P(X = x)\)
例：20%の確率で10ドル勝ち、80%の確率で0ドルになるゲームを想像してみてください。
\(E[X] = (10 \times 0.20) + (0 \times 0.80) = 2ドル\)。
1回のゲームで実際に2ドル勝つことはあり得ませんが、1,000回プレイすれば、1回あたり平均2ドルになることが期待されます。
連続型の場合
\(X\) が連続型（保険金の請求が届くまでの正確な時間など）の場合は、合計（シグマ）の代わりに積分を使います。考え方は同じで、滑らかな曲線に対して適用するだけです。
\(E[X] = \int_{-\infty}^{\infty} x \cdot f(x) \, dx\)
クイック復習：期待値を求めるときは、「値 × 確率」を合計（または積分）するだけ！これだけ覚えておきましょう。
2. 期待値の性質
期待値には扱いやすい性質がいくつかあります。これを知っておくと計算がぐっと楽になります。
1. 線形性： \(E[aX + b] = aE[X] + b\)。全員の保険金請求額を2倍にして5ドル加算すれば、平均請求額も2倍になって5ドル増える、ということです。
2. 和の期待値： \(E[X + Y] = E[X] + E[Y]\)。合計の平均は、平均の合計と一致します。
避けるべきよくある間違い：
\(E[X^2]\) と \((E[X])^2\) を同じだと勘違いしてしまう人が非常に多いです。これは正しくありません！必ず \(E[X^2]\) を個別に計算し、\(x^2 \cdot P(X=x)\) の合計を求めるようにしてください。
3. 条件付き期待値：「〜という条件下で」
ここからが面白いところです。時には、追加の情報が得られることがあります。例えば、「契約者が25歳未満であるとわかっている場合」の期待される保険金請求額はいくらでしょうか？
条件付き期待値 \(E[X|Y=y]\) とは、\(Y\) が \(y\) であるという条件下のみで計算した \(X\) の平均値のことです。
計算方法：
1. 条件付き確率 \(P(X|Y)\) または条件付き密度関数 \(f(x|y)\) を求めます。
2. 通常の期待値の公式において、通常の確率の代わりにその条件付き確率を使います。
\(E[X|Y=y] = \sum x \cdot P(X=x|Y=y)\) （離散型）
\(E[X|Y=y] = \int x \cdot f(x|y) \, dx\) （連続型）
豆知識：アクチュアリーの実務では、条件付き期待値は経験料率設定（experience rating）に使われます。例えば、あるドライバーが1年間に3回事故を起こした場合、その特定の情報を「条件」として、将来の請求額を予測するのです！
4. 全期待値の法則（Law of Total Expectation）
これはIFoA（英国アクチュアリー会）の試験でも頻出です！反復期待値の法則や「タワープロパティ（Tower Property）」とも呼ばれます。
その内容はこうです： \(E[X] = E[E[X|Y]]\)
つまりどういうこと？
こう考えてみてください： \(X\) の全体の平均を知りたければ、まずグループごとの平均（\(E[X|Y]\)）を求め、そのグループ平均たちの平均を取ればよい、ということです。
例え話：学校のテスト
学校全体のテスト平均点を知りたいとします。
1. まず、クラスごとの平均点（\(E[X|クラス]\)）を求めます。
2. 次に、各クラスの人数を考慮して、それらの平均の平均（加重平均）を計算します。
そうすれば、学校全体の平均（\(E[X]\)）が求められますね。
5. 分散と条件付き分散
期待値は「中心」を教えてくれますが、分散（Variance）はデータの「ばらつき」を教えてくれます。
公式はこれです： \(Var(X) = E[X^2] - (E[X])^2\)。
全分散の法則（Law of Total Variance）
一見難しそうな式ですが、分解してみましょう：
\(Var(X) = E[Var(X|Y)] + Var(E[X|Y])\)
覚え方：「分散の期待値 ＋ 期待値の分散」（E-V ＋ V-E）。
この式は、全リスクを2つに分解しています：
1. \(E[Var(X|Y)]\)： 「グループ内」のばらつき。（各グループの中にある平均的な不確実性）。
2. \(Var(E[X|Y])\)： 「グループ間」のばらつき。（グループごとの平均がどれくらい異なるか）。
6. まとめと重要なポイント
お疲れ様でした！期待値の評価に関する核となる概念をマスターしましたね。復習のために、以下のポイントを覚えておきましょう：
- 期待値は加重平均： 結果にその確率を掛け合わせる。
- 線形性： 定数は期待値の記号の外に出せる。
- 条件付き： 確率を変える追加情報があるときは \(E[X|Y]\) を使う。
- 全期待値の法則： \(E[X] = E[E[X|Y]]\)。\(X\) が他の要因 \(Y\) に依存するときに使う。
- 全分散の法則： \(Var(X) = E[Var(X|Y)] + Var(E[X|Y])\)。リスクを異なる要因に分解するのに役立つ。
最後のヒント： ある確率変数が他の変数に依存する問題（例：請求件数が天候に依存するなど）に出会ったら、頭の中で即座に条件付き期待値をイメージできるようにしましょう！練習を重ねれば、これらの公式は自然と使いこなせるようになりますよ！