欢迎来到期望值的世界！

你好！欢迎来到 CS1 学习旅程中最重要的章节之一。如果你曾经好奇保险公司是如何决定保单保费的，或者赌徒是如何计算预期收益的，那么你现在找到答案了：这就是期望值 (Expectations)。

在本章中，我们将学习如何计算随机变量的「长期平均值」。如果一开始觉得数学公式看起来有点吓人，不用担心——我们会透过简单的类比和清晰的例子逐步拆解。让我们开始吧！

1. 什么是期望值？

将期望值 (Expected Value)（记作 \(E[X]\)）想象成概率分布的重心 (Center of gravity)。如果你将实验重复进行数百万次，它就是你所得到的平均值。

离散情况

如果你的随机变量 \(X\) 是离散的（意味着你可以计算结果，例如掷骰子），期望值就是一个加权平均数 (Weighted average)。你需要将每个可能的值乘以其发生的概率，然后将它们全部加起来。

\(E[X] = \sum x \cdot P(X = x)\)

例子： 想象一个游戏，你有 20% 的机会赢得 \$10，80% 的机会赢得 \$0。
\(E[X] = (10 \times 0.20) + (0 \times 0.80) = \$2\)。\n
尽管你在单次游戏中永远不可能刚好赢得 \$2，但如果你玩了 1,000 次，平均每次游戏预期会赢得 \$2。

\n\n

连续情况

\n

如果 \(X\) 是连续的（例如索赔到达的确切时间），我们就使用积分 (Integration) 而非加总。逻辑是一样的，只是应用在平滑的曲线图上。

\n

\(E[X] = \int_{-\infty}^{\infty} x \cdot f(x) \, dx\)

\n

快速复习： 要计算期望值，记住口诀：数值 \(\times\) 概率，然后把它们全部加起来（或积分）即可！

\n\n

2. 期望值的性质

\n

期望值非常「听话」，它们遵循一些简单的规则，让我们的运算轻松许多：

\n

1. 线性性质 (Linearity)： \(E[aX + b] = aE[X] + b\)。如果你将所有人的保险索赔额加倍并增加 \$5，平均索赔额也会加倍并增加 \$5。
2. 总和性质 (Sums)： \(E[X + Y] = E[X] + E[Y]\)。总和的平均值等于各平均值的总和。

需要避免的常见错误：

很多学生误以为 \(E[X^2]\) 等同于 \((E[X])^2\)。这是不对的！ 务必透过计算 \(\sum x^2 \cdot P(X=x)\) 来单独得出 \(E[X^2]\)。

3. 条件期望值：加入「已知条件」

这是最有趣的部分。有时候，我们会获得额外的资讯。例如，在已知投保人年龄小于 25 岁的条件下，预期的索赔金额是多少？

条件期望值 (Conditional Expectation) \(E[X|Y=y]\) 是指仅在 \(Y\) 取值为 \(y\) 的情况下计算出的 \(X\) 平均值。

如何计算：

1. 找出条件概率 \(P(X|Y)\) 或条件密度函数 \(f(x|y)\)。
2. 使用标准期望值公式，但用条件概率替代一般概率。

\(E[X|Y=y] = \sum x \cdot P(X=x|Y=y)\) (离散)
\(E[X|Y=y] = \int x \cdot f(x|y) \, dx\) (连续)

你知道吗？ 在精算工作中，条件期望值常用于经验费率调整 (Experience rating)。如果一名驾驶一年内发生了 3 次事故，我们就会根据这项特定的资讯来「调整」对他未来索赔的期望！

4. 总期望值定律 (Law of Total Expectation)

这是 IFoA 考官的最爱！它也被称为迭代期望值定律 (Law of Iterated Expectations) 或「塔属性 (Tower Property)」。

它指出：\(E[X] = E[E[X|Y]]\)

等等，这是什么意思？
这样想：要找到 \(X\) 的总体平均值，你可以先找到不同组别的平均值 (\(E[X|Y]\))，然后再对这些组别平均值取平均。

类比：学校考试

想象你想计算全校的平均考试成绩。
1. 首先，找出每个班级的平均分 (\(E[X|Class]\))。
2. 然后，根据每个班级的人数进行加权，计算这些班级平均分的平均值。
这就是全校的平均分 (\(E[X]\))。

5. 变异数与条件变异数

期望值告诉我们「中心」在哪，但变异数 (Variance) 告诉我们数值有多分散。
标准公式为：\(Var(X) = E[X^2] - (E[X])^2\)。

总变异数定律 (Law of Total Variance)

这个公式看起来很吓人，让我们拆解一下：
\(Var(X) = E[Var(X|Y)] + Var(E[X|Y])\)

口诀：「变异数的期望值 加上 期望值的变异数」 (E-V 加上 V-E)。

此公式将总风险分为两部分：
1. \(E[Var(X|Y)]\)： 「组内」变异（每个组别内部的平均不确定性）。
2. \(Var(E[X|Y])\)： 「组间」变异（各组平均值之间的差异程度）。

6. 总结与学习重点

恭喜！你已经掌握了评估期望值的核心概念。以下是你复习时应该记住的要点：

- 期望值是加权平均数： 将结果乘以其概率即可。
- 线性性质： 你可以将常数移出期望值括号。
- 条件性： 当你有额外资讯改变了概率时，请使用 \(E[X|Y]\)。
- 总期望值定律： \(E[X] = E[E[X|Y]]\)。当 \(X\) 取决于另一个因素 \(Y\) 时使用此定律。
- 总变异数定律： \(Var(X) = E[Var(X|Y)] + Var(E[X|Y])\)。这有助于将风险分解为不同的来源。

最后小贴士： 当你遇到一个变量取决于另一个变量的题目时（例如：索赔次数取决于天气），你的思维应该立即跳转到条件期望值！保持练习，这些公式很快就会变成你的直觉。