1 期待値の定義
期待値（expected value）は、確率変数が取り得る値を、その発生のしやすさで重み付けして加重平均としてまとめた量である。確率変数の「代表値」を与えるだけでなく、統計的推定や意思決定の指標として機能する点に特徴がある。
期待値は、離散的にも連続的にも同じ発想で定義できる。すなわち、確率（または確率密度）を重みとして用い、値に関する加重平均を構成する。数学的には、積分や和として表され、期待値が存在するかどうかは収束性に依存する。
1.1 離散型確率変数の期待値
離散型確率変数は、値が可算個の候補に限られるときに扱う。候補値 \(x_i\) がそれぞれ確率 \(p_i\) で実現するとき、期待値は「値 × 確率」の和として定義される。
1.1.1 確率の重み付き和としての表現
確率変数 \(X\) の取り得る値が \(x_i\)（\(i=1,2,\dots\)）で、その確率が \(p_i=\Pr(X=x_i)\) であるとする。このとき期待値は \[ \mathbb{E}[X]=\sum_i x_i p_i \] で与えられる。ただしこの和が絶対収束する（または少なくとも必要な収束条件を満たす）場合に期待値として意味をもつ。
1.1.2 具体例（サイコロ・くじ等）
例として、公正なサイコロの出目 \(X\) を考える。出目は 1〜6 で各確率が \(1/6\) なので \[ \mathbb{E}[X]=\sum_{k=1}^{6} k\cdot \frac{1}{6}=\frac{1+2+3+4+5+6}{6}=3.5 \] となる。
くじでも同様で、複数の賞（あるいは損失）に確率が与えられている場合、得られる利得や損失の期待値は「各結果の金額×その当選確率」の総和で求まる。期待値は金額の平均的な水準を与えるため、複数条件のあるゲームの比較に用いられる。
1.2 連続型確率変数の期待値
連続型確率変数では、確率は点ではなく区間に対して与えられる。確率密度 \(f(x)\) を用いることで、期待値は積分として定義される。
1.2.1 確率密度を用いた積分としての表現
確率密度関数 \(f(x)\) をもつ確率変数 \(X\) に対し、期待値は \[ \mathbb{E}[X]=\int_{-\infty}^{\infty} x\, f(x)\,dx \] （範囲は分布の定義域に応じて調整）で表される。密度は正の値をとり、全域で積分すると 1 になる。
1.2.2 具体例（区間一様分布など）
区間 \([a,b]\) 上で一様分布に従う確率変数 \(X\) を考える。このとき密度は \(f(x)=1/(b-a)\)（\(a\le x\le b\)）なので \[ \mathbb{E}[X]=\int_{a}^{b} x\cdot \frac{1}{b-a}\,dx=\frac{1}{b-a}\cdot \frac{a+b}{2}(b-a)=\frac{a+b}{2} \] となり、期待値は区間の中点に一致する。
この結果は、区間内で「どの点も同程度に起こる」ことを反映している。分布が対称な形をもつ場合にも、期待値が対称性により簡単な形に落ちることがある。
1.3 存在条件と発散の扱い
期待値は常に有限値として存在するとは限らない。定義として用いる和や積分が収束しない場合、期待値は発散し、数学的には「存在しない」扱いになる。特に、分布の裾（まれに極端な値が出る領域）が重く、値そのものが大きくなり過ぎると発散が起こりうる。
実務では、計算結果が有限かどうか、あるいはどのような分布仮定のもとで期待値が定義されているかを確認することが重要である。推定やリスク評価の文脈では、期待値が無限大や未定義になり得るモデルを盲目的に用いると結論が破綻する。
1.4 期待値と平均の関係（長期平均）
期待値は「長い反復ののちに観測される平均」に結び付く。厳密な対応は確率論の大数の法則やエルゴード性などに依存するが、直観的には次のように理解できる。
同じ分布から独立に多数回サンプルを得て得点（あるいは損益）を平均すると、その平均は期待値へ近づく傾向がある。したがって期待値は、単一回の実現値ではなく、反復したときの集計結果の中心を説明する指標として位置づけられる。
この関係があるため、意思決定で「平均的な損得」を評価する考え方が自然に成立する。期待値が同じ複数の選択肢でも分散や分布形状が異なると、体感される結果は大きく変わり得るため、期待値だけで十分かは状況により判断が必要である。
2 期待値の性質
期待値は多くの計算を容易にする性質を備える。代表的なのは線形性で、加法や定数倍の扱いが簡潔になる点に利便性がある。加えて、順序関係や分解の考え方により、複雑な確率変数も段階的に解析できる。
2.1 線形性
線形性は、期待値が「加重平均」という構造を保ちながら、足し算やスカラー倍と両立することを意味する。
2.1.1 加法に関する性質
確率変数 \(X\) と \(Y\) に対し、期待値が適切に存在する（和が定義できる）とき、 \[ \mathbb{E}[X+Y]=\mathbb{E}[X]+\mathbb{E}[Y] \] が成り立つ。重要なのは、独立である必要がない点である。相関があっても期待値の加算は維持される。
また、複数の確率変数の和についても同様に拡張でき、期待値の計算を分解して考えるための基礎になる。
2.1.1.1 条件付きでない場合の計算規則
条件付き期待値を使わない「素の」期待値においては、上記の加法性が直接的な計算規則になる。つまり、和の期待値は要素ごとの期待値の総和として扱える。
この規則により、利得の総額が複数の要因の合成として書ける場合、複雑な確率過程でも期待値評価が整理しやすくなる。
2.1.2 定数倍に関する性質
定数 \(c\) に対し、期待値が存在する範囲で \[ \mathbb{E}[cX]=c\,\mathbb{E}[X] \] が成り立つ。単位変換やスケーリング（例えば金額を千円単位に直すなど）をする際にも、期待値は比例して変化する。
2.1.3 期待値の線形性による簡約
線形性を用いると、複数段のモデルでも期待値を順番に組み立てられる。たとえば、観測値が「基礎成分」と「ランダム誤差」の和として表されるとき、期待値はそれぞれの期待値を足すだけで計算できる。
ただし線形性が保証するのは期待値の単純さであり、分散や高次の量は同じように簡約されない。したがって、評価したい指標に応じて別の性質も併用する必要がある。
2.2 基本的な性質（順序・上限下限）
期待値には、順序に関する直感的な性質がある。たとえば、ほぼ確実に \(X\le Y\) が成り立つなら、期待値も \(\mathbb{E}[X]\le \mathbb{E}[Y]\) となる。これは期待値が加重平均であることから自然に導かれる。
また、上限や下限についても、確率変数の形から比較可能な範囲を与えられる場合、期待値はその範囲に収まる。これらの性質は、厳密計算が難しいときの評価（バウンディング）に役立つ。
2.3 期待値の分解（周辺化・全確率の考え方）
期待値は周辺化により「条件で分けてから統合する」形に分解できる。たとえば別の確率変数 \(Z\) によって状態が整理できるとき、期待値は \(Z\) の値ごとの振る舞いの平均として表される。
この発想は、全確率の考え方（分割して重ね合わせる）と整合している。結果として、複雑な同時分布を直接扱わずに、条件付きの計算を繰り返し可能になる。
2.4 関連する量：モーメントとのつながり
期待値はモーメントの中でも一次モーメント（平均）に対応する。モーメントは分布の形状を特徴づける量で、例えば二次モーメントは分散の計算に深く関わる。
一般に、中心化（平均との差をとる）やべき乗の選び方により、分散、歪度、尖度などの指標が導かれる。したがって期待値は単独の量にとどまらず、分布解析の入口としての役割を持つ。
3 代表的な計算手法
期待値は、定義に基づく直接計算だけでなく、変換・条件付け・既知公式の適用によって効率よく求められる。計算の選択は、分布の形や関数の複雑さに依存する。
3.1 直接計算の手順
最も基本は定義をそのまま適用する方法である。離散なら確率の重み付き和、連続なら密度との積分になる。
3.1.1 分布表からの求め方
離散型で確率質量関数が表やリストとして与えられている場合、候補値ごとに確率を掛けて加算するだけである。手順としては、(1)取り得る値を列挙し、(2)それぞれの確率を確認し、(3)値と確率の積を合計する。
注意点として、確率が正しく正規化されているか（総和が 1 か）、期待値に関わる和が有限かを確認する必要がある。
3.1.2 簡単な確率変数の変形
確率変数が単純な式変形で表せる場合、期待値も計算しやすい。たとえば \(Y=aX+b\) のように一次式で関係づくと、線形性から \[ \mathbb{E}[Y]=a\mathbb{E}[X]+b \] となり、分布を改めて扱わずに求められる。
このような変形は、分布の完全な再計算を避けられるため、実務的にも頻繁に利用される。
3.2 変数変換による計算
連続型や関数形が複雑な場合は、積分の変数変換が有効になる。適切な変換は積分範囲や被積分関数を簡潔にし、計算を安定させる。
3.2.1 変数変換と積分の工夫
確率変数 \(X\) から \(Y=g(X)\) を定めるとき、密度の変換規則（ヤコビアンを含む）を用いて期待値を再表現できる。具体的な形は変換の単調性などの条件に依存するが、基本方針は「積分の座標系を変えて扱いやすくする」ことである。
また、積分区間の分割（絶対値や区分定義がある場合）も工夫の一つになる。区分ごとの式に整理すれば、計算は段階的に進められる。
3.2.2 機械的な手順と注意点
実際の計算では、(1)変換式を明確にし、(2)定義域の写像を調べ、(3)密度や微分要素の補正を行い、(4)期待値の積分が収束しているか確認する、という手順が一般的である。
注意点として、変換によって重複カバーが起こるケースでは分割が必要になることがある。さらに、期待値が存在しない状況（裾が重い等）では、途中までは整っていても最終的に発散判定が必要になる。
3.3 条件付き期待値を用いる方法
条件付き期待値は、「ある条件が与えられたときの平均」を表す。これを繰り返すことで、全体の平均を組み立てる計算が可能になる。
3.3.1 条件付き期待値の定義
確率変数 \(X\) と、別の情報を表す確率変数 \(Z\) を考える。条件付き期待値 \(\mathbb{E}[X\mid Z]\) は、\(Z\) が特定の値にあるときの平均を与える関数として定義される。連続・離散のいずれでも概念は同じだが、実装は条件付けの形（確率質量・密度、あるいは条件付き分布）に依存する。
3.3.2 全期望の法則
全期望の法則（タワー性）は、全体の期待値が「条件付き期待値を条件ごとに平均したもの」と一致することを述べる。 \[ \mathbb{E}[X]=\mathbb{E}\bigl[\mathbb{E}[X\mid Z]\bigr] \] これにより、同時分布を直接扱わずに、条件付き部分の計算を先に行ってから統合できる。
3.3.3 ツリーレベルの計算整理
条件が複数段ある場合、分岐を木構造のように整理すると計算が見通しやすい。例えば、まず第1段の状態を条件づけし、その状態ごとに第2段の変動を平均する、という流れで期待値を積み上げる。
この整理法は、実データに即した階層構造（層別や段階的生成）をもつ問題で特に有用である。期待値の線形性と組み合わせると、枝ごとの寄与を体系的に扱える。
3.4 既知の分布の利用（期待値公式）
確率分布ごとに期待値が既知の形で与えられることがある。例えば正規分布、一様分布、二項分布などでは平均が簡潔な式で表される場合が多い。既知公式を使うことで、計算を大幅に短縮できる。
ただし、(1)仮定した分布が問題設定と整合しているか、(2)パラメータの定義（記法）が一致しているか、(3)変数の符号や単位が変換されていないか、を確認することが不可欠である。公式の適用ミスは結果全体の誤りにつながる。
4 応用分野と具体的な使いどころ
期待値は数理だけでなく、現実の評価や意思決定で頻繁に用いられる。ここではゲーム、意思決定、統計推定、そして実務上の注意点を扱う。
4.1 ゲーム理論・賭けの期待収益
賭けやゲームでは、各結果に対応する利得（または損失）を結び付け、長期の見通しを期待値として整理することが多い。
4.1.1 有利不利の判断
ある賭けが複数の結果をもち、それぞれに利得が割り当てられているとする。このとき期待収益（利得の期待値）が正なら、同種のゲームを多数回繰り返す観点では平均的に有利と解釈される。逆に負なら不利になる。
この判断は、結果の分散がどれほど大きいかを別途考えない限り、「平均」という軸に限定される。つまり一度の勝敗や極端な当たり外れを考慮しない評価になり得る。
4.1.2 「期待値がゼロ」の意味
期待値がゼロの場合、平均的には得も損もしないと読める。いわゆるトントンの構図で、長期平均では均衡する。
ただし、毎回の結果が必ずゼロに近いとは限らない。大きなプラスとマイナスが混在し、相殺されて平均が 0 になることもある。したがって期待値ゼロは「安全」ではなく、あくまで平均の指標である点が重要である。
4.2 意思決定とリスク評価
意思決定では、期待値最大化がしばしば基準として使われる。もっとも、期待値だけではリスクの大きさを表し切れないため、補助指標の必要性も常に議論される。
4.2.1 単純な最適化（期待値最大化）
手段候補が複数あり、それぞれの結果が確率で表されるとき、期待値が最大の選択肢を採る、という考え方は直感的である。利得の期待値が大きいほど平均的に得をしやすいからである。
一方で、極端な損失の可能性が高い選択肢は、平均だけでは見落とされる。したがって期待値最大化は、損失の許容度や分布の形に応じて再評価されることが多い。
4.2.2 損失・利得の期待値の解釈
損失を扱う場合は、損失の期待値が小さいほど望ましいという形に読み替えられる。利得と損失は符号が逆になるため、期待値の比較は目的関数の符号に応じた解釈が必要になる。
また、評価対象が「金銭」だけでなく、時間、労力、効用などの単位で与えられる場合もある。その場合、期待値はその単位の平均的な水準を表すため、比較可能性と尺度の妥当性が問われる。
4.3 統計推定における期待値
期待値は、推定の良さを特徴づける理論でも中心的な役割を果たす。
4.3.1 不偏性と期待値
推定量 \(T\) が真のパラメータに対して不偏（unbiased）であるとは、期待値がパラメータに等しいことを意味する。つまり \( \mathbb{E}[T]=\theta \) のように関係が成立する場合、不偏性が保証される。
不偏性は「平均的にズレない」という性質に相当し、長期的な推定の振る舞いを説明する考え方と一致する。
4.3.2 標本平均と期待値の関係
独立同分布の標本 \(X_1,\dots,X_n\) の平均（標本平均） \( \bar{X} \) を考えると、一般に \( \mathbb{E}[\bar{X}] = \mathbb{E}[X_1] \) が成り立つ。線形性により、標本平均の期待値は個々の期待値の平均になるからである。
したがって標本平均は期待値に基づく中心推定として自然な位置を持つ。さらに標本数が増えるとばらつきが小さくなる性質（収束や分散の縮小）も期待値の周辺で議論される。
4.4 実務上の注意（サンプル数と推定誤差）
現実のデータでは有限回しか観測できないため、期待値（理論値）と実現値（標本平均）の差が問題になる。ここでの焦点は推定誤差の理解である。
4.4.1 期待値≠実現値である点
1回の試行で得られる値は期待値とは一致しないのが普通である。期待値は分布全体に関する性質であり、単発の観測は偶然性の影響を強く受ける。
そのため「期待値に近い値が出た／出ない」といった体感は、サンプル数や分散の大きさと関係する。期待値は予測や評価の基準であって、個々の結果を保証するものではない。
4.4.2 大数の法則の直観
大数の法則は、試行回数が増えるほど標本平均が期待値へ近づく傾向を与える。直観的には、プラスとマイナスのブレが多数回で相殺されて平均が安定する、というイメージで捉えられる。
ただし「近づく速さ」や「どれくらいの頻度でズレるか」は別の指標（分散や集中性）に依存する。実務では統計的信頼区間や誤差見積もりを用いて、期待値の推定精度を定量化することが多い。