サイコロを1回振ったら平均していくつの目が出るのか。1枚200円のくじは買う価値があるのか。こうした「これから起きることの平均的な見込み」を1つの数値で表すのが期待値です。計算方法はシンプルなのに、統計・機械学習・意思決定のあらゆる場面で顔を出す最重要概念を解説します。
📖 ひと言でいうと
期待値とは、確率変数が取りうる値のそれぞれに「その値が出る確率」を掛けて合計した、確率で重み付けした平均値のことです。「試行を何度も繰り返したとき、1回あたり平均していくらになるか」という将来の見込みを表します。
くじ引きにたとえると、期待値は「そのくじを大量に買い続けたときの1枚あたりの平均リターン」です。1回1回の結果はバラバラでも、長い目で見た平均がどこに落ち着くかを、引く前に計算できるのが期待値の力です。
🖼 1枚でわかる期待値
📘 公式テキストの説明
期待値とは、確率変数が取り得る値とその発生確率を重み付けした平均値を指します。これは、将来的に得られる結果の平均的な値を表しており、統計や確率論において基本的な概念です。期待値は、日常生活での平均とは異なり、予測や意思決定において頻繁に使用されます。例えば、投資やゲームにおいて、複数の可能な結果に基づいて得られる「見込みのある値」を計算する際に役立ちます。離散型確率変数の場合、期待値はその変数が取り得るすべての値に、それぞれの発生確率を掛けたものの総和として計算されます。サイコロを例に挙げると、1から6までの出る目それぞれに確率1/6を掛けて合計を求めると、その期待値は3.5になります。一方、連続型確率変数では、積分を用いて期待値が計算されます。確率密度関数を使い、すべての可能な値に確率密度を掛けて積分することで、期待値を導きます。期待値と平均は似ていますが、厳密には異なる概念です。過去のデータから得られる「実際の平均」に対し、期待値は「将来得られるであろう平均」を示します。この違いは、試行前の予測に基づくか、試行後の結果に基づくかという点で明確です。
要点は2つです。①離散型なら「値×確率の総和」、連続型なら「値×確率密度の積分」で計算する、②平均が過去の実績データから計算されるのに対し、期待値は確率分布から導く将来の見込みである——この対比が試験でもよく問われます。
🔍 しっかり理解する
計算の流れは3ステップ
サイコロで確かめてみましょう。取りうる値は1〜6、確率はすべて1/6なので、期待値 = 1×1/6 + 2×1/6 + 3×1/6 + 4×1/6 + 5×1/6 + 6×1/6 = (1+2+3+4+5+6)÷6 = 21÷6 = 3.5です。注目すべきは、3.5という「実際には絶対に出ない値」が期待値になる点です。期待値は「次に出る値の予言」ではなく、「何度も振ったときの平均の落ち着き先」を表しています。
「平均」との関係——実績と見込み
- 試行後の実績データから計算
- 例: 実際に10回振ったら平均3.8だった
- データが変わるたびに値も変わる
- 試行前に確率分布から計算
- 例: サイコロの期待値は常に3.5
- 分布が同じなら値は一定
両者は無関係ではありません。試行回数を増やしていくと、標本平均は期待値に近づいていきます(大数の法則)。「期待値は、無限に繰り返したときに平均が向かう先」と捉えると、2つの概念が1本につながります。
連続型では積分で計算する
身長のような連続型確率変数では値を列挙できないため、「値×確率」の足し算の代わりに「値×確率密度」を全範囲で積分して期待値を求めます。考え方は同じで、足し算が面積計算に置き換わっただけです。G検定では積分を実際に解く必要はなく、「連続型の期待値は積分で計算する」という対応関係を覚えておけば十分です。
💡 具体例で考える
くじ引きの損得判定。1枚200円のくじがあり、1等10,000円が確率1/100、2等1,000円が確率1/20、それ以外ははずれ(0円)だとします。賞金の期待値は 10,000×0.01 + 1,000×0.05 + 0 = 100 + 50 = 150円。1枚200円払って期待値150円ですから、平均すると1枚あたり50円の損です。1回だけなら当たるかもしれませんが、「買い続ければ確実に損をする設計」だと期待値が教えてくれます。宝くじや保険の掛け金は、まさにこの期待値計算の上に設計されており、販売側が長期的に利益を出せる水準に価格が設定されています。
機械学習の損失関数も期待値の考え方でできています。モデルの学習は「予測の誤差(損失)の期待値をできるだけ小さくする」ことが目標であり、実際には手元のデータ全体の平均損失を期待値の近似として最小化しています。また強化学習では、エージェントが「将来得られる報酬の期待値(期待報酬)」を最大化するように行動を学びます。期待値は「AIが何を最適化しているのか」を理解する鍵でもあるのです。
⚠️ よくある誤解・紛らわしい用語
- 「期待値 = 一番出やすい値」ではない — サイコロの期待値3.5は実際には出ない値です。最も出やすい値は最頻値という別の指標です。
- 「期待値 = 次に起こる値の予測」ではない — 1回の結果は期待値から大きく外れえます。期待値はあくまで繰り返したときの平均の落ち着き先です。
- 平均との混同 — 過去データの実績が平均、確率分布から導く将来の見込みが期待値です。試行前か試行後かで区別しましょう。
- 「期待値が高い = 必ず得」ではない — 期待値が同じでも、ばらつき(分散)が大きければリスクは大きくなります。意思決定では期待値と分散をセットで見るのが基本です。
📝 試験でのポイント
- サイコロの期待値3.5を計算させる、または「値×確率の総和」という定義を選ばせる問題が基本形です。
- くじやゲームの設定から期待値を計算し、「参加費と比べて損か得か」を判断させる文章題が想定されます。値×確率を足すだけなので、確率の合計の検算を忘れずに。
- 「離散型は総和、連続型は積分」という計算方法の対応を問う正誤問題に注意しましょう。
- 「期待値は過去データの平均と同一である」という記述は誤りです。実績(平均)と見込み(期待値)の違いを説明する選択肢を見分けられるようにしましょう。
📚 まとめ
- 期待値は「値×確率」をすべて足し合わせた、確率で重み付けした平均値。
- サイコロの目の期待値は3.5——実際に出ない値でもよく、繰り返しの平均の落ち着き先を表す。
- 離散型は総和、連続型は確率密度関数の積分で計算する。
- 平均は過去の実績、期待値は将来の見込み。意思決定や機械学習の損失最小化の土台になる概念です。
