条件期望例题—连续发生的事情
连续地做二项实验, 每一次成功概率为p.
当连续k次成功时, 停止实验.
求停止实验时做的总实验次数的期望.
解:
错误解法
设
N
k
N_k
Nk为停止实验时做的总实验次数, 则
E
[
N
k
]
=
E
[
E
[
N
k
∣
N
k
−
1
]
]
=
∑
j
=
k
−
1
∞
E
[
N
k
∣
N
k
−
1
=
j
]
\begin{split} E[N_k] &= E[E[N_k|N_{k-1}]] \\ &=\sum_{j= k-1}^{\infin}E[N_k|N_{k-1}=j] \end{split}
E[Nk]=E[E[Nk∣Nk−1]]=j=k−1∑∞E[Nk∣Nk−1=j]
因为
E
[
N
k
∣
N
k
−
1
]
=
p
⋅
(
N
K
−
1
+
1
)
+
(
1
−
p
)
⋅
E
[
N
k
]
E[N_k|N_{k-1}] = p\cdot(N_{K-1} +1) + (1-p)\cdot E[N_k]
E[Nk∣Nk−1]=p⋅(NK−1+1)+(1−p)⋅E[Nk]
(一旦错了又得重开)
对两边去取期望
E
[
E
[
N
k
∣
N
k
−
1
]
]
=
E
[
N
k
]
=
p
⋅
(
E
[
N
k
−
1
]
+
1
)
+
(
1
−
p
)
⋅
E
[
N
k
]
E[E[N_k|N_{k-1}]] = E[N_k] = p \cdot (E[N_{k-1}] + 1) + (1-p) \cdot E[N_k]
E[E[Nk∣Nk−1]]=E[Nk]=p⋅(E[Nk−1]+1)+(1−p)⋅E[Nk]
即
E
[
N
k
]
=
E
[
N
k
−
1
]
+
1
E[N_k] = E[N_{k-1}] + 1
E[Nk]=E[Nk−1]+1
因为
E
[
N
1
]
=
1
p
E[N_1] = \frac{1}{p}
E[N1]=p1, 所以
E
[
N
2
]
=
1
p
+
1
↓
E
[
N
n
]
=
1
p
+
(
n
−
1
)
\begin{split} E[N_2] &= \frac{1}{p} + 1 \\ &\downarrow \\ E[N_n] &= \frac{1}{p} + (n-1) \end{split}
E[N2]E[Nn]=p1+1↓=p1+(n−1)
易知上述解法的答案在直觉上是不成立的, 因为随着k的增大,
E
[
N
k
]
E[N_k]
E[Nk]的增长速度应该以非常快的速度增大, 而非仅仅是线性增长, 所以显然是错误的.
正确解法
E
[
N
k
]
=
E
[
E
[
N
k
∣
N
k
−
1
]
]
E[N_k] = E[E[N_k|N_{k-1}]]
E[Nk]=E[E[Nk∣Nk−1]]
显然, 最要紧的是找出
E
[
N
k
∣
N
k
−
1
]
E[N_k|N_{k-1}]
E[Nk∣Nk−1]作为
N
k
−
1
N_{k-1}
Nk−1的函数, 这个函数关系是什么
(一旦错了又得重开), 这个思路对的, 但(1)式是错的
E
[
N
k
∣
N
k
−
1
]
=
p
⋅
(
N
K
−
1
+
1
)
+
(
1
−
p
)
⋅
E
[
N
k
]
(1)
E[N_k|N_{k-1}] = p\cdot(N_{K-1} +1) + (1-p)\cdot E[N_k] \tag{1}
E[Nk∣Nk−1]=p⋅(NK−1+1)+(1−p)⋅E[Nk](1)
应该是这样的思路
现在已经做了
N
k
−
1
次试验
↙
↘
成功
(
概率
p
)
失败
(
概率
1
−
p
)
N
k
=
N
k
−
1
+
1
N
k
=
N
k
−
1
+
1
+
N
k
\begin{split} 现在已经做了&N_{k-1}次试验 \\ \swarrow&\searrow \\ 成功(概率p)\ \ \ \ \ \ &\ \ \ \ \ \ 失败(概率1-p) \\ N_k = N_{k-1} + 1\ \ \ \ \ &\ \ \ \ \ \ N_k = N_{k-1} + 1 + N_k \end{split}
现在已经做了↙成功(概率p) Nk=Nk−1+1 Nk−1次试验↘ 失败(概率1−p) Nk=Nk−1+1+Nk
所以
(
2
)
(2)
(2)式才是正确的
E
[
N
k
∣
N
k
−
1
]
=
p
⋅
(
N
K
−
1
+
1
)
+
(
1
−
p
)
⋅
(
N
K
−
1
+
1
+
E
[
N
k
]
)
=
N
K
−
1
+
(
1
−
p
)
⋅
E
[
N
k
]
(2)
\begin{split} E[N_k|N_{k-1}] &= p\cdot(N_{K-1} +1) + (1-p)\cdot (N_{K-1} +1+E[N_k]) \\ &=N_{K-1} +(1-p)\cdot E[N_k] \tag{2} \end{split}
E[Nk∣Nk−1]=p⋅(NK−1+1)+(1−p)⋅(NK−1+1+E[Nk])=NK−1+(1−p)⋅E[Nk](2)
其他的推导过程同上, 最终也是一个递归方程
E
[
N
k
]
=
E
[
N
k
−
1
]
p
+
1
p
E[N_k] = \frac{E[N_{k-1}]}{p} + \frac{1}{p}
E[Nk]=pE[Nk−1]+p1
最终的结果是
E
[
N
k
]
=
1
p
+
1
p
2
+
⋯
+
1
p
k
E[N_k] = \frac{1}{p}+ \frac{1}{p^2} + \cdots + \frac{1}{p^k}
E[Nk]=p1+p21+⋯+pk1
显然这一结果才是正确的结果, 直观上也更加准确.
扫一扫
6万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
