🚀 优质资源分享 🚀
学习路线指引(点击解锁) | 知识定位 | 人群定位 |
---|---|---|
🧡 Python实战微信订餐小程序 🧡 | 进阶级 | 本课程是python flask+微信小程序的完美结合,从项目搭建到腾讯云部署上线,打造一个全栈订餐系统。 |
💛Python量化交易实战💛 | 入门级 | 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 |
我知道有很多人理解不了 “条件期望” (Conditional Expectation) 这个东西,有的时候没看清把随机变量看成事件,把 σσ\sigma-algebra 看成随机变量从而思路全错的时候,我也会觉得莫名奇妙。所以在这里用一个极其简单的例子解释一下,只要你是一只上过高中的草履虫那就能听懂。
我们来丢一枚质地均匀的硬币(意味着得到正面与反面的概率各为 1212\frac{1}{2}),连丢两次并记录两次结果。那么很容易可以写出全集 Ω={HH,HT,TH,TT}Ω={HH,HT,TH,TT}\Omega = \left{ HH, HT, TH, TT \right} ,HHH 和 TTT 分别代表正面和反面。现在是第一个需要稍加思考的地方,令 GG\mathcal{G} 为一个 σ\sigma-algebra,其中包括了第一次丢硬币结果的信息,请问 G\mathcal{G} 是什么?
稍加思考,不难得出 G={Ω, ∅, {HH,HT}, {TT,TH}}\mathcal{G} = \left{\Omega, ~ \emptyset, ~ \left{ HH, HT \right}, ~ \left{ TT, TH \right} \right},这里也做出一个解释。首先要明确的是,Ω\Omega 中的元素 (例如 HHHH) 和 G\mathcal{G} 中的元素 (例如 {HH,HT}\left{ HH, HT \right}) 之间的区别:前者是结果 (outcome),后者是事件 (event)。我们对于一次 “抽样”,只能得到一种结果,例如 HHHH,代表丢两次硬币后得到两个正面的结果。但不同的结果由于共享某些特性,可以被划分在同一个事件当中,例如,丢两次硬币产生相同的结果应有两种,即同时为正面或同时为背面 (i.e. HHHH 或 TTTT),它们归属于 “丢两