条件数学期望
离散型随机变量
二维离散型随机变量 ( X , Y ) (X,Y) (X,Y),其概率分布为 P { X = x i , Y = y i } = p i j , i , j = 1 , 2 , . . . P\{X=x_i,Y=y_i\}=p_{ij},i,j=1,2,... P{X=xi,Y=yi}=pij,i,j=1,2,...
- 边缘概率分布
p i ⋅ = P { X = x i } = ∑ j = 1 ∞ p i j p_{i\cdot}=P\{X=x_i\}=\sum_{j=1}^{\infty}p_{ij} pi⋅=P{X=xi}=∑j=1∞pij
p ⋅ j = P { Y = y i } = ∑ i = 1 ∞ p i j p_{\cdot j}=P\{Y=y_i\}=\sum_{i=1}^{\infty}p_{ij} p⋅j=P{Y=yi}=∑i=1∞pij - 条件概率分布
P { Y = y j ∣ X = x i } = p i j p i ⋅ P\{Y=y_j|X=x_i\}=\frac{p_{ij}}{p_{i\cdot}} P{Y=yj∣X=xi}=pi⋅pij
P { X = x i ∣ Y = y j } = p i j p ⋅ j P\{X=x_i|Y=y_j\}=\frac{p_{ij}}{p_{\cdot j}} P{X=xi∣Y=yj}=p⋅jpij - 条件数学期望
E ( Y ∣ X = x i ) = ∑ j = 1 ∞ y j p i j p i ⋅ , i = 1 , 2 , . . . E(Y|X=x_i)=\sum_{j=1}^{\infty}y_j\frac{p_{ij}}{p_{i\cdot}},i=1,2,... E(Y∣X=xi)=∑j=1∞yjpi⋅pij,i=1,2,...
E ( X ∣ Y = y i ) = ∑ i = 1 ∞ x i p i j p ⋅ j , j = 1 , 2 , . . . E(X|Y=y_i)=\sum_{i=1}^{\infty}x_i\frac{p_{ij}}{p_{\cdot j}},j=1,2,... E(X∣Y=yi)=∑i=1∞xip⋅jpij,j=1,2,...
连续型随机变量
二维连续型随机变量 ( X , Y ) (X,Y) (X,Y),其概率密度为 f ( x , y ) f(x,y) f(x,y)
- 边缘概率分布
f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy fX(x)=∫−∞+∞f(x,y)dy
f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)dx fY(y)=∫−∞+∞f(x,y)dx - 条件概率分布
f Y ∣ X ( y ∣ x ) = f ( x , y ) f X ( x ) f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)} fY∣X(y∣x)=fX(x)f(x,y)
f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)} fX∣Y(x∣y)=fY(y)f(x,y) - 条件数学期望
E ( Y ∣ X = x ) = ∫ − ∞ + ∞ y f Y ∣ X ( y ∣ x ) d y E(Y|X=x)=\int_{-\infty}^{+\infty}yf_{Y|X}(y|x)dy E(Y∣X=x)=∫−∞+∞yfY∣X(y∣x)dy
E ( X ∣ Y = y ) = ∫ − ∞ + ∞ x f X ∣ Y ( x ∣ y ) d x E(X|Y=y)=\int_{-\infty}^{+\infty}xf_{X|Y}(x|y)dx E(X∣Y=y)=∫−∞+∞xfX∣Y(x∣y)dx
性质
- 当 X X X与 Y Y Y互相独立,必有 E ( X ∣ Y ) = E ( X ) , E ( Y ∣ X ) = E ( Y ) E(X|Y)=E(X),E(Y|X)=E(Y) E(X∣Y)=E(X),E(Y∣X)=E(Y)
- 全期望公式: E ( X ) = E [ E ( X ∣ Y ) ] E(X)=E[E(X|Y)] E(X)=E[E(X∣Y)]
- E [ g ( Y ) X ∣ Y ] = g ( Y ) E ( X ∣ Y ) E[g(Y)X|Y]=g(Y)E(X|Y) E[g(Y)X∣Y]=g(Y)E(X∣Y)
- E [ g ( Y ) X ] = E [ g ( Y ) ⋅ E ( X ∣ Y ) ] E[g(Y)X]=E[g(Y)\cdot E(X|Y)] E[g(Y)X]=E[g(Y)⋅E(X∣Y)]
- E ( C ∣ Y ) = C , C E(C|Y)=C,C E(C∣Y)=C,C是常数
- E [ g ( Y ) ∣ Y ] = g ( Y ) E[g(Y)|Y]=g(Y) E[g(Y)∣Y]=g(Y)
- E [ ( a X + b Y ) ∣ Z ] = a E ( X ∣ Z ) + b E ( Y ∣ Z ) E[(aX+bY)|Z]=aE(X|Z)+bE(Y|Z) E[(aX+bY)∣Z]=aE(X∣Z)+bE(Y∣Z)
- E [ X − E ( X ∣ Y ) ] 2 ⩽ E [ X − g ( Y ) ] 2 E[X-E(X|Y)]^2 \leqslant E[X-g(Y)]^2 E[X−E(X∣Y)]2⩽E[X−g(Y)]2