在概率论中,条件期望是一个实数随机变量的相对于一个条件概率分布的期望。换句话说,这是给定的一个或多个其他变量的值一个变量的期望。它也被称为条件期望或条件均值。 条件期望的概念在柯尔莫哥洛夫的测度理论概率论的定义很重要。条件概率的概念是由条件期望来定义的。 计算 设 X {\displaystyle X} 和 Y {\displaystyle Y} 是离散随机变量,则 X {\displaystyle X} 在给定事件 Y = y {\displaystyle Y=y} 条件时的条件期望是 x {\displaystyle x} 的在 Y {\displaystyle Y} 的值域的函数 E ( X | Y = y ) = ∑ x ∈ X x P ( X = x | Y = y ) = ∑ x ∈ X x P ( X = x , Y = y ) P ( Y = y ) , {\displaystyle \operatorname {E} (X|Y=y)=\sum _{x\in {\mathcal {X}}}x\ \operatorname {P} (X=x|Y=y)=\sum _{x\in {\mathcal {X}}}x\ {\frac {\operatorname {P} (X=x,Y=y)}{\operatorname {P} (Y=y)}},} 其中, X {\displaystyle {\mathcal {X}}} 是处于 X {\displaystyle X} 的值域。 如果现在 X {\displaystyle X} 是一个连续随机变量,而 Y {\displaystyle Y} 仍然是一个离散变量,条件期望是: E ( X | Y = y ) = ∫ X x f X ( x | Y = y ) d x {\displaystyle \operatorname {E} (X|Y=y)=\int _{\mathcal {X}}xf_{X}(x|Y=y)dx} 其中, f X ( ⋅ | Y = y ) {\displaystyle f_{X}(\,\cdot \,|Y=y)} 是在给定 Y = y {\displaystyle Y=y} 下 X {\displaystyle X} 的条件概率密度函数。 Remove ads正式的定义 给定 X {\displaystyle X} 是一个定义在概率空间 ( Ω , F 0 , P ) {\displaystyle (\Omega ,{\mathcal {F}}_{0},P)} 上的随机变量, F ⊂ F 0 {\displaystyle {\mathcal {F}}\subset {\mathcal {F}}_{0}} 是 F {\displaystyle {\mathcal {F}}} 的一个子σ-代数,且 E | X | < ∞ {\displaystyle E|X|<\infty } 。 则定义 X {\displaystyle X} 在给定 F {\displaystyle {\mathcal {F}}} 下的条件期望 E ( X | F ) {\displaystyle E(X|{\mathcal {F}})} 是满足以下两个条件的随机变量 Y {\displaystyle Y} : Y {\displaystyle Y} 是 F {\displaystyle {\mathcal {F}}} 上的可测函数; ∀ A ∈ F : ∫ A X d P = ∫ A Y d P {\displaystyle \forall A\in {\mathcal {F}}:\int _{A}XdP=\int _{A}YdP} 。 在这一定义下, E ( X | F ) {\displaystyle E(X|{\mathcal {F}})} 是存在且在几乎必然的意义下唯一的。[1] Remove ads条件概率的定义 参看 全概率公式 全期望公式 联合分布 参考文献Loading content...外部链接Loading content...Loading related searches...Wikiwand - on Seamless Wikipedia browsing. On steroids.Remove ads