条件期望：Conditional Expectation 举例详解之入门之入门之草履虫都说听懂了 _生活百科

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 \(\sigma\)-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 \(\frac{1}{2}\)），连丢两次并记录两次结果。那么很容易可以写出全集 \(\Omega = \left\{ HH, HT, TH, TT \right\}\) ， \(H\) 和 \(T\) 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 \(\mathcal{G}\) 为一个 \(\sigma\)-algebra，其中包括了第一次丢硬币结果的信息，请问 \(\mathcal{G}\) 是什么？
稍加思考，不难得出 \(\mathcal{G} = \left\{\Omega, ~ \emptyset, ~ \left\{ HH, HT \right\}, ~ \left\{ TT, TH \right\}\right\}\)，这里也做出一个解释。首先要明确的是，\(\Omega\) 中的元素(例如 \(HH\)) 和 \(\mathcal{G}\) 中的元素 (例如 \(\left\{ HH, HT \right\}\)) 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 \(HH\)，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. \(HH\) 或 \(TT\))，它们归属于 “丢两次硬币产生相同的结果” 的事件：\(\left\{ HH, TT \right\}\) 。回到问题，现在我们已知了第一次丢硬币后结果的信息，也就是 "第一次丢硬币是正面还是背面"，那么我们自然可以得出 \(\mathcal{G}\) 是由集类：\(\left\{ \left\{ HH, HT\right\}, ~ \left\{TT, TH\right\} \right\}\) 生成的 \(\sigma\)-algebra 。这是因为第一次扔硬币的结果已经被确定——无论它是正面还是背面：如果是正面，那么结果无非两种：两次都正面或第一次正面第二次背面；如果是背面，结果也无非两种：两次都背面或第一次背面第二次正面。结合以下树结构，在得知第一次扔硬币结果的信息后，相当于从根 \(XX\) 来到了第一层 \(HX\) 或 \(TX\) （\(X\) 代表未知信息）。

文章插图

同时，这也从另一个角度说明为什么概率论最终需要引入 “测度” 的定义——为了描述一种信息变化的过程。当我们并不知道第一次扔硬币的结果时，在全空间 \(\Omega\) 上定义的测度空间为 \((\Omega, \mathcal{F}, P)\)，其中：
\[\mathcal{F}:= \left\{ \Omega, ~ \emptyset, ~ \left\{ HH \right\}, ~ \left\{ HT \right\}, ~ \left\{ TH \right\}, ~ \left\{ TT \right\}, ~ \left\{ HT, HT \right\}, \ldots \right\}\]where \(\mathcal{F}\) 的 cardinality: \(|\mathcal{F}| = 2^{4} = 16\) 。
\[\]而当已知第一次的信息后，\(\sigma\)-algebra 随即收缩为：
\[\mathcal{G}:= \left\{ \Omega, ~ \emptyset, ~ \left\{ HH, HT \right\}, ~ \left\{ TH, TT \right\} \right\}\]\[\]现在考虑条件期望： \(\mathbb{E}\left[ X ~ | ~ \mathcal{G} \right]\) 。其中，\(\mathcal{G}\) 如上记作第一次丢完硬币后结果的全部信息，对于 \(\forall w \in \Omega:\) 随机变量 \(X\) 定义为：
\[X(w) = \begin{cases}a \qquad \mbox{if } ~ w = HH\\b \qquad \mbox{if } ~ w = HT\\c \qquad \mbox{if } ~ w = TH\\d \qquad \mbox{if } ~ w = TT\\\end{cases}\]其中 \(a, b, c, d \geq 0\) 。
Definition. (Conditional Expectation)【条件期望：Conditional Expectation 举例详解之入门之入门之草履虫都说听懂了】令 \(X\) 为一个定义在 \((\Omega, \mathcal{F}, P)\) 上的非负随机变量。令 \(G_{1}, G_{2}, \ldots\) 为一个两两不相交的事件序列，且对于 \(\forall n \in \mathbb{N}^{+}: ~ P(G_{n}) > 0\) ，并且 \(\bigcup\limits_{n\in\mathbb{N}^{+}} G_{n} = \Omega\) 。令 \(\mathcal{G}\) 为包含 \(\left\{ G_{1}, G_{2}, \ldots \right\}\) 的最小 \(\sigma\)-algebra，即，任意 \(\mathcal{G}\) 的元素都可以写作 \(\bigcup\limits_{n \in I} G_{n}\) 的形式，其中 \(I \subset \mathbb{N}^{+}\) (\(I\) 为 \(\mathbb{N}^{+}\) 的某些子集) 。那么：
\[\mathbb{E}\left[ X ~ | ~ \mathcal{G} \right](w) = \mathbb{E}\left[ X ~ | ~ G_{n} \right] = \frac{\mathbb{E}\left[ X \cdot \mathbb{I}_{G_{n}} \right]}{P(G_{n})} \qquad \qquad \mbox{if } w \in G_{n}\]首先，\(\mathbb{I}_{G_{n}}\)是一个随机变量，或者说函数：
\[\mathbb{I}_{G_{n}}: \Omega \longrightarrow \left\{ 0, 1 \right\}, \quad x \longrightarrow \mathbb{I}_{G_{n}}(x) = \begin{cases}1 \qquad \mbox{if } x \in G_{n}\\0 \qquad \mbox{otherwise}\end{cases}\]因此则可以判定，Conditional Expectation \(\mathbb{E}\left[ X ~ | ~ \mathcal{G} \right]\) 算出来也是一个随机变量，而并非常数。最后，我们可以发现一旦假设 \(w \in G_{n}\)，那么一定意味着 \(w \notin G_{k}, ~ \forall k \in \mathbb{N}^{+}\setminus\left\{n\right\}\) 。

条件期望：Conditional Expectation 举例详解之入门之入门之草履虫都说听懂了

推荐阅读

饭圈拉瓜是什么意思饭圈拉郎是什么意思

山药圆子怎么做才好吃，肉末山药圆子的做法？

父母买房可以写未成年孩子的名字吗,规避转让税但不能贷款

不倒翁小鸟的制作教程

“魑魅魍魉” 你们知道怎么读吗？魑魅魍魉怎么读

关于淮北公交简述淮北公交

excel查找不出来是什么原因

强势老人是家庭的灾难【老人强势发生家庭矛盾】

糖尿病人适合送的礼品女总裁给男秘书送粥

大红袍分几种肉桂

熟黄芪泡水喝的功效与作用熟黄芪泡水喝有哪些功效与作用

柠檬片的功能与功效柠檬片的功效作用

防弹咖啡怎么做好喝防弹咖啡怎么做

今年广东调整养老金的新消息 2022广东省养老金上调方案及补发时间

昆明机场离哪个高铁站近，昆明飞机场到高铁站有多远？

孕妇铅过高有什么症状有什么不良影响

毓字取名女孩有寓意属兔最搭的名字有哪些？

关于特别认真地生活简述特别认真地生活

办银行卡需要什么办银行卡需要什么证件和材料

终不似少年游终不似少年游