{
  "id": "conditional-expectation",
  "title": "条件期望",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "条件期望是在给定信息下随机变量的平均值，由可测性与积分保持条件严格定义。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "条件期望值",
    "条件均值"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/conditional-expectation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/conditional-expectation/",
      "json": "https://aiwiki.page/en/conditional-expectation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "条件期望是概率和统计学中的基本概念，用于描述给定信息下随机变量的平均值。它推广了通常的期望值：以某个事件为条件时，得到的是一个数；以另一个随机变量为条件时，得到的通常是一个随机变量，其取值取决于观测到的信息。条件期望为计算子群体内的平均值、预测未观测量，以及描述信息不断积累时的不确定性提供了统一框架。(ocw.mit.edu)"
    },
    {
      "heading": "初等定义",
      "text": "对于可积随机变量 \\(X\\) 和满足 \\(P(A)>0\\) 的事件 \\(A\\)，条件期望定义为\n\n\\[E[X\\mid A]=\\frac{E[X\\mathbf 1_A]}{P(A)},\\]\n\n其中，\\(\\mathbf 1_A\\) 在 \\(A\\) 上等于 1，在其余位置等于 0。对于离散随机变量 \\(X\\)，该式可写为\n\n\\[E[X\\mid A]=\\sum_x xP(X=x\\mid A).\\]\n\n因此，计算这一平均值时使用的是根据给定事件调整后的概率，而非原来的概率。(ocw.mit.edu)\n\n若 \\(Y\\) 是离散随机变量，则对满足 \\(P(Y=y)>0\\) 的取值，定义\n\n\\[m(y)=E[X\\mid Y=y] =\\sum_x xP(X=x\\mid Y=y).\\]\n\n表达式 \\(E[X\\mid Y]=m(Y)\\) 表示一个随机变量，而 \\(E[X\\mid Y=y]\\) 表示它在某个给定观测值处的数值。这一区别至关重要：尽管无条件均值是常数，条件均值却会随 \\(Y\\) 的取值而变化。(ocw.mit.edu)\n\n对于实值随机变量 \\(X,Y\\)，若它们的联合概率分布具有密度 \\(f_{X,Y}\\)，则相应公式使用条件概率密度函数：\n\n\\[m(y)=\\int_{\\mathbb R}x\\,f_{X\\mid Y}(x\\mid y)\\,dx, \\qquad f_{X\\mid Y}(x\\mid y)=\\frac{f_{X,Y}(x,y)}{f_Y(y)},\\]\n\n其中要求 \\(f_Y(y)>0\\)，且积分存在。这并不是直接除以 \\(P(Y=y)\\)，因为对于连续分布的 \\(Y\\)，该概率为零。(live.ocw.mit.edu)"
    },
    {
      "heading": "测度论定义",
      "text": "一般定义建立在测度论之上。设 \\((\\Omega,\\mathcal F,P)\\) 为一个概率空间，\\(E|X|<\\infty\\)，并设 \\(\\mathcal G\\subseteq\\mathcal F\\) 是表示可用信息的σ代数。条件期望 \\(Z=E[X\\mid\\mathcal G]\\) 是一个可积且 \\(\\mathcal G\\)-可测的随机变量，并满足\n\n\\[\\int_A Z\\,dP=\\int_A X\\,dP \\quad\\text{对每个 }A\\in\\mathcal G.\\]\n\n这些勒贝格积分恒等式保留了利用该信息能够确定的平均值。可测性则确保 \\(Z\\) 不依赖于 \\(\\mathcal G\\) 之外的信息。(math.ucdavis.edu)\n\n条件期望的存在性可由拉东—尼科迪姆定理推出：对于非负可积随机变量 \\(X\\)，定义在 \\(\\mathcal G\\) 上的测度 \\(A\\mapsto E[X\\mathbf 1_A]\\) 相对于 \\(P\\) 具有拉东—尼科迪姆导数。对于一般的可积随机变量 \\(X\\)，则分别处理其正部和负部。条件期望在几乎必然的意义下唯一，也就是说，不同版本可以在概率为零的集合上有所不同。(math.ucdavis.edu)\n\n以 \\(Y\\) 为条件，就是以它生成的 σ代数 \\(\\sigma(Y)\\) 为条件。对于实值随机变量 \\(Y\\)，条件期望的某个版本可写为 \\(m(Y)\\)，其中 \\(m\\) 是可测函数。对于概率为零的单个观测值，其对应的函数值不一定能唯一确定；额外的正则性条件可以帮助选取一个便于使用的版本。(math.ucdavis.edu)"
    },
    {
      "heading": "主要性质",
      "text": "对于可积随机变量，条件期望具有线性性和保序性。对 \\(\\mathcal G\\)-可测的随机变量取条件期望，其值保持不变。若 \\(X\\) 与 \\(\\mathcal G\\) 具有统计独立性，则\n\n\\[E[X\\mid\\mathcal G]=E[X] \\quad\\text{几乎必然成立}.\\]\n\n独立性是这一恒等式成立的充分条件，但仅凭该恒等式不能断定独立性。(math.ucdavis.edu)\n\n“提出已知量”规则指出，对于有界且 \\(\\mathcal G\\)-可测的随机变量 \\(W\\)，有\n\n\\[E[WX\\mid\\mathcal G]=W E[X\\mid\\mathcal G].\\]\n\n塔式性质指出，若 \\(\\mathcal H\\subseteq\\mathcal G\\)，则\n\n\\[E[E[X\\mid\\mathcal G]\\mid\\mathcal H] =E[X\\mid\\mathcal H].\\]\n\n因此，利用较粗的信息对基于较细信息的估计再取平均，结果等同于直接基于较粗信息作出的估计。其特例是全期望公式：\n\n\\[E[E[X\\mid\\mathcal G]]=E[X].\\]\n\n上述涉及随机变量相等的恒等式均在几乎必然的意义下成立。(people.math.wisc.edu)\n\n条件形式的詹森不等式给出\n\n\\[\\varphi(E[X\\mid\\mathcal G]) \\leq E[\\varphi(X)\\mid\\mathcal G],\\]\n\n其中 \\(\\varphi\\) 为凸函数，并假定相关期望存在。特别地，取条件期望不会增大绝对值的期望：\n\n\\[E|E[X\\mid\\mathcal G]|\\leq E|X|.\\]\n\n(samuel-drapeau.info)"
    },
    {
      "heading": "预测与几何解释",
      "text": "当 \\(E[X^2]<\\infty\\) 时，条件期望是 \\(X\\) 在希尔伯特空间 \\(L^2\\) 中向由 \\(\\mathcal G\\)-可测随机变量构成的闭子空间的正交投影。其残差满足\n\n\\[E[(X-E[X\\mid\\mathcal G])W]=0,\\]\n\n其中 \\(W\\) 可以是任意平方可积且 \\(\\mathcal G\\)-可测的随机变量。这里的正交性是相对于内积 \\(E[UV]\\) 而言的。(samuel-drapeau.info)\n\n因此，在所有基于 \\(\\mathcal G\\) 的平方可积预测中，\\(E[X\\mid\\mathcal G]\\) 使均方误差最小。对于已观测到的预测变量 \\(Y\\)，最优预测为 \\(m(Y)=E[X\\mid Y]\\)。与线性回归不同，这种优化并不将预测限制为线性函数；最优条件均值可以是非线性的。(ocw.mit.edu)"
    },
    {
      "heading": "方差分解与随机过程",
      "text": "对于平方可积随机变量 \\(X\\)，条件方差定义为\n\n\\[\\operatorname{Var}(X\\mid\\mathcal G) =E[(X-E[X\\mid\\mathcal G])^2\\mid\\mathcal G].\\]\n\n由全方差公式可得\n\n\\[\\operatorname{Var}(X) =E[\\operatorname{Var}(X\\mid\\mathcal G)] +\\operatorname{Var}(E[X\\mid\\mathcal G]).\\]\n\n这一公式将总变异分解为两部分：按给定信息划分的各组内部剩余变异的平均值，以及各组条件均值之间的变异。(ocw.mit.edu)\n\n在随机过程中，随时间递增的滤过（概率论） \\((\\mathcal F_t)\\) 表示各时刻可用的信息。可积适应过程 \\(M_t\\) 若满足\n\n\\[E[M_t\\mid\\mathcal F_s]=M_s,\\qquad s\\leq t,\\]\n\n则称为鞅。对于可积的终端量 \\(Z\\)，过程 \\(M_t=E[Z\\mid\\mathcal F_t]\\) 由塔式性质满足这一恒等式，表示随着信息增加，对同一量依次作出的估计。(people.math.wisc.edu)"
    }
  ],
  "links": [
    "probability",
    "statistics",
    "random-variable",
    "expected-value",
    "joint-probability-distribution",
    "probability-density-function",
    "measure-theory",
    "probability-space",
    "sigma-algebra",
    "lebesgue-integral",
    "statistical-independence",
    "law-of-total-expectation",
    "jensens-inequality",
    "convex-function",
    "hilbert-space",
    "inner-product",
    "mean-squared-error",
    "linear-regression",
    "variance",
    "stochastic-process",
    "filtration-probability",
    "martingale"
  ],
  "sources": [
    {
      "title": "ocw.mit.edu/courses/6-041sc-probabilistic-systems-analysis-and-applied-probabil…",
      "url": "https://ocw.mit.edu/courses/6-041sc-probabilistic-systems-analysis-and-applied-probability-fall-2013/P7a4bjE6Crk_transcript.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/6-042j-mathematics-for-computer-science-fall-2010/93cad640c…",
      "url": "https://ocw.mit.edu/courses/6-042j-mathematics-for-computer-science-fall-2010/93cad640cf3ed0b23ef70688f452d4d5_MIT6_042JF10_notes.pdf"
    },
    {
      "title": "live.ocw.mit.edu/courses/14-30-introduction-to-statistical-methods-in-economics…",
      "url": "https://live.ocw.mit.edu/courses/14-30-introduction-to-statistical-methods-in-economics-spring-2009/b5f0c35be0af22f4c8948e7db00ac9fa_MIT14_30s09_lec16.pdf"
    },
    {
      "title": "math.ucdavis.edu/~romik/data/uploads/notes/lecturenotes235b.pdf",
      "url": "https://www.math.ucdavis.edu/~romik/data/uploads/notes/lecturenotes235b.pdf"
    },
    {
      "title": "people.math.wisc.edu/~dfanderson/635S12/Lectures/635_Ch4_Lec.pdf",
      "url": "https://people.math.wisc.edu/~dfanderson/635S12/Lectures/635_Ch4_Lec.pdf"
    },
    {
      "title": "samuel-drapeau.info/SP_Lecture/lecture/03-Integration/033-radon-nikodym-cond-ex…",
      "url": "https://www.samuel-drapeau.info/SP_Lecture/lecture/03-Integration/033-radon-nikodym-cond-exp/"
    },
    {
      "title": "ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/55e1f9855…",
      "url": "https://ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/55e1f98550110cea4b1980ec9df6224d_HL7qwWvON4.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}