{
  "id": "law-of-total-expectation",
  "title": "全期望公式",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "全期望公式将无条件期望表示为条件期望的概率加权平均，其推广形式说明嵌套条件期望如何简化。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "全期望定理",
    "迭代期望定律",
    "迭代期望定理",
    "塔式法则",
    "塔式性质"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/law-of-total-expectation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/law-of-total-expectation/",
      "json": "https://aiwiki.page/en/law-of-total-expectation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "全期望公式是概率论中的一个定理，指出随机变量的期望值等于其条件期望的期望值。对于可积随机变量 \\(X\\) 和另一个随机变量 \\(Y\\)，有\n\n\\[\\mathbb E[X]=\\mathbb E\\!\\left[\\mathbb E[X\\mid Y]\\right].\\]\n\n直观地说，可以先计算每一组内的均值，再以各组的概率为权重对这些组内均值求平均，从而得到总体均值。这一定律不要求独立性假设。它更一般的形式称为塔式性质，描述了对相互嵌套的信息集依次取条件期望时的关系。"
    },
    {
      "heading": "基本表述与解释",
      "text": "设 \\(X\\) 为实值可积随机变量，即\n\n\\[\\mathbb E[|X|]<\\infty.\\]\n\n表达式 \\(\\mathbb E[X\\mid Y]\\) 本身也是随机变量：其值取决于观测到的 \\(Y\\) 的值。外层期望按照 \\(Y\\) 的概率分布对这一条件均值求平均。\n\n若用 \\(m(y)\\) 表示 \\(\\mathbb E[X\\mid Y=y]\\) 的一个适当版本，则该公式可写成\n\n\\[\\mathbb E[X]=\\mathbb E[m(Y)].\\]\n\n因此，将 \\(X\\) 的每个取值替换为相应 \\(Y\\) 值所对应的平均值，不会改变总体期望。\n\n该定理也适用于非负的 \\(X\\)，此时等式两边均可取 \\(+\\infty\\)。对于既可取正值又可取负值的不可积随机变量，则需要格外谨慎：涉及未定义表达式 \\(+\\infty-\\infty\\) 的期望没有意义。"
    },
    {
      "heading": "离散形式与连续形式",
      "text": "以划分为条件\n\n设 \\(A_1,A_2,\\ldots\\) 构成样本空间的一个有限或可数的集合划分，并略去概率为零的事件。则\n\n\\[\\mathbb E[X] = \\sum_i \\mathbb E[X\\mid A_i]\\,\\mathbb P(A_i).\\]\n\n其中\n\n\\[\\mathbb E[X\\mid A_i] = \\frac{\\mathbb E[X\\mathbf 1_{A_i}]}{\\mathbb P(A_i)},\\]\n\n这里 \\(\\mathbf 1_{A_i}\\) 是 \\(A_i\\) 的示性函数。\n\n当条件变量 \\(Y\\) 为离散随机变量时，可得\n\n\\[\\mathbb E[X] = \\sum_{y:\\,\\mathbb P(Y=y)>0} \\mathbb E[X\\mid Y=y]\\,\\mathbb P(Y=y).\\]\n\n这里只要求 \\(Y\\) 是离散的；\\(X\\) 可以是离散型、连续型或混合型。\n\n以连续变量为条件\n\n若 \\(Y\\) 具有概率密度函数 \\(f_Y\\)，则\n\n\\[\\mathbb E[X] = \\int_{-\\infty}^{\\infty} m(y)f_Y(y)\\,dy, \\qquad m(y)=\\mathbb E[X\\mid Y=y].\\]\n\n若 \\(X\\) 和 \\(Y\\) 具有联合密度，则在 \\(f_Y(y)>0\\) 处，\\(m\\) 的一个版本可写为\n\n\\[m(y)= \\int_{-\\infty}^{\\infty} x f_{X\\mid Y}(x\\mid y)\\,dx\\]\n\n。代入这一表达式，得到\n\n\\[\\mathbb E[X] = \\int_{-\\infty}^{\\infty} \\left( \\int_{-\\infty}^{\\infty} x f_{X\\mid Y}(x\\mid y)\\,dx \\right)f_Y(y)\\,dy.\\]\n\n对于连续的 \\(Y\\)，事件 \\(Y=y\\) 的概率通常为零。因此，\\(\\mathbb E[X\\mid Y=y]\\) 不能通过除以 \\(\\mathbb P(Y=y)\\) 来定义，而是通过条件分布或 \\(\\mathbb E[X\\mid Y]\\) 的可测表示来解释；除去关于 \\(Y\\) 的分布而言概率为零的集合后，这一表示是确定的。\n\n更一般地，用 \\(P_Y\\) 表示 \\(Y\\) 的分布，则\n\n\\[\\mathbb E[X]=\\int m(y)\\,P_Y(dy).\\]\n\n这一表述也涵盖既非纯离散型、也非纯连续型的分布。"
    },
    {
      "heading": "测度论表述",
      "text": "在概率空间 \\((\\Omega,\\mathcal F,\\mathbb P)\\) 上，设 \\(\\mathcal G\\subseteq\\mathcal F\\) 是表示可用信息的σ代数。对于可积的 \\(X\\)，条件期望\n\n\\[Z=\\mathbb E[X\\mid\\mathcal G]\\]\n\n是一个可积且 \\(\\mathcal G\\)-可测的随机变量，满足\n\n\\[\\int_A Z\\,d\\mathbb P = \\int_A X\\,d\\mathbb P \\qquad\\text{for every }A\\in\\mathcal G.\\]\n\n它在几乎必然的意义下唯一。\n\n取 \\(A=\\Omega\\)，立即得到\n\n\\[\\mathbb E[\\mathbb E[X\\mid\\mathcal G]] = \\mathbb E[X].\\]\n\n因此，基本的全期望公式是条件期望定义性质的直接推论。\n\n以 \\(Y\\) 为条件，就是以 \\(Y\\) 生成的 σ代数 \\(\\sigma(Y)\\) 为条件。这一测度论表述既不要求存在密度，也不要求可能取值构成可数集。"
    },
    {
      "heading": "塔式性质",
      "text": "若\n\n\\[\\mathcal G\\subseteq\\mathcal H\\subseteq\\mathcal F,\\]\n\n则\n\n\\[\\mathbb E\\!\\left[ \\mathbb E[X\\mid\\mathcal H]\\mid\\mathcal G \\right] = \\mathbb E[X\\mid\\mathcal G] \\quad\\text{almost surely}.\\]\n\n对基于更细致信息得到的估计，再以较粗略的信息为条件求平均，所得结果等于直接基于较粗略信息得到的估计。\n\n为证明这一点，令\n\n\\[Z=\\mathbb E[\\mathbb E[X\\mid\\mathcal H]\\mid\\mathcal G].\\]\n\n对于每个 \\(A\\in\\mathcal G\\)，由 \\(A\\in\\mathcal H\\) 可得\n\n\\[\\int_A Z\\,d\\mathbb P = \\int_A\\mathbb E[X\\mid\\mathcal H]\\,d\\mathbb P = \\int_A X\\,d\\mathbb P.\\]\n\n再结合 \\(Z\\) 的 \\(\\mathcal G\\)-可测性，可知 \\(Z\\) 是 \\(\\mathbb E[X\\mid\\mathcal G]\\) 的一个版本。\n\n反过来取条件期望，也有\n\n\\[\\mathbb E\\!\\left[ \\mathbb E[X\\mid\\mathcal G]\\mid\\mathcal H \\right] = \\mathbb E[X\\mid\\mathcal G],\\]\n\n因为 \\(\\mathcal G\\)-可测的随机变量也必然是 \\(\\mathcal H\\)-可测的。\n\n用随机变量表示的一个重要形式是\n\n\\[\\mathbb E\\!\\left[ \\mathbb E[X\\mid Y,Z]\\mid Y \\right] = \\mathbb E[X\\mid Y].\\]\n\n嵌套关系至关重要：对彼此无包含关系的信息集任意依次取条件期望，并不满足同样的简化规则。"
    },
    {
      "heading": "示例",
      "text": "组均值的加权平均\n\n假设某生产流程中，\\(70\\%\\) 的产品由机器 A 加工，\\(30\\%\\) 由机器 B 加工。两台机器的平均加工时间分别为 4 分钟和 9 分钟。若 \\(X\\) 表示加工时间，\\(Y\\) 表示所使用的机器，则\n\n\\[\\mathbb E[X] = 0.7(4)+0.3(9) = 5.5\\text{ minutes}.\\]\n\n不加权的平均值为 \\(6.5\\) 分钟，但这不是总体均值，因为两台机器的使用比例并不相同。\n\n随机的成功概率\n\n设 \\(P\\) 的取值范围为 \\([0,1]\\)，并假设\n\n\\[X\\mid P\\sim\\operatorname{Binomial}(n,P),\\]\n\n其中 \\(n\\) 为常数。这一二项分布的条件均值为 \\(nP\\)，因此\n\n\\[\\mathbb E[X] = \\mathbb E[nP] = n\\mathbb E[P].\\]\n\n无论 \\(P\\) 服从何种具体分布，这一结果都成立。\n\n求和项数为随机变量\n\n设 \\(N\\) 为具有有限均值的非负整数值随机变量。设 \\(X_1,X_2,\\ldots\\) 为同分布的可积随机变量，均值为 \\(\\mu\\)，并假设整个序列与 \\(N\\) 独立。定义\n\n\\[S=\\sum_{i=1}^{N}X_i,\\]\n\n当 \\(N=0\\) 时，规定 \\(S=0\\)。由于\n\n\\[\\mathbb E[S\\mid N=n]=n\\mu,\\]\n\n由全期望公式可得\n\n\\[\\mathbb E[S]=\\mu\\,\\mathbb E[N].\\]\n\n计算这一均值不需要各个 \\(X_i\\) 相互独立。不过，该序列与 \\(N\\) 独立，是保证上述条件均值成立的一个充分条件。"
    },
    {
      "heading": "推论与应用",
      "text": "全概率公式\n\n将定理应用于事件 \\(A\\) 的示性函数，可得\n\n\\[\\mathbb P(A) = \\mathbb E[\\mathbb P(A\\mid Y)].\\]\n\n对于离散的 \\(Y\\)，有\n\n\\[\\mathbb P(A) = \\sum_y \\mathbb P(A\\mid Y=y)\\mathbb P(Y=y).\\]\n\n因此，全概率公式就是全期望公式应用于示性随机变量时的特例。\n\n方差分解\n\n若 \\(\\mathbb E[X^2]<\\infty\\)，对离差的平方应用全期望公式，可得全方差公式：\n\n\\[\\operatorname{Var}(X) = \\mathbb E[\\operatorname{Var}(X\\mid Y)] + \\operatorname{Var}(\\mathbb E[X\\mid Y]).\\]\n\n它将方差分解为组内变异的平均值与组均值之间的变异。\n\n条件蒙特卡洛方法\n\n在蒙特卡洛方法中，用可计算的条件期望 \\(\\mathbb E[X\\mid Y]\\) 替换 \\(X\\)，不会改变其均值。在平方可积的条件下，\n\n\\[\\operatorname{Var}(\\mathbb E[X\\mid Y]) \\leq \\operatorname{Var}(X).\\]\n\n因此，基于条件均值的模拟可以具有更小的方差，不过也需要考虑计算这些条件均值的成本。\n\n贝叶斯预测与随机过程\n\n在贝叶斯推断中，预测期望是按照参数的后验分布，对给定参数时的条件期望求平均。对于观测数据 \\(D\\)、参数 \\(\\theta\\) 和未来观测 \\(X\\)，只要所需的期望存在，就有\n\n\\[\\mathbb E[X\\mid D] = \\mathbb E\\!\\left[ \\mathbb E[X\\mid\\theta,D]\\mid D \\right],\\]\n\n对于滤过（概率论） \\((\\mathcal F_t)\\) 和可积随机变量 \\(Z\\)，过程\n\n\\[M_t=\\mathbb E[Z\\mid\\mathcal F_t]\\]\n\n是一个鞅。事实上，对于 \\(s\\leq t\\)，由塔式性质可得\n\n\\[\\mathbb E[M_t\\mid\\mathcal F_s]=M_s.\\]"
    },
    {
      "heading": "适用条件与常见误区",
      "text": "- 必须为条件均值赋予正确的权重。 对各组赋予相同权重，通常不同于按各组在总体中的概率求平均。\n- 不需要独立性。 若 \\(X\\) 与 \\(Y\\) 在统计意义上独立，则条件均值几乎必然为常数；当它们存在依赖关系时，定理同样适用。\n- 不能忽略可积性。 例如，服从柯西分布的随机变量不存在通常意义下的期望，因此不能对它使用有限均值的恒等式。\n- 使用塔式性质进行简化时，条件信息必须相互嵌套。 若信息集之间不存在包含关系，通常不能将多次取条件期望替换为单次取条件期望。\n- 期望运算通常不能与非线性函数交换次序。 在可积的条件下，定理给出\n\n\\[\\mathbb E[g(X)] = \\mathbb E[\\mathbb E[g(X)\\mid Y]]\\]\n\n但通常不能据此得出\n\n\\[\\mathbb E[g(X)] = \\mathbb E[g(\\mathbb E[X\\mid Y])].\\]\n\n对于凸函数 \\(g\\)，相应的不等式由詹森不等式给出。"
    }
  ],
  "links": [
    "probability",
    "random-variable",
    "expected-value",
    "conditional-expectation",
    "probability-distribution",
    "sample-space",
    "set-partition",
    "indicator-function",
    "probability-density-function",
    "probability-space",
    "sigma-algebra",
    "almost-surely",
    "measure-theory",
    "binomial-distribution",
    "variance",
    "monte-carlo-method",
    "bayesian-inference",
    "filtration-probability",
    "martingale",
    "cauchy-distribution",
    "jensens-inequality"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}