随机过程 Class 3 条件期望
在开始本节课之前,本着概率论的逻辑,我们首先来定义概率空间(Ω,F,P)(\Omega,\mathscr{F},P)(Ω,F,P),其中A∈FA\in \mathscr{F}A∈F为样本空间中的事件。
随机变量关于随机变量的条件期望
下面给出条件概率和条件期望的定义:
定义:条件概率,条件分布函数,条件期望
- 设X,YX,YX,Y是离散型随机变量,对给定的yyy,若P{Y=y}>0P\{Y=y\}>0P{Y=y}>0,则称
P{X=x∣Y=y}=P{X=x,Y=y}P{Y=y}P\{X=x|Y=y\}=\frac{P\{X=x,Y=y\}}{P\{Y=y\}}P{X=x∣Y=y}=P{Y=y}P{X=x,Y=y}
为给定Y=yY=yY=y时XXX的条件概率。此时Y=yY=yY=y,XXX的分布函数为:
F(x∣y)=P{X≤x∣Y=y},x∈RF(x|y)=P\{X\le x|Y=y\},x\in RF(x∣y)=P{X≤x∣Y=y},x∈R
X的条件期望为:
E[X∣Y=y]=∫xdF(x∣y)=∑xxP{X=x∣Y=y}E[X|Y=y]=\int xdF(x|y)=\sum_x xP\{X=x|Y=y\}E[X∣Y=y]=∫xdF(x∣y)=x∑xP{X=x∣Y=y} - 若X,YX,YX,Y是连续型随机变量,
其联合概率密度为f(x,y)f(x,y)f(x,y),
则对一切使fY(y)>0f_Y(y)>0fY(y)>0的yyy,给定Y=yY=yY=y时,
XXX的条件概率密度定义为:
f(x∣y)=f(x,y)fY(y)f(x|y)=\frac{f(x,y)}{f_Y(y)}f(x∣y)=fY(y)f(x,y)
给定Y=yY=yY=y时,XXX的条件分布函数为:
F(x∣y)=P{X≤x∣Y=y}=∫−∞xf(u∣y)du,F(x|y)=P\{X\le x|Y=y\}=\int_{-\infty}^xf(u|y)du,F(x∣y)=P{X≤x∣Y=y}=∫−∞xf(u∣y)du,
而给定Y=yY=yY=y时,XXX的条件分布期望定义为:
E[X∣Y=y]=∫xdF(x∣y)=∫xf(x∣y)dxE[X|Y=y]=\int xdF(x|y)=\int xf(x|y)dxE[X∣Y=y]=∫xdF(x∣y)=∫xf(x∣y)dx
注:
- X,YX,YX,Y都是随机变量,实则是从样本空间Ω\OmegaΩ到实数轴RRR上的映射。而x,yx,yx,y是什么呢?是映射的像值,是RRR上的一个定值。
- E(X∣Y)E(X|Y)E(X∣Y)对于每一个随机变量YYY的取值yyy有一个取值,因而我可以将E(X∣Y)E(X|Y)E(X∣Y)看做是有关随机变量Y 取值yyy的函数h(y)h(y)h(y)。
(h(Y)h(Y)h(Y)和h(y)h(y)h(y)不太一样,h(Y)h(Y)h(Y)是由YYY和hhh复合而成的从样本空间FFF到RRR上的映射,而h(y)h(y)h(y)仅仅是从RRR到RRR上的映射。)
h(Y):F⟶YR⟶E(X∣Y)RA⟶Yy⟶E(X∣Y)E(X∣Y=y)\begin{aligned} h(Y):&F\stackrel{Y}{\longrightarrow} R \stackrel{E(X|Y)}{\longrightarrow} R\\ &A\stackrel{Y}{\longrightarrow} y \stackrel{E(X|Y)}{\longrightarrow} E(X|Y=y) \end{aligned} h(Y):F⟶YR⟶E(X∣Y)RA⟶Yy⟶E(X∣Y)E(X∣Y=y)
h(y):R⟶E(X∣Y)Ry⟶E(X∣Y)E(X∣Y=y)\begin{aligned} h(y):&R \stackrel{E(X|Y)}{\longrightarrow} R\\ &y \stackrel{E(X|Y)}{\longrightarrow} E(X|Y=y) \end{aligned} h(y):R⟶E(X∣Y)Ry⟶E(X∣Y)E(X∣Y=y) - 在X,YX,YX,Y为连续型随机变量时,对yyy要求fY(y)>0f_Y(y)>0fY(y)>0,目的是为了使得条件概率密度函数f(x∣y)=f(x,y)fY(y)f(x|y)=\frac{f(x,y)}{f_Y(y)}f(x∣y)=fY(y)f(x,y)有意义。但是其实如果fY(y)=0f_Y(y)=0fY(y)=0,我们也能够有计算的方法:
但是这要用到测度论的内容,这个因为还没有学到严谨的定义,因而日后在开 这个坑。
在上面注记2中,我们注意到h(Y)=E(X∣Y)h(Y)=E(X|Y)h(Y)=E(X∣Y)其实也是一个随机变量,在这里我们给这个特殊的随机变量一个名字,称之为X对Y的条件数学期望。(注意h(y)h(y)h(y)本身并不是一个随机变量)。
对于多元情形h(Y1,Y2,...,Yn)E(X∣Y1,Y2,...,Yn)h(Y_1,Y_2,...,Y_n)E(X|Y_1,Y_2,...,Y_n)h(Y1,Y2,...,Yn)E(X∣Y1,Y2,...,Yn)和刚刚的一元情形实际上是类似的,记
h(y1,y2,...,yn)=E(X∣Y1=y1,Y2=y2,...Yn=yn)h(y_1,y_2,...,y_n)=E(X|Y_1=y_1,Y_2=y_2,...Y_n=y_n)h(y1,y2,...,yn)=E(X∣Y1=y1,Y2=y2,...Yn=yn)
随机变量关于子σ−\sigma-σ−代数的条件期望
Questions:
- 什么叫做A\mathscr{A}A-可测?
实数上的任何博雷尔可测集在XXX下的原像属于A\mathscr{A}A,那么就称XXX是A\mathscr{A}A可测的。 - 什么叫做可积随机变量?
RRR上任意BorelBorelBorel集在随机变量ξ\xiξ的映射原像为F\mathscr{F}F中σ−\sigma-σ−代数中的事件,那么称随机变量ξ\xiξ可测。
通过该映射我们可以建立起对应于(Ω,F,P)的(\Omega,\mathscr{F},P)的(Ω,F,P)的(R,ξ)(R,\xi)(R,ξ)上的度量(R,B,P(⋅))(R,\mathscr{B},P(\cdot))(R,B,P(⋅)),
我们之前考虑的概率分布函数F(x)=P(ξ≤x)F(x)=P(\xi\le x)F(x)=P(ξ≤x)其实就生成了(R,B)(R,\mathscr{B})(R,B)上的度量P(⋅)P(\cdot)P(⋅),有了度量空间(R,B,P(⋅))(R,\mathscr{B},P(\cdot))(R,B,P(⋅)),我们就能够在其上计算积分∑xP(x)=∫xdF(x)\sum xP(x)=\int x dF(x)∑xP(x)=∫xdF(x),所谓可积随机变量,其实是随机变量可积。也就是指其期望存在。 - E[ξ∣B]=E[η∣B]E[\xi|B]=E[\eta|B]E[ξ∣B]=E[η∣B]这个数学表述的具体含义用文字表述是什么?
- (Ω,F,P(⋅))⟶X(r.v.)(R,B,FX)⟶g(⋅):R→R(R,B,Fg(X))(\Omega,\mathscr{F},P(\cdot)) \stackrel{X(r.v.)}{\longrightarrow}(R,\mathscr{B},F_X )\stackrel{g(\cdot):R\rightarrow R}{\longrightarrow}(R,\mathscr{B},F_{g(X)})(Ω,F,P(⋅))⟶X(r.v.)(R,B,FX)⟶g(⋅):R→R(R,B,Fg(X))
在这个映射作用下,那些信息被保留了下来,作为整个传递过程的不变量?那些信息在传递过程中流失了?
(在映射过程中,只要求像空间中σ−\sigma-σ−代数中元素的原像是原像空间中的σ−\sigma-σ−代数中元素,但是原像空间中的σ−\sigma-σ−代数中元素的像未必是像空间中σ−\sigma-σ−代数中元素。例子:可测函数中,原像中的可测集可能映射为像空间中的不可测集,比如常值函数。)
注:
1)ξ\xiξ关于A\mathscr{A}A的条件数学期望E[ξ∣A]E[\xi|\mathscr{A}]E[ξ∣A]是一个随机变量
2) A\mathscr{A}A是一个σ−\sigma-σ−代数,同时其本体也就是一个集族。
随机过程 Class 3 条件期望相关推荐
- 新书 | 经典教材应用随机过程出第12版啦!
点击蓝字 关注我们 熟悉图灵专业数学书的同学们应该对谢尔登·M.罗斯(Sheldon M. Ross)不陌生,他是国际知名概率与统计学家,南加州大学工业与系统工程系的教授.罗斯教授著述颇丰,他的< ...
- 【数理知识】《随机过程》方兆本老师-第6章-鞅过程及其性质
第5章 回到目录 无 第6章-鞅过程及其性质-<随机过程>方兆本 6.1 条件期望及其性质 定义6.1 条件期望 6.2 鞅过程 定义6.2 鞅序列 / 鞅差序列 6.3 鞅和鞅差的性质 ...
- 【数理知识】《随机过程》方兆本老师-第1章-引论
无 回到目录 第2章 第1章-引论-<随机过程>方兆本 第1章-引论 1.1 引言 1.1.1 基本概念和例子 定义1.1 1.1.2 有限维分布和数字特征 1.1.3 平稳过程和独立增量 ...
- 【随机过程】随机过程之泊松过程的推广
[随机过程]随机过程之泊松过程的推广 声明:引用请注明出处http://blog.csdn.net/lg1259156776/ 泊松过程的两个定义 def 1: 计数过程,增量独立,增量服从泊松分布: ...
- 随机过程(1.1)—— 概率空间、分布函数、Riemann-Stieltjes 积分
概率论与随机过程课程笔记 文章目录 1. 概率空间与分布函数 1.1 概率空间 {Ω,F,P}\{\Omega,\mathscr{F},P\}{Ω,F,P} 1.1.1 样本空间 1.1.2 事件域 ...
- 随机过程 Markov 链(下)
文章目录 随机过程 Markov 链(下) Markov 链的应用 群体消失模型(分支过程) 人口结构变化的 Markov 链模型 连续时间 Markov 链 定义与性质 Kolmogorov 微分方 ...
- 高等概率论和随机过程比较本质的介绍
关于研究生阶段的概率论主干课程,说得简单一些,就是在测度论的基础之上,将本科学过的内容重新梳理,逐步加深.先前也提到过,在没学测度论的时候,很多基本的概率概念和定理的数学论证是没有办法严格给出的,相应 ...
- 【随机过程】12 - 泊松过程的推广型
泊松过程的推广型 文章目录 泊松过程的推广型 1. 泊松过程基本型回顾 1.1 性质 1.2 泊松分布与射击模型 2. 泊松过程的推广型 2.1 放宽平稳性 2.1.1 非平稳泊松过程 2.2 放宽稀 ...
- 北京交通大学2022-2023学年第一学期研究生《随机过程I》试题
北京交通大学2022-2023学年第一学期研究生<随机过程I>试题 北京交通大学随机过程I2022-2023第1学期期末考试试题 我有一个朋友是北交的研究生,他告诉我他们好多数学课都没有近 ...
- 【随机过程】 5 - 非平稳过程
非平稳过程 文章目录 非平稳过程 1. 问题引入 2. 循环平稳过程 2.1 循环平稳过程的定义 2.2 循环平稳过程与宽平稳随机过程的关系 2.3 条件期望 2.3.1 定义 2.3.2 条件期望的 ...
最新文章
- Linux下root密码忘记的解决办法
- 乔布斯亲笔签名的Apple II手册 拍卖了511万元
- ASP.NET实现下载的中文文件名乱码处理
- 【转】【Linux】linux awk命令详解
- 【Nginx】实现负载均衡的几种方式
- 弱性能穿戴设备App化之Lua For STM32
- python服务端开发调试日志系统_Loglog首页、文档和下载 - 基于 Python2.7 的日志系统 - OSCHINA - 中文开源技术交流社区...
- 还在用老掉牙的后台模板?来试试这款人类高质量后台模板(Admin Plus)
- 程序员专属段子集锦 10/10
- 线程间共享 部分变量 Spring框架下向异步线程传递HttpServletRequest参数
- 抖音的广告位在哪?抖音信息流广告样式?
- 学习嵌入式Linux,做底层还是应用?底层要掌握哪些技能?
- 质安码区块链直推新零售通过线上线下资源整合,实现信息传递的最大化
- word,excel文件双击打开慢的问题
- saas商城跟源码商城对比优势在哪里
- 【编程初学者】创建自己的开源项目1-创建远程代码仓库
- 使用PYQT5打开电脑摄像头并进行拍照
- 校园二手物品商城交易平台
- P7395 弹珠游戏(2021 CoE-I C)
- 在vue里使用reset.css
热门文章
- 第三十八章 SQL命令 DROP TABLE
- 目标建立——SMART法则
- 计算机丢失OX0000007B,win10系统应用程序无法正常启动0x000007b的解决办法
- 战舰 Linux服务端,战舰帝国一键端手游服务端+GM工具+视频教程
- 恢复U盘分区:windows自带工具diskpart
- 软考:嵌入式系统设计师
- ffmpeg 裁剪视频 / 批量
- 现场总线课程设计——IIC总线
- QT软件开发: 基于QT设计的完整版视频播放器、多媒体播放器(mdk-sdk)
- cosh和acosh--双曲余弦和反双曲余弦函数