概率论基础(一):条件均值与全期望公式
【条件均值与全期望公式】
假定两个连续的随机变量X,YX,YX,Y,它们的联合概率密度为
pX,Y(x,y)=pX(x)pY∣X(y∣x)=pY(y)pX∣Y(x∣y)p_{\rm X,Y}(x,y)=p_{\rm X}(x)p_{\rm Y|X}(y|x)=p_{\rm Y}(y)p_{\rm X|Y}(x|y)pX,Y(x,y)=pX(x)pY∣X(y∣x)=pY(y)pX∣Y(x∣y)则有条件均值E[X∣Y=y]=E[X∣y]{\mathbb E}[X|Y=y]={\mathbb E}[X|y]E[X∣Y=y]=E[X∣y]为
E[X∣y]=∫−∞∞xpX∣Y(x∣y)dx=∫−∞∞xpX,Y(x,y)pY(y)dx.{\mathbb E}[X|y]=\int_{-\infty}^{\infty}xp_{\rm X|Y}(x|y)dx=\int_{-\infty}^{\infty}x\frac{p_{\rm X,Y}(x,y)}{p_{\rm Y}(y)}dx.E[X∣y]=∫−∞∞xpX∣Y(x∣y)dx=∫−∞∞xpY(y)pX,Y(x,y)dx.进一步我们来推导全期望数学公式
EY{EX∣Y[X∣Y]}=EX[x].{\mathbb E}_{\rm Y}\{{\mathbb E}_{\rm X|Y}[X|Y]\}={\mathbb E}_{\rm X}[x]. EY{EX∣Y[X∣Y]}=EX[x].证明如下:
EY{EX∣Y[X∣Y]}=∫−∞∞{EX∣Y[X∣y]}pY(y)dy{\mathbb E}_{\rm Y}\{{\mathbb E}_{\rm X|Y}[X|Y]\}=\int_{-\infty}^{\infty}\{{\mathbb E}_{\rm X|Y}[X|y]\}p_{\rm Y}(y)dy EY{EX∣Y[X∣Y]}=∫−∞∞{EX∣Y[X∣y]}pY(y)dy=∫−∞∞[∫−∞∞xpX∣Y(x∣y)dx]pY(y)dy=\int_{-\infty}^{\infty}[\int_{-\infty}^{\infty}xp_{\rm X|Y}(x|y)dx]p_{\rm Y}(y)dy=∫−∞∞[∫−∞∞xpX∣Y(x∣y)dx]pY(y)dy=∫−∞∞x∫−∞∞pX∣Y(x∣y)pY(y)dydx=\int_{-\infty}^{\infty}x\int_{-\infty}^{\infty}p_{\rm X|Y}(x|y)p_{\rm Y}(y)dydx=∫−∞∞x∫−∞∞pX∣Y(x∣y)pY(y)dydx=∫−∞∞x[∫−∞∞pX,Y(x,y)dy]dx=\int_{-\infty}^{\infty}x[\int_{-\infty}^{\infty}p_{\rm X,Y}(x,y)dy]dx=∫−∞∞x[∫−∞∞pX,Y(x,y)dy]dx=∫−∞∞xpX(x)dx=EX(x)=\int_{-\infty}^{\infty}xp_{\rm X}(x)dx={\mathbb E}_{\rm X}(x)=∫−∞∞xpX(x)dx=EX(x)
概率论基础(一):条件均值与全期望公式相关推荐
- hdu 4405 全期望公式
首先确定随机事件X:掷色子到达终点的次数 E[n-n+5] :因为已经到达终点所以,全为0 由全期望公式得,E[i] = sum( E[i+j] ) ( 1<=j<=6 )/6 + 1因为 ...
- 概率论基础(7)数学期望、方差、协方差、切比雪夫不等式
概率论对于学习 NLP 方向的人,重要性不言而喻.于是我打算从概率论基础篇开始复习,也顺便巩固巩固基础. 这是基础篇的第七篇知识点总结 基础:下面前六篇的链接地址: 概率论基础(1)古典和几何概型及事 ...
- 概率论基础 —— 2. 条件概率、全概率、贝叶斯概率公式
文章目录 条件概率 全概率 贝叶斯概率 条件概率 条件概率是一种比较特殊的概率体系,和我们前面提到过的基本概率(交事件)有所不同.它最大的特点在于事件发生时有一定的限制前提,通常一般是说在事件A发生后 ...
- 贝尔曼方程基于全期望公式的前期推导
一.需要证明: E[V(st+1)∣st]=E[E[Gt+1∣st+1]∣st]=E[Gt+1∣st],(1)\mathbb{E} [V(s_{t+1})|s_t] = \mathbb{E} [ \m ...
- 期望 UVA - 11427 - 独立重复事件-全期望公式
题目链接:https://onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&page=show_problem& ...
- 二维随机变量期望公式_MIT 6.041 概率论笔记 离散随机变量(二)
6.Discrete Random Variables II 离散随机变量(二) Standard deviation 标准差 若想要以相同单位衡量数据的偏移量,可以将方差开根,得到随机变量X分布的标 ...
- 【概率论基础】概率论的一些基础概念以及公式
概率论基础 不确定性的来源: 被建模系统内在的随机性:如量子力学的粒子动力学描述. 不完全观测:不嫩观测到所有驱动系统行为的变量. 不完全建模:进行假设简化时必须舍弃某些观测信息,舍弃的信息导致魔性的 ...
- 概率论考点之概率的性质(全概公式及贝叶斯公式)
如题:2019年10月 分析:虽然说是顺完一遍课本了,但前面的内容自2019年底,就开始弄,到现在有些忘记了,对于重点的知识点,还是需要单列一下,加强记忆的. 本题就是考概率的性质:一共有四条:什么是 ...
- 概率论(三)- 全概公式逆概公式(贝叶斯公式)
全概公式 定义: B是一个事件,则有 证明: 技巧性的问题: 例1 袋中有5个球,其中有3个红球,2个白球,从中每次取出一个球(不放回)用A表示第一次取到红球,B表示第二次取到红球,求 (1)P(A) ...
- 文都计算机百度云盘,2018考研文都汤家凤面授概率论基础班
课件名称:2018考研文都汤家凤面授概率论基础班 资源类型:大学生必备考研课程 保存网盘:百度云网盘.高速下载. 资源说明: 该课程来源于网络,大家请支持正版课件, 考证资源实时在更新,若资源失效可以 ...
最新文章
- 男导师的妻子叫“师母”,那么女导师的丈夫该怎么称呼?
- Android:AS与Unity3D之间打包的各种坑及解决方案
- .NET(C#)连接各类数据库
- kafka之六:为什么Kafka那么快
- idea社区版下载lombok或是导入lombok.jar包
- 优秀的前端工程师任务目标和实践
- 计算机考研地域重要还是学校,考研选学校,城市更重要还是专业更重要?
- 从《Java核心技术卷Ⅱ》看Java操作pdf的工具类itext
- matlab机器人画圆轨迹规划
- VASP 系列001. 高通量计算 Python 库 pymatgen 安装和一些使用(用 pymatgen 画 HSE 能带的细节和输出图片字体的简单调整)
- ad如何绘制拼版_ad 拼板
- DIY01_NE555叮咚门铃
- Mac iOS Simulator录制Gif图
- python自定义函数中return可以返回多个值_python函数return返回多个值
- vue项目转换服务器端渲染,vue-server-renderer实现vue项目改造服务端渲染
- 归并排序(图解配代码)
- 基于SSH高校毕业生去向信息管理系统
- Revit二次开发-根据两个点创建剖面视图
- Codeforce821E Okabe and El Psy Kongroo
- 单核苷酸多态性(single nucleotide polymorphism,SNP)