例：几何分布的期望 根据全期望公式 E[X]=P(Y=0)EXY=0]+PY=1)E XY=1 口Y=1意味着X=1,所以E[XIY=1]=1 口Y=0条件下，假设还需要Z次试验，则 E[XY=0]=E[Z+1]=E[Z☑+1 由几何分布的无记忆性，X和Z同分布，E[X)]=E[Z] 因此，E[X=(1-p)(E[X]+1)+p,解得E[X=1 利用条件期望是计算期望的一种有效手段， 尤其是结合几何分布的无记忆性
例：几何分布的期望 根据全期望公式 𝑬[𝑿] = 𝑷 𝒀 = 𝟎 𝑬 𝑿 𝒀 = 𝟎] + 𝑷 𝒀 = 𝟏 𝑬 𝑿 𝒀 = 𝟏] 𝒀 = 𝟏意味着𝑿 = 𝟏,所以𝑬 𝑿 𝒀 = 𝟏] =1 𝒀 = 𝟎条件下，假设还需要𝒁次试验，则 𝑬 𝑿 𝒀 = 𝟎] = 𝑬 𝒁 + 𝟏 = 𝑬 𝒁 + 𝟏 由几何分布的无记忆性，𝑿和𝒁同分布，𝑬 𝑿 = 𝑬 𝒁 . 因此，𝑬 𝑿 = 𝟏 − 𝒑 𝑬 𝑿 + 𝟏 + 𝒑,解得𝑬 𝑿 = 𝟏 𝒑 . 6 利用条件期望是计算期望的一种有效手段， 尤其是结合几何分布的无记忆性
条件期望的线性性质 对于有限个离散随机变量X1,X2,…,Xn,以及常 数C1,C2,…,Cn有 E1cXIY=y=∑cEIX:IY= i=1
条件期望的线性性质 对于有限个离散随机变量𝑿𝟏,𝑿𝟐,… ,𝑿𝒏，以及常 数𝒄𝟏, 𝒄𝟐,…, 𝒄𝒏,有 𝑬 σ𝒊=𝟏 𝒏 𝒄𝒊𝑿𝒊 𝒀 = 𝒚 = 𝒊=𝟏 𝒏 𝒄𝒊𝑬 𝑿𝒊 𝒀 = 𝒚]. 7
条件期望定义的随机变量 8 EXIY=y=∑xP(X=xY=y) X EX Y 将事件Y=y映射成E[XY=y]的随机变量 E[X|Y]是一个随机变量f(Y),且当Y=y时， f(Y)取值为EXIY=y]
条件期望定义的随机变量 𝑬 𝑿 𝒀 = 𝒚 = 𝒙 𝒙𝑷(𝑿 = 𝒙|𝒀 = 𝒚) 8 𝑬[𝑿|𝒀] 将事件𝒀 = 𝒚映射成𝑬 𝑿 𝒀 = 𝒚 的随机变量 𝑬 𝑿 𝒀 是一个随机变量𝑓(𝑌)，且当𝑌 = 𝑦时， 𝑓(𝑌)取值为𝑬 𝑿 𝒀 = 𝒚
例 9 随机抛骰子两次。X1:第一个点数；X2:第二个 点数；X:点数和 ExIx1=∑ xP(X=xlX1) 1父 X1+6 1 6=X1+2 x=X1+1 Exx=EX+引=7 EX
例 随机抛骰子两次。𝑿𝟏:第一个点数；𝑿𝟐:第二个 点数；𝑿: 点数和 𝑬 𝑿 𝑿𝟏 = 𝒙 𝒙𝑷(𝑿 = 𝒙|𝑿𝟏) = 𝒙=𝑿𝟏+𝟏 𝑿𝟏+𝟔 𝒙 𝟏 𝟔 = 𝑿𝟏 + 𝟕 𝟐 9 𝑬 𝑬 𝑿 𝑿𝟏 = 𝑬 𝑿𝟏 + 𝟕 𝟐 = 𝟕 = 𝑬[𝑿]
E[X|Y门的性质 10 定理：EE[XIY]=E[X] o证明：记E[X|Y]=f(Y) E[X IY]1=∑f)P(Y=) =∑EXIY=yPY=D=ELN刈
𝑬 𝑿 𝒀]的性质 证明：记𝑬 𝑿 𝒀] = 𝒇 𝒀 𝑬[𝑬 𝑿 𝒀]] = 𝒚 𝒇 𝒚 𝑷 𝒀 = 𝒚 = 𝒚 𝑬 𝑿 𝒀 = 𝒚]𝑷(𝒀 = 𝒚) = 𝑬[𝑿] 10 定理：𝐸 𝐸 𝑋 𝑌 = 𝐸 𝑋