知经 KNOWECON
登录 注册

知经百科 / Q

全期望公式

全期望公式 (Law of Total Expectation / Tower Rule)

全期望公式（Law of Total Expectation，简称 LTE），亦称塔法则（Tower Rule）或重期望公式，是概率论与数理统计中连接无条件期望与条件期望的桥梁定理：E[X]=E[E[X∣G]]E[X] = E[E[X \mid \mathcal{G}]]。直观：先按已知信息分组求条件期望，再对这些条件期望按分组概率加权平均，即得全局期望。由全概率公式自然导出，是鞅论、贝叶斯推断、计量经济学的基础工具。

公式与形式

离散形式：设离散随机变量 YY 取值 y1,y2,…y_1, y_2, \dots，则：

E[X]=∑jE[X∣Y=yj]⋅P(Y=yj)E[X] = \sum_j E[X \mid Y=y_j] \cdot P(Y=y_j)

连续形式：若 YY 有密度 fY(y)f_Y(y)：

E[X]=∫E[X∣Y=y] fY(y) dyE[X] = \int E[X \mid Y=y] \, f_Y(y) \, dy

测度论形式：设 G\mathcal{G} 为sigma-代数（信息集），则 E[X]=E[E[X∣G]]E[X] = E[E[X \mid \mathcal{G}]]。一般地，若 H⊆G\mathcal{H} \subseteq \mathcal{G}（信息嵌套），则：

E[E[X∣G]∣H]=E[X∣H]E[E[X \mid \mathcal{G}] \mid \mathcal{H}] = E[X \mid \mathcal{H}]

此即塔性质（Tower Property）：更粗信息集的期望等于先对更细信息集取条件期望再对粗集取期望。

推导与证明

由条件期望定义结合全概率公式直接证明。离散情况：记 Aj={Y=yj}A_j = \{Y = y_j\}，则 {Aj}\{A_j\} 构成样本空间的划分。

E[X]=∑xx⋅P(X=x)=∑xx∑jP(X=x,Y=yj)E[X] = \sum_x x \cdot P(X=x) = \sum_x x \sum_j P(X=x, Y=y_j)

交换求和次序：

E[X]=∑j[∑xx⋅P(X=x∣Y=yj)]P(Y=yj)=∑jE[X∣Y=yj]⋅P(Y=yj)E[X] = \sum_j \left[ \sum_x x \cdot P(X=x \mid Y=y_j) \right] P(Y=y_j) = \sum_j E[X \mid Y=y_j] \cdot P(Y=y_j)

连续情况类似，以积分代求和。测度论版本依赖条件期望的部分平均性质：对任意 A∈GA \in \mathcal{G}，∫AE[X∣G]dP=∫AXdP\int_A E[X \mid \mathcal{G}] dP = \int_A X dP。取 A=ΩA = \Omega（全空间），即得 E[E[X∣G]]=E[X]E[E[X \mid \mathcal{G}]] = E[X]。

塔性质与重期望迭代

塔法则可反复嵌套。若 H⊆G⊆F\mathcal{H} \subseteq \mathcal{G} \subseteq \mathcal{F}（信息逐步精细），则：

E[E[E[X∣F]∣G]∣H]=E[X∣H]E[E[E[X \mid \mathcal{F}] \mid \mathcal{G}] \mid \mathcal{H}] = E[X \mid \mathcal{H}]

特例：H={∅,Ω}\mathcal{H} = \{\emptyset, \Omega\}（无信息），条件期望退化为无条件期望，即回到全期望公式。塔性质在鞅（Martingale）定义中起核心作用：{Mn}\{M_n\} 是鞅当且仅当 E[Mn+1∣Fn]=MnE[M_{n+1} \mid \mathcal{F}_n] = M_n，反复应用塔性质可得 E[Mn+k∣Fn]=MnE[M_{n+k} \mid \mathcal{F}_n] = M_n。

计算技巧与应用

分段期望计算：当直接求 E[X]E[X] 困难时，引入辅助变量 YY，先求 E[X∣Y]E[X \mid Y]，再对 YY 取期望。经典例：复合分布中，设 N∼Poisson(λ)N \sim \text{Poisson}(\lambda)，XiX_i i.i.d.，求随机和 SN=∑i=1NXiS_N = \sum_{i=1}^N X_i 的期望：

E[SN]=E[E[SN∣N]]=E[N⋅E[X1]]=E[N]⋅E[X1]=λμE[S_N] = E[E[S_N \mid N]] = E[N \cdot E[X_1]] = E[N] \cdot E[X_1] = \lambda \mu

此即Wald等式（Wald's Equation）的特殊情形。

方差分解：全期望公式与全方差公式配合：

Var(X)=E[Var(X∣Y)]+Var(E[X∣Y])\mathrm{Var}(X) = E[\mathrm{Var}(X \mid Y)] + \mathrm{Var}(E[X \mid Y])

分为"组内方差期望"加"组间期望方差"——是ANOVA和随机效应模型的数学基础。

经济与计量应用

理性预期与有效市场：卢卡斯批判下，代理人利用信息集 It\mathcal{I}_t 形成预期。全期望公式意味着：对未来预期的今日预期等于今日预期——Et[Et+1[X]]=Et[X]E_t[E_{t+1}[X]] = E_t[X]（塔性质）。这是欧拉方程迭代和资产定价中无套利条件一致性的保障。

贝叶斯推断：后验期望可写为先验期望的条件期望形式。全期望公式确保贝叶斯估计的无偏性：E[θ^Bayes]=E[E[θ∣Data]]=E[θ]E[\hat{\theta}_{\text{Bayes}}] = E[E[\theta \mid \text{Data}]] = E[\theta]——后验期望的先验期望等于先验期望。同理，经验贝叶斯方法依赖此恒等式。

样本理论：Rao-Blackwell定理的证明核心用全期望公式：充分统计量 TT 下，改进估计量 θ^∗=E[θ^∣T]\hat{\theta}^* = E[\hat{\theta} \mid T]，其期望 E[θ^∗]=E[E[θ^∣T]]=E[θ^]E[\hat{\theta}^*] = E[E[\hat{\theta} \mid T]] = E[\hat{\theta}] 保无偏性，方差由全方差公式得 Var(θ^∗)≤Var(θ^)\mathrm{Var}(\hat{\theta}^*) \le \mathrm{Var}(\hat{\theta})。

政策评估：在处理效应框架下，E[Y]=E[Y∣D=1]P(D=1)+E[Y∣D=0]P(D=0)E[Y] = E[Y \mid D=1]P(D=1) + E[Y \mid D=0]P(D=0)——总体期望是处理组与控制组条件期望的加权和。倾向得分匹配与双重差分设计都隐含使用全期望公式进行分解。

记忆：全期望 = "先条件期望，再平均"——E[X]=E[E[X∣Y]]E[X] = E[E[X \mid Y]]。直观：若要猜全国平均收入，可先算各省平均收入，再按各省人口加权平均——两步走，等价于直接全国平均。塔法则强调信息嵌套时"由细到粗，平滑过渡"。

返回百科索引