Ответы:
Грубо говоря, разница между E ( X ∣ Y )
Может быть, это кажется ненужным усложнением, но если рассматривать E ( X ∣ Y )
а затем получить , "подключив" случайную переменную вместо в результирующем выражении. Как указывалось в предыдущем комментарии, есть некоторая тонкость, которая может проникнуть в суть того, как эти вещи строго определены и связать их соответствующим образом. Это обычно происходит с условной вероятностью из-за некоторых технических проблем, лежащих в основе теории.E ( X ∣ Y ) Y y
Предположим, что и - случайные величины.X
Пусть - фиксированное действительное число, скажем, . Тогда,
является
число : это условное ожидаемое значение из при условии , что имеет значение . Обратите внимание, что для некоторого другого фиксированного действительного числа , скажем, , будет условным ожидаемым значением
заданным (действительным число). Нет оснований предполагать, что иy 0
С другой стороны, , является случайной величиной , которое случается быть функцией случайной величины . Теперь, когда мы пишем , мы имеем в виду, что всякий раз, когда случайная переменная
имеет значение , случайная переменная имеет значение
. Всякий раз, когда принимает значение , случайная величина принимает значение . Таким образом, - это просто другое имя для случайной величиныE [ X ∣ Y ]
В качестве простого иллюстративного примера предположим, что
и представляют собой дискретные случайные величины с совместным распределением
Обратите внимание, что и являются (зависимыми) случайными величинами Бернулли с параметрами и соответственно, поэтому
и . Теперь, обратите внимание , что кондиционер на , является случайной величиной Бернулли с параметром , а с кондиционеромX
С другой стороны, является случайной величиной,
которая принимает значения и с вероятностями и соответственно. Обратите внимание, что является дискретной случайной величиной, но не является случайной величиной Бернулли.E[X∣Y]=g(Y)
Как последний штрих, обратите внимание, что
То есть, ожидаемое значение этой функции из , который мы рассчитали , используя только маргинальное распределение , случается , чтобы иметь такое же численное значение , как !! Это иллюстрация более общего результата, который многие люди считают ЛЖИ:
E[Z]=E[E[X∣Y]]=E[g(Y)]=0.4×34+0.6×23=0.7=E[X].
Извините, это всего лишь маленькая шутка. LIE - это аббревиатура Закона повторяющихся ожиданий, который является совершенно достоверным результатом, который, как все считают, является правдой.
E(X|Y)
Подумайте об этом так: пусть представляет потребление калорий, а представляет рост. - это потребление калорий, обусловленное ростом - и в этом случае представляет собой наше лучшее предположение о потреблении калорий ( ), когда человек имеет определенную высоту скажем, 180 сантиметров. X
E(X|Y) - ожидаемое значение значений учетом значений - ожидаемое значение учетом значений -XY E(X|Y=y)XYy
Обычно - это вероятность значений данными значениями , но вы можете получить более точное значение и сказать , то есть вероятность значения из всех значений , заданных для 'th значение 's. Разница в том, что в первом случае речь идет о «значениях», а во втором вы рассматриваете определенное значение.P(X|Y)XYP(X=x|Y=y)xXyY
Вы можете найти диаграмму ниже полезной.