全期望公式是機率論中的一個重要概念,用於計算隨機變數Y的數學期望E(Y),當Y是條件於另一個隨機變數X時,可以通過以下方式表達:
離散型情況:
[ E(Y) = \sum_{i} P(X=x_i) E(Y | X=x_i) ]
連續型情況:
[ E(Y) = \int_{-\infty}^{+\infty} E(Y | X=x) f_X(x) dx ]
這裡的 ( E(Y | X=x_i) ) 表示在 ( X ) 取值為 ( x_i ) 的條件下 ( Y ) 的數學期望。在離散型情況中,我們對所有可能的 ( X ) 的值求和;在連續型情況中,我們對 ( X ) 的機率密度函式 ( f_X(x) ) 進行積分。這兩種情況都表明,隨機變數 ( Y ) 的期望值可以通過對其在給定 ( X ) 條件下的期望值加權求和(或積分)來計算,權重為 ( X ) 取各個值的機率。
套用場景:
在決策分析中,全期望公式用於計算在不確定條件下決策的平均結果。
在金融和經濟學中,它幫助評估投資組合或項目的預期收益。
在機器學習和統計學習中,它用於估計模型預測的準確性。
參考搜尋結果:
提供了一般的公式形式。
展示了複雜的計算過程,雖然這部分內容對於理解全期望公式的概念不是必需的,但它提供了計算示例。
和 分別提供了離散型和連續型情況下全期望公式的具體表達。
雖然提供了期望公式的另一個套用場景,但它與全期望公式的直接套用關係不大,更多地展示了期望值的概念及其在動機理論中的套用。