1 基本概念
条件期望是概率论中用来描述“在已知部分信息时，随机变量平均取值”的概念。与普通期望只反映整体平均不同，条件期望会随着条件信息的变化而改变，因此更适合刻画信息更新后的不确定性。它既可以直观理解为“在某种条件下的平均水平”，也可以在严格的测度论框架中定义为一个随机变量。
1.1 条件期望的直观理解
如果把随机变量看作一个不确定的量，那么条件期望就是在获得某些线索之后，对它作出的最合理平均判断。比如，已知天气信息后再预测当天的销量，或已知部分样本特征后估计总体结果，常常都对应条件期望的思想。
从日常语言来看，条件期望不是“单次结果”，而是“根据已知信息更新后的平均值”。因此，它往往不是一个固定常数，而是会随着所知条件的不同而变化的量。
1.2 条件期望的形式定义
条件期望的严格定义依赖于所给条件的类型。在离散情形下，它可以通过加权平均直接写出；在连续情形下，通常借助条件密度或联合密度表示；在一般情形中，则需要用σ-代数与测度论语言加以刻画。
1.2.1 离散情形
设随机变量 \(X\) 和 \(Y\) 取离散值，且 \(P(Y=y)>0\)。则在给定 \(Y=y\) 时，\(X\) 的条件期望定义为
\[ E(X\mid Y=y)=\sum_x x\,P(X=x\mid Y=y). \]
这一定义的核心是：先固定条件，再对 \(X\) 的可能取值做加权平均。若把 \(Y\) 看作信息来源，则不同的 \(y\) 会给出不同的平均值。
1.2.2 连续情形
若 \(X\) 与 \(Y\) 具有联合密度 \(f_{X,Y}(x,y)\)，且 \(f_Y(y)>0\)，则
\[ E(X\mid Y=y)=\int_{-\infty}^{\infty} x\, f_{X\mid Y}(x\mid y)\,dx, \]
其中
\[ f_{X\mid Y}(x\mid y)=\frac{f_{X,Y}(x,y)}{f_Y(y)}. \]
连续情形下，条件期望通常通过条件密度求得。它反映了在给定 \(Y=y\) 后，\(X\) 的分布如何被重新加权。
1.2.3 一般测度论定义
在一般概率空间中，给定σ-代数 \(\mathcal G\)，随机变量 \(X\) 的条件期望 \(E(X\mid \mathcal G)\) 是一个 \(\mathcal G\)-可测随机变量，满足对任意 \(A\in\mathcal G\),
\[ \int_A E(X\mid \mathcal G)\,dP=\int_A X\,dP. \]
这一定义强调：条件期望并不是一个简单的数，而是一个关于信息集合的随机变量。它在满足“与已知信息一致”的前提下，尽可能保留原随机变量的平均特征。
1.3 条件期望与普通期望的关系
普通期望可以看作没有附加信息时的条件期望。若 \(\mathcal G\) 是最平凡的σ-代数，则
\[ E(X\mid \mathcal G)=E(X). \]
同时，条件期望在整体上不会改变平均值，即
\[ E(E(X\mid \mathcal G))=E(X). \]
这说明条件期望既是对信息的响应，也是对整体平均的保留。
2 数学性质
条件期望具有一系列重要性质，使其在理论推导和实际计算中都非常有用。这些性质包括线性、保序、塔式性质、可测性以及最小二乘意义下的最优性。
2.1 线性性质
若 \(X\) 和 \(Y\) 可积，\(a,b\) 为常数，则
\[ E(aX+bY\mid \mathcal G)=aE(X\mid \mathcal G)+bE(Y\mid \mathcal G). \]
线性性质使条件期望能够方便地分解复杂表达式。许多概率计算和统计推导都依赖这一性质进行拆项与合并。
2.2 保序性质
若几乎处处有 \(X\le Y\)，则
\[ E(X\mid \mathcal G)\le E(Y\mid \mathcal G) \]
几乎处处成立。也就是说，条件期望不会打破原始随机变量之间的大小关系。
这一性质常用于证明不等式、构造界估计和比较不同随机量的平均行为。
2.3 塔式性质
若 \(\mathcal H\subseteq \mathcal G\)，则
\[ E(E(X\mid \mathcal G)\mid \mathcal H)=E(X\mid \mathcal H). \]
这被称为塔式性质，也常被形象地理解为“先细后粗，结果不变”。它说明在信息层级嵌套时，逐步取条件期望与直接对较粗信息取条件期望是等价的。
2.4 可测性
条件期望本质上是“关于条件信息的函数”。因此它必须与所给信息集合保持一致，这一要求由可测性来表达。
2.4.1 与信息集相关的可测性
若条件对象是σ-代数 \(\mathcal G\)，那么 \(E(X\mid \mathcal G)\) 必须是 \(\mathcal G\)-可测的。换言之，它只能依赖于 \(\mathcal G\) 所允许看到的信息，不能偷偷使用额外信息。
2.4.2 几乎处处唯一性
条件期望满足积分等式的随机变量并不要求逐点完全一致，但在概率论中，它是几乎处处唯一的。也就是说，任何两个条件期望版本只可能在一个概率为零的集合上不同。
这种“几乎处处唯一性”是测度论概率中的常见特征，理解时不应把它误解为普通意义下的严格逐点唯一。
2.5 条件期望的最小二乘性质
条件期望在平方误差意义下具有最优性。对于所有 \(\mathcal G\)-可测随机变量 \(Z\)，有
\[ E\bigl[(X-E(X\mid \mathcal G))^2\bigr] \le E\bigl[(X-Z)^2\bigr]. \]
这表明，条件期望是给定信息下对 \(X\) 的最佳均方预测。它也是统计建模、信号处理和机器学习中“预测器”思想的重要理论基础。
3 按条件对象分类
条件期望可按条件对象不同分为多种形式。常见的有对随机变量的条件期望、对事件的条件期望，以及对σ-代数的条件期望。三者在表达方式上略有差异，但本质上都在描述“基于部分信息的平均值”。
3.1 对随机变量的条件期望
当条件对象本身是一个随机变量时，条件期望通常写作 \(E(X\mid Y)\)，表示在已知 \(Y\) 的情况下，\(X\) 的平均表现。此时结果通常是 \(Y\) 的函数。
3.1.1 给定离散随机变量
若 \(Y\) 取有限或可数多个值，则 \(E(X\mid Y)\) 可以按每个取值分别计算，再把结果写成关于 \(Y\) 的函数。形式上常表现为
\[ E(X\mid Y)=g(Y), \]
其中 \(g(y)=E(X\mid Y=y)\)。
3.1.2 给定连续随机变量
若 \(Y\) 是连续型随机变量，则 \(E(X\mid Y)\) 通常通过条件密度或回归函数表示。它依旧可以写成 \(g(Y)\) 的形式，只是 \(g\) 的求法往往依赖积分和联合分布。
3.2 对事件的条件期望
若以事件 \(A\) 为条件，且 \(P(A)>0\)，则可定义
\[ E(X\mid A)=\frac{E(X\mathbf 1_A)}{P(A)}. \]
这表示在事件 \(A\) 已发生的前提下，随机变量 \(X\) 的平均值。它是条件概率的推广：当 \(X\) 取指示函数时，条件期望就退化为条件概率。
3.3 对σ-代数的条件期望
在更一般的框架下，条件对象往往不是一个单独变量，而是一组信息，即σ-代数。
3.3.1 条件在子σ-代数上
若 \(\mathcal H\subseteq \mathcal G\)，则对 \(\mathcal H\) 取条件期望意味着只使用较少的信息。随着σ-代数变粗，条件期望通常更接近整体平均。
3.3.2 条件在生成σ-代数上
若一个σ-代数由某个随机变量 \(Y\) 生成，则对该σ-代数的条件期望与对 \(Y\) 的条件期望在本质上是一致的。此时常写为
\[ E(X\mid \sigma(Y))=E(X\mid Y). \]
这说明随机变量条件与信息条件之间可以相互转换。
4 计算方法
条件期望的计算依赖于随机变量类型、已知条件以及分布结构。实际操作中，常通过直接求和、积分、联合分布或全期望公式来完成。
4.1 离散型随机变量的计算
对离散随机变量，通常先找出条件概率分布，再按加权平均求和。步骤一般包括：确定条件事件、求条件概率、对所有可能取值进行加权。
例如，若 \(X\) 在给定 \(Y=y\) 下的条件分布已知，则直接使用
\[ E(X\mid Y=y)=\sum_x x\,P(X=x\mid Y=y). \]
4.2 连续型随机变量的计算
对于连续型变量，通常先求条件密度，再进行积分。若条件密度存在，则
\[ E(X\mid Y=y)=\int x\,f_{X\mid Y}(x\mid y)\,dx. \]
若条件期望要写成 \(Y\) 的函数，则将上式中的 \(y\) 视为自变量即可。
4.3 联合分布下的求法
在联合分布已知时，可以先由联合分布推出边缘分布，再求条件分布。无论离散还是连续情形，联合分布都为条件期望提供了基础数据。
例如，联合概率质量函数或联合密度一旦确定，就可以通过“条件 = 联合 / 边缘”得到相应表达式。
4.4 利用全期望公式计算
全期望公式是计算条件期望的重要工具。若 \(\{A_i\}\) 构成一组完备事件，则
\[ E(X)=\sum_i E(X\mid A_i)P(A_i). \]
反过来，在计算 \(E(X\mid \mathcal G)\) 时，也常先按事件分解，再利用全期望公式整理结果。
4.5 通过积分与密度函数计算
当随机变量具有可积密度时，条件期望常可转化为积分问题。此时关键是识别条件分布是否存在，以及积分区间与权重函数如何确定。
在许多实际问题里，条件期望最终会变成一个关于已知变量的积分表达式，计算过程与分析学中的换元、分部积分等技巧也常有联系。
5 典型例子
为了更直观地理解条件期望，常用一些经典随机模型进行说明。这些例子通常不复杂，但能很好地展示条件信息如何改变平均值。
5.1 掷骰子与条件平均
设掷一次公平六面骰，记点数为 \(X\)。若已知结果为偶数，则 \(X\) 只能取 \(2,4,6\)。此时条件期望为
\[ E(X\mid X \text{ 为偶数})=\frac{2+4+6}{3}=4. \]
这说明一旦加入条件，原本的整体平均 \(3.5\) 就会改变为条件下的平均值。
5.2 经典离散分布中的条件期望
在二项分布、几何分布等离散模型中，条件期望常通过重新识别条件后的分布来求得。比如，若某个随机变量在给定另一个事件后仍保留相同类型的分布，则条件期望可直接借助该分布参数计算。
这类问题的关键通常不是“硬算求和”，而是先判断条件后分布是否发生了结构变化。
5.3 正态分布下的条件期望
在联合正态分布中，条件期望具有极其整齐的线性形式。若 \(X\) 与 \(Y\) 联合正态，则 \(E(X\mid Y)\) 往往是 \(Y\) 的线性函数。
这一性质使正态模型在回归分析、估计理论和随机控制中非常重要，也体现了条件期望与线性预测之间的紧密联系。
5.4 简单随机游走中的条件期望
在简单随机游走中，条件期望常用于分析未来位置的平均变化。若当前步长是对称的，那么下一时刻的位置在给定当前状态后，其条件期望往往等于当前状态本身。
这类现象反映了“无偏随机演化”的特征，也是鞅理论进入概率论的重要入口。
6 相关定理
条件期望与多项基础定理密切相关。这些定理构成了概率论中处理信息、更新和分解的重要工具。
6.1 全期望公式
全期望公式说明，可以通过条件期望再取一次平均来恢复原期望：
\[ E(X)=E(E(X\mid \mathcal G)). \]
它常用于分层建模、分类讨论以及复杂系统的平均分析。
6.2 条件方差
条件方差定义为
\[ \operatorname{Var}(X\mid \mathcal G)=E\bigl[(X-E(X\mid \mathcal G))^2\mid \mathcal G\bigr]. \]
它表示在已知信息下 \(X\) 的波动程度。条件方差与条件期望一起，构成了“平均水平”和“离散程度”的条件版刻画。
6.3 Bayes公式与条件概率
条件概率可视为条件期望的特殊情形。若 \(X=\mathbf 1_A\)，则
\[ E(\mathbf 1_A\mid \mathcal G)=P(A\mid \mathcal G). \]
因此，Bayes公式和条件概率的计算，本质上都与条件期望密切相关。它们共同描述了信息更新后概率如何重分配。
6.4 Doob分解
Doob分解说明，许多随机过程都可以分解为一个可预测部分和一个鞅部分。这个分解中，条件期望起到了核心作用，因为可预测部分往往由过去信息的条件期望构成。
这一结果在随机过程分析中非常重要，尤其适用于研究累积量、误差项和序列演化结构。
6.5 Radon-Nikodym定理的联系
从严格测度论角度看，条件期望的存在性与Radon-Nikodym定理密切相关。条件期望可以被视为某种绝对连续测度导数的体现。
这一联系说明，条件期望并非孤立概念，而是概率测度、可积函数和积分表示之间统一结构的一部分。
7 应用
条件期望不仅是理论工具，也在多个应用领域中扮演重要角色。它帮助研究者在部分信息条件下做出估计、预测与决策。
7.1 统计学中的预测与估计
在统计推断中，条件期望常用来构造回归函数和最佳预测器。给定样本特征后，对目标变量的平均预测值，通常就可以用条件期望表示。
在参数估计和缺失数据分析中，条件期望也经常用于填补未知量或简化计算。
7.2 金融数学中的定价与风险管理
在金融数学里，资产价格、衍生品定价和风险度量常与条件期望有关。给定当前信息时，未来收益的贴现期望，往往就是定价的基础。
同时，条件期望还能描述在已知市场信息下的未来风险平均水平，因此在风险控制和资产配置中非常常见。
7.3 随机过程中的马尔可夫性质
马尔可夫性质本质上是一种“未来只依赖当前状态”的条件期望表达。若一个过程满足马尔可夫性，那么对未来的预测只需要当前信息，而不必追溯全部历史。
这使条件期望成为分析随机过程状态转移、吸收时间和长期行为的重要工具。
7.4 机器学习中的损失最小化
在机器学习中，许多预测任务都可被看作寻找条件期望的近似。若损失函数取平方损失，则最优预测器恰好是条件期望。
因此，回归模型、神经网络与概率预测方法，很多时候都在不同程度上逼近这一最优平均。
7.5 决策论中的最优决策
在决策论中，条件期望用于比较不同决策方案在已知信息下的平均收益或平均损失。通过最小化条件风险，可以找到较优决策规则。
这使条件期望成为“信息—行动—结果”链条中的中枢概念。
8 常见误区
条件期望看似直观，但在严格理解时容易出现若干误解。许多问题都出在“把随机变量当成数”或“把条件对象看错”上。
8.1 将条件期望误认为固定数值
条件期望不一定是常数。只有在条件信息不再变化，或者条件对象退化为平凡信息时，它才会变成一个固定数。
更常见的情况是，条件期望本身是一个随机变量，只是它由所给信息决定。
8.2 混淆条件期望与条件概率
条件概率是条件期望的特例，但二者并不等同。条件概率针对的是事件是否发生，而条件期望则处理一般随机变量的平均值。
若把它们混为一谈，容易在公式结构和应用场景上出错。
8.3 忽视“几乎处处相等”的含义
条件期望的唯一性是几乎处处唯一，而不是逐点唯一。不同版本可能在零概率集合上不同，但这在概率论中通常视为等价。
忽视这一点，容易导致对“同一个条件期望为何写法不同”的疑惑。
8.4 误用塔式性质
塔式性质成立的前提是σ-代数之间存在包含关系。若条件对象不满足嵌套结构，就不能随意套用
\[ E(E(X\mid \mathcal G)\mid \mathcal H)=E(X\mid \mathcal H). \]
误把不相关的信息层级当作可嵌套层级，是常见错误之一。
8.5 将条件对象理解错误
条件期望的条件对象可以是随机变量、事件或σ-代数，但三者并不是随意互换的同一东西。若条件对象理解不清，就会把“给定一个数值”“给定一个事件”或“给定一组信息”混为一谈。
在具体计算前，先确认条件对象是什么，往往比直接代公式更重要。