1.3 条件期望与独立性：随机过程演化的发动机

1.3 条件期望与独立性：随机过程演化的发动机

本节摘要：条件期望是"拿着部分信息对目标做最优猜测"，全期望公式把它变成分层计算的工具，独立性则刻画信息之间互不提供帮助。本节从两阶段抽奖的例子入手，给出条件期望的三层理解与全期望公式的使用套路，最后说明为什么整本教程的演化类定义——马尔可夫性、鞅、滤波——全部写在这台机器上。

保险精算师估一个理赔组合的年度总赔付时，从不算一笔糊涂账。他们的做法是先分桶：小事故桶平均赔多少、大事故桶平均赔多少，再按各桶占比加权。这个"桶内平均、桶间加权"的动作，就是条件期望加上全期望公式。随机过程里每一类演化规则——下一步的分布只依赖当前状态、公平博弈的长期不偏不倚——都是这个动作在时间轴上的重演。

从一个分层记账的例子说起

某平台做用户留存分析。注册用户里四成来自搜索流量，六成来自社区推荐。搜索用户的次月留存率为 0.2，社区用户的次月留存率为 0.5。问：任取一名注册用户，其次月留存率的期望是多少？

直觉立刻给出答案：0.4×0.2 + 0.6×0.5 = 0.38。把这个算式翻译成符号，就是全期望公式：

E[留存] = P(搜索)·E[留存 | 搜索] + P(社区)·E[留存 | 社区]

写成一般形式：设事件族 A₁, A₂, … 构成样本空间的一个分割，则

E[X] = Σᵢ P(Aᵢ)·E[X | Aᵢ]

这个公式看似平凡，实则是处理复杂期望的万能拆解器：凡是直接算不动的期望，先找一个合适的分割"分桶"，桶内往往简单得多。第 2 章推导泊松过程的性质、第 3 章计算赌徒破产的破产概率、第 5 章的分层蒙特卡洛，用的全是这一招。选择分割的品味，就是应用概率的功力——好的分割让桶内问题变得平凡，坏的分割让每个桶都不比原问题简单。

条件期望的三层理解

第一层是初等版：给定事件 B，条件期望 E[X | B] 就是按条件分布重新加权。这一层够用来做大部分计算题。

第二层是随机变量版：若条件不是单个事件而是另一个随机变量 Y 的取值，则 E[X | Y=y] 随 y 变化，把 y 换成 Y 自身，得到 E[X | Y]——它是一个关于 Y 可测的随机变量，即"Y 的函数"。比如身高 X 与体重 Y，E[X | Y] 是一条随体重变化的"平均身高曲线"。这一版的关键认识：条件期望本身也是随机变量，可以对它再取期望。

第三层是信息版：条件期望 E[X | G] 中，G 是一个 σ-代数，代表"你掌握的全部信息"。E[X | G] 是在掌握 G 之后对 X 能做出的最优估计（均方误差意义下）。这一层是随机过程的标准语言："截至时刻 t 的信息已知时，未来量的最优猜测"就写成 E[X_t+s | F_t]。

三层理解对应的操作难度递增，但思想一以贯之：信息每多一分，估计的方差就少一分。条件期望作为"用掉全部已知信息后的估计"，它的方差不超过原方差——这就是全期望公式另一面的推论：Var(X) = E[Var(X | Y)] + Var(E[X | Y])。方差可以分解成"桶内平均方差"加"桶间均值方差"，统计里叫方差分析，预测问题里叫"信息的解释力"。做预测模型的朋友不妨记住这条恒等式：你的模型本质就是在逼近 E[Y | 特征]，模型的天花板由信息量决定，不由算法决定。

独立性：信息互不帮忙

X 与 Y 独立，指其中任何一个的取值不改变另一个的分布：P(X 属于 A, Y 属于 B) = P(X 属于 A)·P(Y 属于 B) 对一切 A、B 成立。用信息语言说：知道 Y 不能改进对 X 的估计，E[X | Y] = E[X] 恒成立——这是独立性在随机过程里最常用的等价形态。

独立性的三条使用规则贯穿全册：

规则一，独立增量：若过程在不相交时间段上的增量相互独立，则一大类计算可以逐段进行。泊松过程与布朗运动的定义都建立在这条规则上，第 2 章与第 4 章会反复调用。

规则二，独立与不相关的界限：独立蕴含不相关，反之不然。做线性模型时只能用"不相关"这个弱条件；做概率推导时通常需要完整的独立性。混用两个词是审稿意见里的常客。

规则三，条件独立的瘦身：给定 Z 后 X 与 Y 条件独立，是图模型与隐马尔可夫模型的骨架。第 3 章的隐马尔可夫滤波——"观测只依赖当前状态"——就是一条条件独立假设。

⚠️ 实战中最贵的错误：把"看起来没有因果关系"当成"独立"。两个变量可能共同受第三个隐藏变量驱动而高度相关（混杂）；也可能因果链条存在却因抵消表现出零相关。独立性是分布层面的严格声明，靠数据"看"不出来，需要论证或假设。

全期望公式的代码验证

import numpy as np

rng = np.random.default_rng(11)
n = 400_000

# 两阶段模型：先抽渠道（40% 搜索，60% 社区），再按渠道分布抽留存
channel = rng.random(n) < 0.4          # True 表示搜索渠道
retain = np.where(
    channel,
    rng.random(n) < 0.2,               # 搜索渠道留存 0.2
    rng.random(n) < 0.5,               # 社区渠道留存 0.5
)

print(f"模拟的总体留存期望 = {retain.mean():.4f}")
print(f"全期望公式理论值   = {0.4*0.2 + 0.6*0.5:.4f}")
# 典型输出：0.3801 对 0.3800
# 分桶核对：retain[channel].mean() 约 0.2，retain[~channel].mean() 约 0.5
​

把渠道比例、桶内留存率换成本行业的真实参数，这段十行代码就是一张可运行的精算表。全期望公式的工程价值正在于此：复杂系统的总体期望 = 各场景期望按场景概率加权，而场景往往是可以单独测算的。

练一练：三个递进的小题

第一题（分层计算）：某快递分拨中心，六成包裹走自动分拣线（差错率 0.01），四成走人工（差错率 0.03）。任取一件包裹的差错概率是多少？答案：0.6×0.01 + 0.4×0.03 = 0.018。追问：抽检发现一件差错包裹，它走人工线的概率是多少？用贝叶斯：0.4×0.03 / 0.018 ≈ 0.667——差错信息把人工线的后验占比从先验的四成拉到三分之二。

第二题（方差分解）：接第一题，差错数在两渠道内各自是 0-1 变量。用 Var(X) = E[Var(X|渠道)] + Var(E[X|渠道]) 验证总体方差：桶内项 0.6×0.01×0.99 + 0.4×0.03×0.97 ≈ 0.0176，桶间项 0.6×0.018² 相对可忽略，总方差应等于 0.018×0.982 ≈ 0.0177。算一遍能体会到"桶间均值差异不大时方差几乎全在桶内"。

第三题（条件独立的用处）：两台服务器共用同一供电线路，各自故障率独立估计为 0.05 与 0.07。若停电事件概率为 0.02、停电时两台必同时故障，问"两台同时故障"的概率是多少？ naive 相乘给 0.0035；考虑共同供电的耦合后是 0.02 + 0.98×0.05×0.07 ≈ 0.0234——相差近七倍。共同驱动源让"独立性"破产，这正是可靠性工程做冗余设计时必须先列公共故障清单的原因。

本节要点回顾

• 条件期望 = 用掉已知信息后的最优估计，三层理解从事件到随机变量到 σ-代数逐级加深。
• 全期望公式是万能拆解器：分桶加权，分割的选择决定推导的难易。
• 方差分解恒等式：总方差 = 桶内平均方差 + 桶间均值方差，预测模型的天花板由信息决定。
• 独立性最常用的形态：E[X | Y] = E[X]，信息互不帮忙。
• 独立、不相关、条件独立是三个强度不同的声明，混用会出事故。
• 本节工具在后续每一章都是主角：马尔可夫性是条件期望的瘦身，鞅是条件期望的等式。

概念机器已经备齐。下一节把它们组装起来，正式给"随机过程"下定义。