期望的三种等价写法与概率论符号梳理

用生动严谨的数学语言，理清期望的定义、符号混淆、投影视角与矩的泛函解释。

---

1 期望的三种等价写法（别再被符号绕）

1.1 最通用定义（在样本空间 $\Omega$ 上）

$$\mathbb{E}[Y] = \int_{\Omega} Y(\omega) \, \mathrm{d}P(\omega)$$

这里 $P$ 是“世界的概率规则”，给事件赋概率。$\mathrm{d}P(\omega)$ 只是“对测度 $P$ 积分”的记号；真正算题时要把它展开成求和/对密度积分。

1.2 换到值域（推前测度 / 分布）

定义 $X$ 的分布（推前测度）

$$\mu_X := P \circ X^{-1}$$

则

$$\mathbb{E}[g(X)] = \int_{\mathbb{R}} g(x) \, \mathrm{d}\mu_X(x)$$

这一步是“拉回/换定义域”，中间必须补上 $\mu_X$ 才不跳步。

1.3 有 pdf 时的可计算形式

若 $\mathrm{d}\mu_X(x) = f_X(x) \, \mathrm{d}x$（即存在概率密度函数），则

$$\mathbb{E}[g(X)] = \int_{\mathbb{R}} g(x) \, f_X(x) \, \mathrm{d}x$$

这是工程中最常用的形式。

---

2 符号澄清：为什么 $P_X$ 让人不舒服

• $P$ 是 $\Omega$ 上的概率测度；
• $\mu_X$（或教材常写的 $P_X$）是 $\mathbb{R}$ 上由 $X$ 诱导的分布测度。

教材用同一个字母 $P$ 容易让人以为“又造了一个概率”，这种不舒服是合理的。更干净的记法是

$$\mu_X = \mathrm{Law}(X)$$

明确区分“原空间的概率”与“随机变量诱导的分布”。

---

3 投影视角：期望与条件期望在 $L^2$ 里是最小二乘

3.1 期望作为投影到常数子空间

$\mathbb{E}[X] \cdot 1$ 是 $X$ 在“常数子空间”上的最小均方误差近似（投影到 $1$）。即

$$\mathbb{E}[X] = \arg\min_{c \in \mathbb{R}} \mathbb{E}[(X - c)^2]$$

3.2 条件期望作为投影到子空间

设 $\mathcal{G}$ 是一个子 $\sigma$-代数，$L^2(\mathcal{G})$ 表示 $\mathcal{G}$-可测的平方可积函数空间。则

$$\mathbb{E}[X \mid \mathcal{G}] \quad \text{是 } X \text{ 在子空间 } L^2(\mathcal{G}) \text{ 上的投影。}$$

几何性质：

• 塔性质：投影的复合等于直接投影到更小的子空间。
• 全期望公式：$\mathbb{E}[\mathbb{E}[X \mid \mathcal{G}]] = \mathbb{E}[X]$（先投影到 $L^2(\mathcal{G})$，再投影到常数）。
• 全方差分解：勾股定理 $\|X\|^2 = \|\mathbb{E}[X \mid \mathcal{G}]\|^2 + \|X - \mathbb{E}[X \mid \mathcal{G}]\|^2$。

你用这个方法推了几何分布的均值方差（选 $Y$ = 第一次是否成功，然后用全期望/全方差递推）正是投影思想的典型应用。

---

4 “沿 $X$ 的分布”是什么意思

不是“pdf 沿着什么走”，而是：用 $X$ 的分布当权重去平均：

$$\int g \, \mathrm{d}\mu_X$$

有 pdf 时才写成 $\int g(x) f_X(x) \, \mathrm{d}x$。

换句话说，“沿 $X$ 的分布”就是把 $g$ 对测度 $\mu_X$ 积分，$\mu_X$ 已经包含了 $X$ 取值的权重信息。

---

5 矩、基、泛函：你抓到的正确直觉

$n$ 阶矩

$$m_n = \int x^n \, \mathrm{d}\mu_X(x)$$

是“分布（测度）对测试函数 $x^n$ 的线性测量”。

• 写成 $\langle x^n, f_X \rangle_{L^2(\mathrm{d}x)}$ 很“工程直观”，因为把分布显式化成 pdf；
• 写成 $\langle x^n, 1 \rangle_{L^2(\mu_X)}$ 则把分布藏进了内积里，所以不显眼但更统一。

你也意识到：把 pdf 当 $L^2(\mathrm{d}x)$ 向量做内积很顺手，但它依赖“存在 pdf”；而 $\mathrm{d}\mu$ 写法是为了覆盖离散/连续/混合分布。

---

6 换元公式的严格版本：为什么三种写法等价

上面三种写法之所以等价，背后的严格保证是测度论中的换元公式（也称抽象替换定理）。

定理（换元公式/Transfer Theorem）. 设 $X: (\Omega, \mathcal{F}, P) \to (\mathbb{R}, \mathcal{B})$ 是可测函数，$g: \mathbb{R} \to \mathbb{R}$ 是博雷尔函数。则

$$\int_\Omega g(X(\omega))\, \mathrm{d}P(\omega) = \int_{\mathbb{R}} g(x)\, \mathrm{d}\mu_X(x)$$

两边要么同时存在（有限），要么同时发散。

这个定理的意义在于：它允许我们在”原因空间” $\Omega$ 和”结果空间” $\mathbb{R}$ 之间自由切换积分定义域，同时保持数值一致。从写法 1.1 到 1.2 的过渡就是这个定理的直接应用。

注意：从写法 1.2 到 1.3 的过渡则依赖于 Radon-Nikodym 定理——当推前测度 $\mu_X$ 关于 Lebesgue 测度绝对连续时，其密度（Radon-Nikodym 导数）就是 pdf $f_X$。

这两步构成了概率论中最常用的”降维链”：

$$\underbrace{\int_\Omega g(X) \, \mathrm{d}P}_{\text{抽象但普适}} \xrightarrow{\text{换元}} \underbrace{\int_{\mathbb{R}} g \, \mathrm{d}\mu_X}_{\text{仍抽象但已降维}} \xrightarrow{\text{R-N}} \underbrace{\int_{\mathbb{R}} g \cdot f_X \, \mathrm{d}x}_{\text{可算的}}$$

---

7 速查表（符号对照 + 三个万能公式 + 两条投影法则）

符号对照

记号	含义	备注
$P$	$\Omega$ 上的概率测度	“世界的规则”
$\mu_X = P \circ X^{-1}$	$X$ 的分布（推前测度）	也记作 $\mathrm{Law}(X)$
$f_X(x)$	$X$ 的概率密度函数（若存在）	$\mathrm{d}\mu_X(x) = f_X(x)\mathrm{d}x$
$\mathbb{E}[Y]$	$Y$ 的期望	定义在 $\Omega$ 上
$\mathbb{E}[g(X)]$	$g(X)$ 的期望	可转到 $\mathbb{R}$ 上算

三个万能公式

1. 样本空间积分：$\mathbb{E}[Y] = \int_\Omega Y(\omega) \mathrm{d}P(\omega)$
2. 分布积分：$\mathbb{E}[g(X)] = \int_{\mathbb{R}} g(x) \mathrm{d}\mu_X(x)$
3. 密度积分（若存在 pdf）：$\mathbb{E}[g(X)] = \int_{\mathbb{R}} g(x) f_X(x) \mathrm{d}x$

两条投影法则

1. 期望投影：$\mathbb{E}[X]$ 是 $X$ 在常数子空间上的 $L^2$ 投影。
2. 条件期望投影：$\mathbb{E}[X \mid \mathcal{G}]$ 是 $X$ 在 $L^2(\mathcal{G})$ 上的 $L^2$ 投影。

---

8 后记

这份笔记旨在帮你把“符号的森林”变成“地图”。当你再次看到 $\mathrm{d}P(\omega)$ 或 $P_X$ 时，可以快速定位到对应的积分形式与几何意义。继续用这种“既严谨又直观”的方式推进，概率论会越来越亲切。

笔记整理于 2026-02-27，基于你对期望、分布、投影的讨论。