¿Cuál es la ley de la expectativa total?

La Ley de la expectativa total (también conocida como la Ley de las expectativas iteradas o la propiedad de la torre) es un principio fundamental en la teoría de probabilidad que expresa la expectativa incondicional de una variable aleatoria como un promedio ponderado de sus expectativas condicionales. En términos claros, dice: encontrar el valor promedio de algo en toda una población, primero romper la población en grupos significativos, calcular el promedio dentro de cada grupo, entonces promedio de esos poderes de grupo de valor de financiación de tamaño formación de modelos de aprendizaje automático sobre conjuntos de datos desbalanzados.

Formalmente, si tenemos una variable aleatoria X y una partición del espacio de muestra en eventos descomunales B1, B2, Bn, Bn (es decir, los eventos cubren todas las posibilidades y no hay dos solapamientos), entonces:

E[X] = bahi=1n E[X TENIDO BiP(B)i)

Aquí. E[X TENIDO Bi] denota la expectativa condicional de X dada ese evento Bi ha ocurrido, y P(B)i) es la probabilidad de ese evento. La ley funciona porque la expectativa condicional ya "promedio" la variabilidad dentro de cada grupo, por lo que la suma ponderada final recupera el promedio general.

Intuición y simple ilustración

Imagina que estás calculando el puntaje promedio de la prueba en un aula de 30 estudiantes. Dividiendo la clase en grupos –por ejemplo, niños y niñas– podrías encontrar que la puntuación media para los niños es 75 y para las niñas es 85. Si la clase tiene 20 niños y 10 niñas, el promedio general es no simplemente (75 + 85)/2 = 80. En lugar de ello, usted pondera cada grupo promedio por su proporción: (75 × 20/30) + (85 × 10/30) = 50 + 28.33 = 78.33. Ese promedio ponderado es exactamente lo que prescribe la Ley de la expectativa total.

Esto es lo que pasa. principio de la media ponderada aplica a cualquier variable aleatoria: la expectativa incondicional es la media ponderada de las expectativas condicionales, con los pesos siendo las probabilidades de los eventos condicionados.

¿Por qué importa?

La Ley de la expectativa total no es sólo una curiosidad teórica; es un caballo de trabajo de probabilidad aplicada. Los analistas la utilizan para:

  • Decomposar los valores esperados complejos en subproblemas más simples, especialmente cuando la distribución de X depende de un factor oculto o jerárquico.
  • Deducir el valor esperado en experimentos de dos etapas (por ejemplo, “primero escoger una moneda, luego voltearla”).
  • Probar otros resultados importantes, como el Ley de la varianza total.
  • Calcular los valores esperados en cadenas Markov, teoría de colas y aprendizaje de refuerzo.

Para cualquier persona que trabaje con modelos probabilísticos—Los científicos de datos, los estadísticos, los ingenieros— la maestría de esta ley es esencial para un razonamiento claro y cálculos precisos.

Relación con la Ley de Probabilidad Total

La Ley de la expectativa total está íntimamente vinculada a la Ley de probabilidad total, que establece P(A) = CEPi P(A habitBiP(B)i). De hecho, si nos fijamos X a ser la función indicadora del evento A (X = 1 si A ocurre, 0 de otro modo), luego E[X] = P(A), y E[X eternaBiP(AtenciónB)i). La Ley de la expectativa total se reduce a la Ley de probabilidad total, lo que demuestra que la ley de expectativa es una generalización estricta, no sólo funciona para probabilidades sino para cualquier variable aleatoria.

Ejemplo detallado 1: Rolling a Fair Die

El problema

Considere un único rollo de una muerte justa de seis caras. X se el número mostrado en la muerte. La expectativa cruda es directa: E[X] = (1+2+3+4+5+6)/6 = 3.5. Pero también podemos calcularla clasificando el rollo como incluso o extraño, ilustrando la Ley de la expectativa total paso a paso.

Partición del Espacio Muestra

  • B1: la muerte muestra un número uniforme (2, 4, 6)
  • B2: el número de muerte muestra un número extraño (1, 3, 5)

Estos dos eventos son descomunales y cubren todos los resultados, por lo que forman una partición válida.

Compute condicional Expectativas

  • Para B1 (even): Los posibles resultados son {2,4,6} con igual probabilidad 1/3 cada uno. Por lo tanto E[X TENIDO B1] = (2+4+6)/3 = 12/3 = 4.
  • Para B2 (odd): Los resultados son {1,3,5}. E[X TENIDO B2] = 1+3+5)/3 = 9/3 = 3.

Computar las probabilidades de los eventos condicionantes

  • P(B1) = 3/6 = 0,5
  • P(B2) = 3/6 = 0,5

Aplicar la Ley

E[X] = E[X habitB1]·P(B1) + E[X habitB2]·P(B2) = (4 × 0.5) + (3 × 0.5) = 2 + 1,5 = 3.5, que coincide con el cálculo directo.

Este ejemplo muestra que incluso cuando la expectativa general es fácil de calcular directamente, la ley proporciona un control de la cordura y un marco conceptual que se vuelve invaluable cuando el problema es más complejo.

Ejemplo detallado 2: Prueba de enfermedad (un Escenario de Proyección Médica)

Ajuste

Una enfermedad afecta al 1% de la población (prevalencia).Una prueba de diagnóstico es 99% exacta: identifica correctamente a una persona enferma como positiva 99% del tiempo (sensibilidad) y identifica correctamente a una persona sana como negativa 99% del tiempo (especificidad). X ser una variable aleatoria igual a 1 si una persona seleccionada aleatoriamente prueba positiva, y 0 de otra manera. Equivalentemente, X es el recuento de resultados positivos de prueba para una persona. Queremos el número esperado de pruebas positivas en la población (que equivale a la probabilidad de que una persona elegida aleatoriamente prueba positiva).

Partición de la población

  • B1: la persona tiene la enfermedad (1% de la población)
  • B2: la persona no tiene la enfermedad (99% de la población)

Estos dos eventos son una partición (todo el hombre tiene o no la enfermedad).

Expectativas condicionales

  • Si la persona tiene la enfermedad (B1), la prueba es positiva con probabilidad 0.99. E[X TENIDO B1] = 0,99.
  • Si la persona no tiene la enfermedad (B2), la prueba produce un falso 1% positivo del tiempo. E[X TENIDO B2] = 0,01.

Probabilidades de los eventos de partición

  • P(B1) = 0,01
  • P(B2) = 0,99

Aplicar la Ley

E[X] = (0.99 × 0,01) + (0.01 × 0.99) = 0,0099 + 0,0099 = 0,0198. Así, alrededor del 1,98% de la población prueba positiva, un número que incluye tanto los positivos verdaderos como los falsos positivos. Este resultado es a menudo sorprendente porque la prueba parece muy precisa, pero la baja prevalencia de enfermedades significa que los falsos positivos contribuyen tanto como los resultados positivos verdaderos. valor predictivo positivo (probabilidad de que una prueba positiva indica enfermedad real) es sólo 0.0099 / 0.0198 = 0.5, o 50%. La Ley de la expectativa total hace que estos cálculos sean transparentes y repetibles.

Ejemplo detallado 3: Producción en dos etapas (Aplicación de negocios)

El Escenario

Una fábrica funciona dos turnos: Day Shift (70% de la salida total) y Night Shift (30%). El número de artículos defectuosos producidos por turno es aleatorio. En el Day Shift, el número promedio de defectos es de 5 por día (E = 5). En el Night Shift, el promedio es de 8 por día (E = 8). no simplemente (5+8)/2 = 6.5. Necesitamos un promedio ponderado.

Define el Random Variable

Deja X = número de defectos en un día seleccionado aleatoriamente. La “partición” aquí es el turno que estaba operando en ese día. Cheque: no se elige un turno al azar; se elige un día, y el turno determina la distribución de defectos. Esto se ajusta a la ley porque los días se dividen en días libres y días de noche.

Cálculo

  • E[X Silencio de Día Silencioso] = 5
  • E[X Silencio Nocturno en la Vida] = 8
  • P(Day Shift) = 0,7
  • P(Night Shift) = 0,3

E[X] = (5 × 0,7) + (8 × 0,3) = 3,5 + 2,4 = 5.9 defectos diarios. El peso correcto representa el hecho de que el turno de día funciona con más frecuencia, disminuyendo el promedio general en comparación con un medio no ponderado.

Interpretaciones erróneas comunes

A pesar de su sencillez, la Ley de la expectativa total a menudo se aplica mal. Aquí hay obstáculos para evitar:

  1. Usando eventos no-disjoint. La ley requiere una partición: los eventos deben ser mutuamente excluyentes y colectivamente exhaustivos. Los eventos superpuestos conducen a la doble narración.
  2. Confusando expectativa condicional con incondicional. E[X habitB] es en sí una variable aleatoria si B no está fijada; la ley se aplica cuando B es un evento específico o cuando se promedio sobre la variable condicionante. Un error común es tratar E[X habitY=y] como una constante sin ponderar correctamente por P(Y=y).
  3. Ignorando el paso de ponderación. Simplemente, el promedio de expectativas condicionales sin ponderar por probabilidades produce el resultado equivocado a menos que los grupos sean igualmente probables.
  4. Asumiendo que la ley siempre simplifica el problema. Aunque a menudo lo hace, a veces las expectativas condicionales son más difíciles de calcular que la expectativa general. Use la ley cuando existe una partición natural.

Aplicación avanzada: La ley de expectativas iteradas

La Ley de la expectativa total se llama a veces Ley de expectativas iteradas cuando se expresa en términos de una variable aleatoria condicionante en lugar de una partición. Si Y es una variable discreta al azar, entonces:

E[X] = E[E [X TENIDO Y] ]

Es decir, la expectativa general es la expectativa de la expectativa condicional. Esta forma compacta es muy utilizada en el análisis econométrico, de la serie de tiempo y de la máquina de aprendizaje (por ejemplo, la algoritmo de boosificación de ingredientes Para conocer más sobre su papel en las estadísticas modernas, vea el artículo de Wikipedia sobre la Ley de la expectativa total y el debate de sus conexiones con Ley de la varianza total.

Conexión a la expectativa condicional en el aprendizaje automático

En el aprendizaje supervisado, el error de predicción esperado Para una función de pérdida L(Y, f(X)), la predicción óptima f(X) es la expectativa condicional E[Y habitX]. La Ley de la expectativa total entonces ayuda a demostrar que esta opción minimiza el error medio cuadrado: E[(Y − f(X))))2] = E[Var(Y pacienciaX)] + Var(E[Ycomcepto irasible). y desfavorables. Los científicos de datos pueden encontrar un tutorial práctico sobre este tema Hacia la ciencia de los datos.

Aplicaciones en Finanzas y Gestión de Riesgos

En finanzas, la ley se utiliza para calcular los rendimientos esperados bajo diferentes regímenes de mercado. Supongamos que el rendimiento de una cartera depende de si la economía está en recesión (probabilidad 20%) o expansión (80%).El rendimiento esperado en general equivale a los tiempos de recesión 0,2 más los tiempos de restitución de expansión 0,8. Valor‐at‐Risk (VaR) modelos a menudo condicionan los escenarios del mercado, y la expectativa incondicional se recupera a través de la ley. Para una mayor inmersión en probabilidad en finanzas, consulte ProbabilityCourse.com.

Conclusión

La Ley de la expectativa total es una herramienta engañosamente poderosa que transforma un problema de expectativa difícil en una suma de problemas condicionales más simples. De los rollos de dados a la detección de enfermedades a riesgo financiero, el principio de la promediación ponderada subyace a un razonamiento probabilístico claro. Al dividir el espacio muestral en categorías significativas, puede calcular los valores esperados sistemáticamente y evitar errores lógicos comunes.

Para explorar más a fondo la teoría y sus pruebas, las Artículo de MathWorld sobre el Teorema de la Esperación Total proporciona detalles rigurosos, mientras Cursos de estadísticas de Khan Academy ofrecer práctica interactiva. Domine esta ley, y encontrará que muchas expectativas aparentemente complejas se convierten en cálculos directos.