Understanding the Law of Total Expectation With Examples
Table of Contents
Qual é a lei da expectativa total?
A Lei da Expectativa Total (também conhecida como Lei das Expectativas Iteradas ou da Propriedade da Torre) é um princípio fundamental na teoria da probabilidade que expressa a expectativa incondicional de uma variável aleatória como uma média ponderada de suas expectativas condicionais. Em termos simples, ela diz: para encontrar o valor médio de algo em toda uma população, primeiro dividir a população em grupos significativos, calcular a média dentro de cada grupo, depois média dessas médias de grupos – ponderando cada um pelo tamanho do grupo. formação de modelos de aprendizagem de máquina sobre conjuntos de dados desequilibrados.
Formalmente, se tivermos uma variável aleatória X e uma partição do espaço de amostra em eventos disjuntos B1, B2, ..., Bn (isto é, os eventos cobrem todas as possibilidades e não há duas sobreposições), então:
E[X] = √i=1n E[X □ Bi] · P(B)i)
Aqui. E[X □ Bi] denota a expectativa condicional de X dada a ocorrência Bi ocorreu, e P( B)i) A lei funciona porque a expectativa condicional já “supera” a variabilidade dentro de cada grupo, de modo que a soma ponderada final recupera a média global.
Intuição e Ilustração Simples
Imagine que você está calculando a pontuação média do teste em uma sala de aula de 30 alunos. Dividindo a classe em grupos – digamos, meninos e meninas – você pode descobrir que a pontuação média para meninos é 75 e para meninas é 85. Se a classe tem 20 meninos e 10 meninas, a média geral é não simplesmente (75 + 85)/2 = 80. Em vez disso, você pesa cada grupo média por sua proporção: (75 × 20/30) + (85 × 10/30) = 50 + 28,33 = 78,33. Essa média ponderada é exatamente o que a Lei da Expectativa Total prescreve.
Isto princípio de poupança ponderada aplica-se a qualquer variável aleatória: a expectativa incondicional é a média ponderada das expectativas condicionais, sendo os pesos as probabilidades dos eventos condicionantes.
Por que importa
A Lei da Expectativa Total não é apenas uma curiosidade teórica; é um cavalo de obra de probabilidade aplicada. Os analistas usam-na para:
- Decomponha valores complexos esperados em sub-problemas mais simples, especialmente quando a distribuição de X depende de um fator oculto ou hierárquico.
- Derivar o valor esperado em experiências de dois estágios (por exemplo, “escolhe primeiro uma moeda e depois a inverte”).
- Provar outros resultados importantes, como o Lei da Variância Total.
- Calcular valores esperados em cadeias de Markov, teoria de filas e aprendizagem de reforço.
Para qualquer pessoa que trabalhe com modelos probabilísticos—cientistas de dados, estatísticos, engenheiros—a mestria desta lei é essencial para uma lógica clara e cálculos precisos.
Relação com a Lei da Probabilidade Total
A Lei da Expectativa Total está intimamente ligada à Lei da Probabilidade Total, que declara P(A) = .i P(A .Bi) P( Bi). Na verdade, se definirmos X ser a função indicadora do evento A (X = 1 se ocorrer A, 0 caso contrário), então E[X] = P(A) e E[X .Bi] = P(A)Bi). A Lei da Expectativa Total reduz-se então à Lei da Probabilidade Total. Isto mostra que a lei da expectativa é uma generalização estrita – ela funciona não apenas para probabilidades, mas para qualquer variável aleatória.
Exemplo detalhado 1: Rolar uma Feira Morre
O Problema
Considere um único rolo de uma feira de seis lados morrer. X A expectativa bruta é simples: E[X] = (1+2+3+4+5+6)/6 = 3.5. Mas também podemos computá-la classificando o rolo como igual ou ímpar, ilustrando a Lei da Expectativa Total passo a passo.
Partição do espaço de amostra
- B1: die mostra um número par (2, 4, 6)
- B2: die mostra um número ímpar (1, 3, 5)
Estes dois eventos são desarticulados e cobrem todos os resultados, então eles formam uma partição válida.
Calcular as Expectativas Condicionais
- Para B1 (mesmo): Os resultados possíveis são {2,4,6} com igual probabilidade 1/3 cada. E[X . . B1] = (2+4+6)/3 = 12/3 = 4.
- Para B2 (odd): Os resultados são {1,3,5}. E[X □ B2] = (1+3+5)/3 = 9/3 = 3.
Calcular probabilidades dos eventos condicionantes
- P(B1) = 3/6 = 0,5
- P(B2) = 3/6 = 0,5
Aplicar a Lei
E[X] = E[X .B1]·P( B1) + E[X .B2]·P( B2) = (4 × 0.5) + (3 × 0.5) = 2 + 1.5 = 3.5, que corresponde ao cálculo direto.
Este exemplo mostra que mesmo quando a expectativa geral é fácil de calcular diretamente, a lei fornece uma verificação de sanidade e uma estrutura conceitual que se torna inestimável quando o problema é mais complexo.
Exemplo detalhado 2: Teste de Doenças (cenário de Triagem Médica)
Configuração
Uma determinada doença afeta 1% da população (prevalência). Um teste diagnóstico é 99% preciso: identifica corretamente uma pessoa doente como positiva 99% do tempo (sensibilidade) e identifica corretamente uma pessoa saudável como negativa 99% do tempo (especificidade). X ser uma variável aleatória igual a 1 se uma pessoa selecionada aleatoriamente teste positivo, e 0 caso contrário. Equivalentemente, X é a contagem de resultados positivos de teste para uma pessoa. Queremos o número esperado de testes positivos na população (que equivale à probabilidade de que uma pessoa escolhida aleatoriamente teste positivo).
Partição da População
- B1: a pessoa tem a doença (1% da população)
- B2: a pessoa não tem a doença (99% da população)
Estes dois eventos são uma partição (todos têm ou não têm a doença).
Expectativas Condicionais
- Se a pessoa tem a doença (B1), teste é positivo com probabilidade 0,99. E[X . . B1] = 0,99.
- Se a pessoa não tem a doença (B2), o teste produz um falso positivo 1% do tempo. E[X □ B2] = 0,01.
Probabilidades dos Eventos de Partição
- P(B1) = 0,01
- P(B2) = 0,99
Aplicar a Lei
E[X] = (0,99 × 0,01) + (0,01 × 0,99) = 0,0099 + 0,0099 = 0,0198. Assim, cerca de 1,98% da população testa positivo, um número que inclui tanto verdadeiros positivos quanto falsos positivos. Este resultado é muitas vezes surpreendente, porque o teste parece altamente preciso, mas a baixa prevalência da doença significa que os falsos positivos contribuem com tantos resultados positivos como verdadeiros positivos. valor preditivo positivo (probabilidade de que um teste positivo indica doença real) é apenas 0,0099 / 0,0198 = 0,5, ou 50%. A Lei da Expectativa Total torna esses cálculos transparentes e repetiveis.
Exemplo detalhado 3: Produção de dois estágios (aplicação de negócios)
O Cenário
Uma fábrica executa dois turnos: turno do dia (70% do total de saída) e turno da noite (30%). O número de itens defeituosos produzidos por turno é aleatório. No turno do dia, o número médio de defeitos é de 5 por dia (E = 5). No turno da noite, a média é de 8 por dia (E = 8). No entanto, os dois turnos diferem em comprimento, de modo que os defeitos médios globais por dia é não simplesmente (5+8)/2 = 6.5.
Precisamos de uma média ponderada.
Definir a Variável Aleatória
Vamos X = número de defeitos num dia seleccionado aleatoriamente. A “partição” aqui é o turno que estava a funcionar nesse dia. Verifique: não escolhemos um turno aleatoriamente; escolhemos um dia e o turno determina a distribuição do defeito. Isto encaixa na lei porque os dias são particionados em dias de dia-shift e dias de noite-shift.
Calcular
- E[X □ Shift Dia] = 5
- E[X □ Shift noturno] = 8
- P( Mudança de Dia) = 0,7
- P (Noite de Mudança) = 0,3
E[X] = (5 × 0,7) + (8 × 0,3) = 3,5 + 2,4 = 5.9 A ponderação correcta explica o facto de o turno do dia correr com mais frequência, diminuindo a média global em comparação com uma média não ponderada.
Desinterpretações comuns
Apesar de sua simplicidade, a Lei da Expectativa Total é muitas vezes mal aplicada. Aqui estão armadilhas para evitar:
- Usando eventos não-disjuntos. A lei exige uma divisão: os eventos devem ser mutuamente exclusivos e coletivamente exaustivos.
- Confundindo expectativa condicional com incondicional. E[X .B] é em si uma variável aleatória se B não é fixo; a lei aplica-se quando B é um evento específico ou quando nós média sobre a variável de condicionamento. Um erro comum é tratar E[X .Y = y] como uma constante sem ponderação adequada por P (Y = y).
- Ignorando o passo de ponderação. Simplesmente uma média das expectativas condicionais sem ponderação por probabilidades produz o resultado errado, a menos que os grupos sejam igualmente prováveis.
- Assumindo que a lei simplifica sempre o problema. Embora muitas vezes o faça, às vezes as expectativas condicionais são mais difíceis de calcular do que a expectativa geral. Use a lei quando existe uma partição natural.
Aplicação Avançada: A Lei das Expectativas Iteradas
A Lei da Expectativa Total é às vezes chamada de Lei das Expectativas Iteradas quando expresso em termos de uma variável aleatória condicionante em vez de uma partição. Y é uma variável aleatória discreta, então:
E[X] = E[E[X □ Y] ]
Ou seja, a expectativa geral é a expectativa da expectativa condicional. Esta forma compacta é muito usada em econometria, análise de séries temporais e aprendizagem de máquina (por exemplo, o Algoritmo de aumento de gradiente Para saber mais sobre o seu papel nas estatísticas modernas, ver o artigo da Wikipédia sobre a Lei da Expectativa Total e a discussão das suas ligações com a Lei da Variância Total.
Conexão com a Expectativa Condicional na Aprendizagem de Máquina
No ensino supervisionado, o erro de previsão esperado pode ser decomposto usando a lei. Para uma função de perda L( Y, f( X)), a predição ideal f( X) é a expectativa condicional E[ Y . A Lei da Expectativa Total ajuda então a provar que esta escolha minimiza o erro médio ao quadrado: E[ (Y − f( X) 2] = E[ Var( Y , X)] + Var( E[ Y . X]). Esta decomposição separa o ruído irredutível do viés do modelo, uma visão chave para a compreensão sobre-ajustamento e sub-ajustamentoCientistas de dados podem encontrar um tutorial prático sobre este tópico em Rumo à Ciência dos Dados.
Aplicações em Finanças e Gestão de Riscos
Em finanças, a lei é usada para calcular os retornos esperados sob diferentes regimes de mercado. Suponhamos que o retorno de uma carteira depende de se a economia está em recessão (probabilidade 20%) ou expansão (80%). O retorno esperado global é igual ao tempo de recessão-retorno 0,2 mais o tempo de expansão-retorno 0,8. Da mesma forma, Valor-at-Risk (VarR) Para uma análise mais aprofundada da probabilidade de investimento em finanças, consultar o ProbabilidadeCurso.com.
Conclusão
A Lei da Expectativa Total é uma ferramenta enganosamente poderosa que transforma um problema de expectativa difícil em uma soma de problemas condicionais mais simples. De rolos de dados para triagem de doenças para risco financeiro, o princípio da média ponderada fundamenta raciocínio probabilístico claro. Ao particionar o espaço da amostra em categorias significativas, você pode calcular valores esperados sistematicamente e evitar erros lógicos comuns. Se você é um estudante primeira probabilidade de aprendizagem ou um modelo preditivo de construção profissional, integrar a Lei da Expectativa Total em seu kit de ferramentas analíticas irá aguçar sua compreensão e melhorar seus resultados.
Para explorar mais a teoria e suas provas, o Artigo do MathWorld sobre o Teorema Total da Expectativa fornece detalhes rigorosos, enquanto Cursos de estatística da Khan Academy domine esta lei, e você vai descobrir que muitas expectativas aparentemente complexas se tornam cálculos simples.