全期望公式是把随机变量的整体期望，按另一个随机变量的取值分成若干层，先求每一层的条件期望，再用各层的概率或密度加权平均，最终得到 E[X] = E[E[X|Y]]。日常使用中，它更像“总平均 = 各分组的平均再按权重合并”。如果 X 与 Y 为离散型，就用概率相加；如果 X 与 Y 为连续型，就用密度积分；若是混合型，也按概率密度或分布函数加权。用全期望公式时，选择 Y 很关键，Y 越能把 X 的分组讲清楚，计算越顺。
一、核心公式
| 类型 | 公式 | 口语解释 | |
|---|---|---|---|
| 离散型 | E[X] = Σ_y P(Y=y) E[X | Y=y] | 先算每组均值，再按每组权重合并 |
| 连续型 | E[X] = ∫ E[X | Y=y] f_Y(y) dy | 先算每条条件曲线的均值，再按密度加权求和 |
| 通用形式 | E[X] = E[E[X | Y]] | 条件期望本身是随机变量，再对它求一次期望 |
二、使用流程
- 明确目标变量 X。
- 选择分层变量 Y。
- 写出条件期望 E[X|Y]。
- 按离散求和或连续积分完成加权平均。
- 核对同一数据口径、同一分布口径、同一单位口径。
三、计算示例
设 Y 是天气：晴与雨。X 是销量。晴概率为 0.6，E[X|晴] = 100；雨概率为 0.4，E[X|雨] = 20。
E[X] = 0.6 × 100 + 0.4 × 20 = 60 + 8 = 68。
用全期望公式，就是把天气两层销量均值合并成总体均值。
四、常见应用场景
| 场景 | 分层变量 Y | 目标变量 X | 全期望公式的作用 |
|---|---|---|---|
| 销售分层 | 地区、渠道、客户类型 | 销售额、销量 | 把各分组的销量均值合并为总体销量均值 |
| 抽样调查 | 年龄、职业、地区 | 收入、消费金额 | 先求各组均值，再按抽样权重合并 |
| 阶段模型 | 第一阶段结果、阶段状态 | 最终产出、总收益 | 按阶段概率或状态权重合并期望 |
| 混合分布 | 类别变量与连续变量 | 观测值 | 在类别内部求均值，再按类别权重合并 |
五、记忆口诀
“先分层，求每层均值；再按权重合并，得到总均值。”
【常见问题】
问题1：什么是全期望公式？
回答1：全期望公式是 E[X] = E[E[X|Y]]，它把 X 的总体期望整理成“先按 Y 分层求条件期望，再按 Y 的权重汇总”的形式。全期望公式能让条件分布下的平均计算更清晰。
问题2：全期望公式怎么用？
回答2：用全期望公式时，先确定 X，再选择分层变量 Y，随后计算 E[X|Y]，最后用求和或积分完成加权平均。全期望公式适合离散、连续和混合分布。
问题3：全期望公式和条件期望是什么关系？
回答3：条件期望 E[X|Y] 表达“已知 Y 时 X 的平均”，全期望公式把这个平均再按 Y 的分布汇总，得到 X 的总体平均。全期望公式是条件期望的整体合并工具。
问题4：全期望公式适合什么场景？
回答4：全期望公式适合分层数据、阶段模型、抽样调查、混合分布。全期望公式把局部平均变成总体平均，便于整理与计算。
免责声明：本文提供概率论知识整理，适合学习与查阅，实际应用请以教材、论文、业务数据和专业统计资料为准。