2.7　期望

给定一个函数f[]和每个x所对应的概率Pr(x=x)，函数对变量x的每个值x都返回一个值，有时希望求函数的期望输出。如果从概率分布中抽取大量样本，计算每个样本的函数，并求这些值的平均值，其结果就是期望。更确切地说，在离散及连续的情况下，一个随机变量x的函数f[]的期望值分别定义为

将这种思路推广到二元随机变量的函数f[]，则有：对于某些特殊的函数f[]，期望被赋予特殊的名称（见表2-1）。这些特殊函数常用来概括复杂概率分布的性质。表2-1　特殊函数的期望。对于某些函数f(x)，其期望E[f(x)]被赋予特殊的名称。在这里，使用符号μx表示随机变量x的均值，μy表示随机变量y的均值期望有四条性质，这些性质能够通过期望的原始定义简单证得（式(2-12)）。1.若随机变量x是常数k，则其期望是常数本身：2.常数k与函数f[x]的乘积所得函数的期望是f[x]期望的k倍：3.随机变量都是x时：函数f[x]和g[x]相加所得函数的期望是两个函数期望的和.4.函数f[x]和g[y]相乘所得函数的期望是两个函数期望的乘积：

讨论

概率的规则是非常紧凑和简洁的。边缘化、联合条件概率、独立性和贝叶斯公式是本书中所有计算机视觉算法的基础。仅剩概率相关的一个重要概念——条件的独立性，这将在第10章详细讨论。备注关于概率更正式的讨论，鼓励读者研读一本关于该主题的书籍，例如，Papoulis(1991)。若从机器学习的视角学习概率，请参考Bishop（2006）第1章。习题2.1　列举出真实生活中联合分布的一个实例Pr(x,y)，其中x是离散的，y是连续的。2.2　边缘化5个变量的联合分布Pr(v,w,x,y，z)，仅仅考虑变量w和y，结果将会是什么？对于v的边缘化分布结果又是什么？2.3　证明下面等式成立：2.4　在我的口袋里有两枚硬币。第一枚硬币是公平的，所以正面向上的似然性Pr(h=1c=1)是0.5，反面向上的似然性Pr(h=0c=1)也是0.5。第二枚硬币是不公平的，正面向上的似然性Pr(h=1c=2)是0.8，而反面向上的似然性Pr(h=1c=2)是0.2。将手伸入口袋，随机选取一枚硬币。选取任何一枚硬币的先验概率是相同的。投掷所选硬币观察到正面朝上，利用贝叶斯公式计算选取第二枚硬币的后验概率。2.5　如果变量x和y是相互独立的，变量x和z是相互独立的，那么变量y和z是相互独立的吗？2.6　使用式(2-3)证明，当x和y相互独立时，边缘概率分布Pr(x)与任意y的条件概率Pr(xy=y)等价。2.7　4个变量的联合概率Pr(w,x,y,z)因式分解为：证明若Pr(x，w)=Pr(x)Pr(w)，x和w是相互独立的。2.8　考虑骰子6个面{1,2,3,4,5,6}朝上的概率分别为{1/12,1/12,1/12,1/12,1/6,1/12}。骰子的期望值是多少？如果投掷两次骰子，两次投掷的期望值总共是多少？2.9　证明期望的四个公式对于最后一种情况，需要使用独立性的定义进行证明（见2.6节）。2.10　利用习题2.9中的关系式证明以下关系式，即趋近于零的二阶矩和关于均值的二阶矩（方差）之间的关系：