# 有限條件期望：由分割生成的 σ 代數上求 E[X|G]，含零質量區塊

[← 導讀目錄](https://ocme.evemisslab.com/zh-Hant/derivations/) · [原始 MKO](https://ocme.evemisslab.com/zh-Hant/mko/mko-conditional-expectation/)

這是使用者已採用的自然語言教學導讀。有限／算術檢查不等於普遍證明；本輪未跑 Lean，各稿審查範圍見其修訂記錄。來源原有的狀態標籤保留為歷史資料。公式保留精確 TeX，不另造語意 AST。

derivation-mko-conditional-expectation-01 · production-20261019-adopted-96



## 目標與範圍

在 Ω={0,1,2,3,4} 上，質量依序為 1/8、3/8、1/4、1/4、0，X 的值依序為 4、0、2、6、10，G 由分割 {0,1}、{2,3}、{4} 生成。由條件期望的兩項定義（G 可測、在每個 G 事件上積分相同）求出 E[X|G] 的全部版本，證明它在兩個正質量區塊上必為 1 與 4，在零質量區塊 {4} 上可取任意值（只幾乎處處決定），並說明逐點條件化、只核總期望與不加權平均為何都錯。

只在 MKO 範圍內工作：完整有限樣本、精確有理質量、X 值與條件分割屬於同一機率空間（假設 a1）；主要計算用正質量區塊，所有版本幾乎處處唯一，而零質量區塊保留逐點非唯一的自由，不強迫點值（假設 a2）。不處理一般（非離散）條件期望的存在性、filtration 或 martingale；不改動 canonical MKO 或英文 edition。





## 已知條件與符號


- prob_axioms
- finite_sum_rules
- set_operations_def
- frac_rules
- mul_inverse_nonzero


- G1 — Ω={0,1,2,3,4}；P({0})=1/8、P({1})=3/8、P({2})=1/4、P({3})=1/4、P({4})=0（總和 1）；X(0)=4、X(1)=0、X(2)=2、X(3)=6、X(4)=10；全部屬於同一空間（MKO 假設 a1）。
- G2 — 條件分割 B_1={0,1}、B_2={2,3}、B_3={4}；G=σ(B_1,B_2,B_3)。
- G3 — 定義：Y 是 E[X|G] 的一個版本，若 (i) Y 為 G 可測，且 (ii) 對每個 A∈G，E[Y𝟏_A]=E[X𝟏_A]，其中 E[Z𝟏_A]=Σ_{ω∈A} Z(ω)P({ω})。


- \Omega,\ P — 樣本空間與機率
- B_1,B_2,B_3 — 條件分割的三個區塊 {0,1}、{2,3}、{4}
- \mathcal{G}=\sigma(B_1,B_2,B_3) — 由分割生成的 σ 代數
- E[Z\mathbf{1}_A] — Z 在事件 A 上的積分 Σ_{ω∈A} Z(ω)P({ω})
- Y_c — E[X|G] 的一個版本，在 B_3 上取值 c





## 規則與來源


- prob_axioms · prerequisite — 機率公理：P(A)≥0；P(Ω)=1；兩兩互斥事件的（可數）聯集機率等於各機率之和。由此 P(∅)=0、P(Aᶜ)=1−P(A)。
- finite_sum_rules · prerequisite — 有限和：Σ_{i=1}^{0} a_i=0、Σ_{i=1}^{n+1} a_i=Σ_{i=1}^{n} a_i + a_{n+1}；Σ(a_i+b_i)=Σa_i+Σb_i；Σ c·a_i=c·Σa_i。
- set_operations_def · prerequisite — 集合運算：x∈A∪B ⇔ x∈A 或 x∈B；x∈A∩B ⇔ x∈A 且 x∈B；x∈A∖B ⇔ x∈A 且 x∉B；在全集 U 中 Aᶜ=U∖A。
- frac_rules · prerequisite — 分數運算（分母皆非零）：a/c+b/c=(a+b)/c；(a/b)(c/d)=(ac)/(bd)；(a/b)/(c/d)=(ad)/(bc)（另需 c≠0）；a/b=(ak)/(bk)（k≠0）。
- mul_inverse_nonzero · prerequisite — 非零數的倒數：在 ℚ、ℝ、ℂ 中，若 u≠0，存在 1/u 使 u·(1/u)=1；對 u≠0 定義 v/u 為 v·(1/u)。u=0 時沒有倒數，v/0 不定義。
- numeric_evaluation · prerequisite — 明確整數或有理數算式的精確求值；可以獨立重算。
- image_preimage_def · prerequisite — 像與原像：f(S)={f(a) ∣ a∈S}；f⁻¹(T)={a∈A ∣ f(a)∈T}。原像記號不預設 f 有反函數。
- subset_def · prerequisite — 子集：A⊆B 表示 A 的每個元素都是 B 的元素，即 ∀x (x∈A⇒x∈B)。
- forall_elim · prerequisite — ∀消去（代入特例）：若 ∀x∈D, P(x) 成立且 a∈D，則 P(a) 成立。
- distributive · prerequisite — 分配律：u(v+w)=uv+uw；配合乘法交換律也有 (v+w)u=vu+wu。
- mul_zero · prerequisite — 乘以零：u·0=0。理由：u·0=u·(0+0)=u·0+u·0，兩邊同減 u·0 得 0=u·0。
- and_intro_elim · prerequisite — 合取：由 P 與 Q 得 P∧Q；由 P∧Q 可分別得 P 與 Q。
- iff_intro · prerequisite — 雙條件：P⇒Q 與 Q⇒P 都成立時，P⇔Q 成立；反之亦然。
- def_unfold · prerequisite — 展開定義：把一個已定義的詞換成它的定義內容（或反向收回），命題的真假不變。
- mko_condexp_def · cited — 在同一有限機率空間上，條件期望 E[X|G] 須 G 可測，且在每個 G 可測事件上與 X 積分相同。對分割生成的 G，它在每個正質量區塊為加權平均；零質量區塊只幾乎處處決定，不除以零。 · mko-conditional-expectation
- sigma_partition · prerequisite — 有限集合 Ω 的分割 𝒫 生成的 σ 代數 σ(𝒫) 恰由區塊的聯集組成（含空聯集 ∅）；共有 2^{|𝒫|} 個事件。
- meas_def · prerequisite — 在有限 Ω 上，函數 Y 為 G 可測，當且僅當對每個實數集合 S，Y^{-1}(S)∈G。
- L_meas_const · lemma — Y 為 σ(𝒫) 可測，當且僅當 Y 在 𝒫 的每個區塊上為常數。
- L_block_reduce · lemma — 對 σ(𝒫)，條件 (ii) 對所有 A∈σ(𝒫) 成立，當且僅當它對每個區塊成立。





## 逐步主鏈

S01 · equivalent操作前

\mathcal{G}=\sigma(B_1,B_2,B_3)

操作後

\mathcal{G}=\{\varnothing,B_1,B_2,B_3,B_1\cup B_2,B_1\cup B_3,B_2\cup B_3,\Omega\}

條件：無

規則：sigma_partition · 依賴：G2, sigma_partition

葉節點依據：sigma_partition + set_operations_def + numeric_evaluation

分割生成的 σ 代數恰為區塊的聯集。三個區塊各選或不選，得 2^3=8 個事件（N9），列出如右。事件 {0} 不在 G 中：它不是區塊的聯集。



S02 · equivalent操作前

Y\ \mathcal{G}\text{-measurable}

操作後

Y=c_1\ \text{on}\ B_1,\ Y=c_2\ \text{on}\ B_2,\ Y=c_3\ \text{on}\ B_3

條件：無

規則：L_meas_const · 依賴：S01, G3

葉節點依據：meas_def + sigma_partition + set_operations_def

依引理 L_meas_const（在 S02.1、S02.2 證明），條件 (i) 恰好表示 Y 在每個區塊上為常數，記其值為 c_1、c_2、c_3。可測性是集合層面的條件，與質量無關，所以零質量區塊 B_3 上 Y 也必須是常數。



S03 · equivalent操作前

\forall A\in\mathcal{G}:\ E[Y\mathbf{1}_A]=E[X\mathbf{1}_A]

操作後

\forall j:\ E[Y\mathbf{1}_{B_j}]=E[X\mathbf{1}_{B_j}]

條件：無

規則：L_block_reduce · 依賴：S01, G3

葉節點依據：finite_sum_rules + sigma_partition + forall_elim

依引理 L_block_reduce（在 S03.1、S03.2 證明），8 個事件上的條件 (ii) 化為 3 個區塊上的條件。注意化約後仍是 3 個條件，不是 1 個：只核 A=Ω（總期望）不夠。



S04 · equivalent操作前

E[Y\mathbf{1}_{B}]=E[X\mathbf{1}_{B}],\ Y=c\ \text{on}\ B,\ P(B)>0

操作後

c=\frac{E[X\mathbf{1}_B]}{P(B)}

條件：P(B)>0

規則：mul_inverse_nonzero · 依賴：S02, S03, G3

葉節點依據：distributive + finite_sum_rules + mul_inverse_nonzero

Y 在 B 上恆為 c，所以 E[Y𝟏_B]=Σ_{ω∈B} c·P({ω})=c·P(B)（分配律）。條件變成 c·P(B)=E[X𝟏_B]。若 P(B)>0，兩邊同乘 1/P(B) 得 c=E[X𝟏_B]/P(B)：區塊上的質量加權平均。若 P(B)=0，不能除，見 S07。



S05 · implies操作前

B_1=\{0,1\}

操作後

P(B_1)=\tfrac12,\ E[X\mathbf{1}_{B_1}]=\tfrac12,\ c_1=1

條件：P(B_1)>0

規則：numeric_evaluation · 依賴：S04, G1, G2

葉節點依據：numeric_evaluation + frac_rules + prob_axioms

P(B_1)=1/8+3/8=1/2（N1）；E[X𝟏_{B_1}]=4·1/8+0·3/8=1/2（N2）；P(B_1)>0，依 S04，c_1=(1/2)/(1/2)=1（N3）。



S06 · implies操作前

B_2=\{2,3\}

操作後

P(B_2)=\tfrac12,\ E[X\mathbf{1}_{B_2}]=2,\ c_2=4

條件：P(B_2)>0

規則：numeric_evaluation · 依賴：S04, G1, G2

葉節點依據：numeric_evaluation + frac_rules + prob_axioms

P(B_2)=1/4+1/4=1/2；E[X𝟏_{B_2}]=2·1/4+6·1/4=2（N4）；依 S04，c_2=2/(1/2)=4（N5）。



S07 · implies操作前

B_3=\{4\},\ P(B_3)=0

操作後

c_3\cdot 0=10\cdot 0\ \text{for every}\ c_3\in\mathbb{R}

條件：P(B_3)=0

規則：mul_zero · 依賴：S02, S03, G1, G2

葉節點依據：mul_zero + finite_sum_rules

在零質量區塊上，E[Y𝟏_{B_3}]=c_3·0=0，E[X𝟏_{B_3}]=10·0=0，所以條件 (ii) 對每個實數 c_3 都成立。這裡不做除法：E[X𝟏_{B_3}]/P(B_3)=0/0 沒有定義。c_3 只需讓 Y 在 B_3 上為常數（S02），其值不受限制。



S08 · equivalent操作前

c_1=1,\ c_2=4,\ c_3\ \text{arbitrary}

操作後

E[X|\mathcal{G}]=Y_c,\ Y_c=\begin{cases}1&\text{on }B_1\\4&\text{on }B_2\\c&\text{on }B_3\end{cases},\ c\in\mathbb{R}

條件：無

規則：mko_condexp_def · 依賴：S02, S03, S04, S05, S06, S07

葉節點依據：and_intro_elim + iff_intro + def_unfold

由 S02 與 S03，Y 是一個版本當且僅當它在區塊上為常數且三個區塊條件都成立；由 S05、S06（以 S04 的等價），c_1=1、c_2=4 是唯一可能；由 S07，c_3 任意。所以版本恰為 Y_c（c∈ℝ）。任兩個版本只在 B_3 上可能不同，而 P(B_3)=0，所以它們幾乎處處相等：E[X|G] 在正質量區塊上精確決定，在零質量區塊上只幾乎處處決定。



S09 · implies操作前

A=B_1\cup B_2,\ A=\Omega

操作後

E[Y_c\mathbf{1}_A]=E[X\mathbf{1}_A]=\tfrac52

條件：無

規則：finite_sum_rules · 依賴：S08, S01, G1

葉節點依據：finite_sum_rules + numeric_evaluation

反向核對兩個非區塊事件：A=B_1∪B_2 時 E[Y_c𝟏_A]=1·1/2+4·1/2=5/2，E[X𝟏_A]=4·1/8+0·3/8+2·1/4+6·1/4=5/2；A=Ω 時再加上 B_3 的 c·0=0 與 10·0=0，兩邊仍為 5/2（N6）。這與 S03 的化約一致，但只是兩個事件的核對，證明由 S03 給出。



S10 · implies操作前

Z=X

操作後

Z\ \text{not}\ \mathcal{G}\text{-measurable}

條件：無

規則：L_meas_const · 依賴：S02, G1

葉節點依據：meas_def + sigma_partition

對照（逐點條件化）：把 X 本身當作答案。X(0)=4≠0=X(1)，而 0、1 在同一區塊 B_1，所以 X 在 B_1 上不是常數；依 L_meas_const，X 不是 G 可測，(i) 失敗。G 只知道「落在哪個區塊」，不知道區塊內的確切結果。



S11 · implies操作前

W\equiv\tfrac52

操作後

E[W]=E[X]\ \text{but}\ E[W\mathbf{1}_{B_1}]=\tfrac54\neq\tfrac12

條件：無

規則：numeric_evaluation · 依賴：S03, S05, G1

葉節點依據：numeric_evaluation + forall_elim

對照（只核總期望）：常數 W≡5/2 是 G 可測，且 E[W]=5/2=E[X]，所以 A=Ω 的條件成立。但 E[W𝟏_{B_1}]=(5/2)(1/2)=5/4，而 E[X𝟏_{B_1}]=1/2（N7），所以 (ii) 在 B_1 上失敗，W 不是 E[X|G]。



S12 · implies操作前

c_1'=\tfrac{4+0}{2}=2

操作後

E[c_1'\mathbf{1}_{B_1}]=1\neq\tfrac12

條件：無

規則：numeric_evaluation · 依賴：S04, S05, G1

葉節點依據：numeric_evaluation + frac_rules

對照（不加權平均）：在 B_1 上取 X 值的普通平均 (4+0)/2=2。則 2·P(B_1)=1≠1/2=E[X𝟏_{B_1}]（N8），條件失敗。因為 1 的質量 3/8 大於 0 的質量 1/8，正確的加權平均 1 比 2 更靠近 X(1)=0。



S13 · implies操作前

\text{S08, S10 to S12}

操作後

E[X|\mathcal{G}]=1\ \text{on}\ B_1,\ 4\ \text{on}\ B_2,\ \text{arbitrary on the null block}\ B_3

條件：無

規則：mko_condexp_def · 依賴：S08, S10, S11, S12

葉節點依據：and_intro_elim

E[X|G] 的版本恰為 Y_c：在 {0,1} 上為 1、在 {2,3} 上為 4、在零質量的 {4} 上為任意常數 c；所有版本幾乎處處相等。逐點的 X、常數總平均與不加權平均都不是條件期望。







## 局部子步與引理

S02.1 · implies操作前

Y=c_j\ \text{on}\ B_j\ (j=1,2,3)

操作後

Y^{-1}(S)=\bigcup_{j:\,c_j\in S}B_j\in\mathcal{G}

條件：無

規則：meas_def · 依賴：meas_def, sigma_partition

葉節點依據：image_preimage_def + sigma_partition + set_operations_def

（⇐）若 Y 在 B_j 上恆為 c_j，則對任何實數集合 S，Y^{-1}(S) 恰是那些 c_j∈S 的區塊之聯集，因此屬於 G，Y 為 G 可測。



S02.2 · implies操作前

Y\ \mathcal{G}\text{-measurable},\ \omega\in B_j,\ y=Y(\omega)

操作後

Y=y\ \text{on all of}\ B_j

條件：無

規則：meas_def · 依賴：meas_def, sigma_partition

葉節點依據：image_preimage_def + sigma_partition + subset_def

（⇒）Y^{-1}({y})∈G，所以它是若干區塊的聯集；它含 ω，而 ω 只屬於區塊 B_j，因此 B_j 是組成這個聯集的區塊之一，B_j⊆Y^{-1}({y})，即 Y 在 B_j 上恆為 y。S02.1 與 S02.2 合起來證得引理 L_meas_const。



S03.1 · implies操作前

\forall A\in\mathcal{G}:\ E[Y\mathbf{1}_A]=E[X\mathbf{1}_A]

操作後

\forall j:\ E[Y\mathbf{1}_{B_j}]=E[X\mathbf{1}_{B_j}]

條件：無

規則：forall_elim · 依賴：S01

葉節點依據：forall_elim

（⇒）每個區塊 B_j 都屬於 G（S01），所以全稱條件的特例給出區塊上的等式。



S03.2 · implies操作前

\forall j:\ E[Y\mathbf{1}_{B_j}]=E[X\mathbf{1}_{B_j}]

操作後

\forall A\in\mathcal{G}:\ E[Y\mathbf{1}_A]=E[X\mathbf{1}_A]

條件：無

規則：finite_sum_rules · 依賴：S01, finite_sum_rules

葉節點依據：finite_sum_rules + set_operations_def + sigma_partition

（⇐）任一 A∈G 是互斥區塊的聯集，所以 Σ_{ω∈A} 可按區塊拆開：E[Z𝟏_A]=Σ_{B_j⊆A} E[Z𝟏_{B_j}]，對 Z=X 與 Z=Y 都成立；右邊逐項相等，所以左邊相等。A=∅ 時兩邊都是空和 0。S03.1 與 S03.2 合起來證得引理 L_block_reduce。







## 逐步反向審查


- S13 · sufficient_goal_reduction · S08, S10, S11, S12 — 目標 G：求出全部版本並否定三種錯誤做法。足夠條件 H：S08 與 S10 到 S12；H⇒G 由合取。H 由 G1 到 G3 正向證成，沒有把 G 當作前提，也沒有在零質量區塊做除法。
- S12 · premise_audit · S04, S05, numeric_evaluation — 對正質量區塊 B，『對 B 上所有實值 X，加權平均都等於普通平均』當且僅當條件點權重 P({ω})/P(B) 對每個 ω∈B 均為 1/|B|：必要性取各單點指示函數，充分性直接代入。權重不等時，特定 X 仍可能使兩平均相等；本題 B₁ 的普通平均為 2，加權平均為 1。
- S11 · premise_audit · S03, S05, numeric_evaluation — 一個失敗的區塊就足以否定；這說明 S03 化約後仍需每個區塊。
- S10 · premise_audit · S02, L_meas_const — 一個區塊內的兩個不同值就足以否定可測性。
- S09 · premise_audit · S08, S03, numeric_evaluation — 數值可重算；這一步不宣稱取代 S03 對全部 8 個事件的論證。
- S08 · inverse_equivalence · S02, S03, S04, S07 — ⇒：任何版本都必須是某個 Y_c（S02、S04）。⇐：每個 Y_c 都滿足 (i)、(ii)（S02、S03、S05 到 S07）。兩個方向都有理由。
- S07 · premise_audit · S02, mul_zero, mul_inverse_nonzero — S04 的等價需要 P(B)≠0，這裡不成立，所以不能沿用 S04 的公式；只用到 u·0=0。
- S06 · premise_audit · S04, G1, numeric_evaluation — 反向核對 4·(1/2)=2=E[X𝟏_{B_2}]。
- S05 · premise_audit · S04, G1, numeric_evaluation — 可重算；反向核對 1·(1/2)=1/2=E[X𝟏_{B_1}]。
- S04 · inverse_equivalence · mul_inverse_nonzero, distributive — 乘以 1/P(B) 與乘以 P(B) 互為反運算，前提 P(B)≠0；所以在正質量區塊上 c 唯一。
- S03.2 · premise_audit · S01, finite_sum_rules, set_operations_def — 需要區塊互斥，才能把和拆開而不重複計算。
- S03.1 · premise_audit · S01, forall_elim — 只需要區塊在 G 中。
- S03 · inverse_equivalence · L_block_reduce — 兩個方向都在子步證明。
- S02.2 · premise_audit · meas_def, sigma_partition — 關鍵是區塊互斥：ω 恰屬於一個區塊，所以包含 ω 的區塊聯集必含整個 B_j。
- S02.1 · premise_audit · meas_def, sigma_partition — 只證一個方向；另一方向在 S02.2。
- S02 · inverse_equivalence · L_meas_const — 引理的兩個方向都在子步證明。
- S01 · inverse_equivalence · sigma_partition, set_operations_def — 列出的 8 個集合正是區塊的全部聯集，而 sigma_partition 說 G 恰由它們組成；兩種描述互相決定。





## 錯誤控制與反例

逐點條件化與零質量除法MKO 的誤解之一是逐點條件化：答案 X 本身在 B_1 上取 4 與 0，不是 G 可測（S10）。另一個是在零質量區塊做除法：E[X𝟏_{B_3}]/P(B_3)=0/0 沒有定義；正確結論是任何常數都可以，版本只幾乎處處唯一（S07、S08）。

只核總期望不夠MKO 的另一個誤解：只核 E[Y]=E[X] 就宣稱完整條件期望。常數 5/2 滿足總期望，卻在 B_1 上積分 5/4≠1/2（S11）。條件 (ii) 要對每個 G 事件成立，化約後仍是每個區塊（S03）。

要用質量加權正質量區塊上的值是 E[X𝟏_B]/P(B)，一般不能直接用 X 值的普通平均取代。對該區塊上所有實值 X 都保證兩平均一致，當且僅當各條件點權重都為 1/|B|；特定 X 則可能在不等權時偶然一致。本題 B₁ 上普通平均是 2，正確值是 1（S12）。零質量區塊仍不做除法，其版本如 S07、S08 所述。


- X 的每個值都已知，所以 E[X|G]=X → reject — X 在區塊 B_1 上不是常數，不是 G 可測（S10）。
- 在 B_3 上 E[X|G]=E[X𝟏_{B_3}]/P(B_3)=0/0=0 → reject — 0/0 沒有定義；任何常數都滿足條件，值只幾乎處處決定（S07）。
- W≡5/2 滿足 E[W]=E[X]，所以 W=E[X|G] → reject — E[W𝟏_{B_1}]=5/4≠1/2（S11）。
- 在 B_1 上 E[X|G]=(4+0)/2=2 → reject — 要用質量加權：2·(1/2)=1≠1/2；正確值是 1（S05、S12）。
- 條件期望逐點唯一，所以在結果 4 的值必為 X(4)=10 → reject — Y_0（在 B_3 上取 0）也是版本；版本只幾乎處處唯一（S08）。





## 結論與限制

E[X|G] 的版本恰為 Y_c：在 B_1={0,1} 上為質量加權平均 (4·1/8+0·3/8)/(1/2)=1，在 B_2={2,3} 上為 (2·1/4+6·1/4)/(1/2)=4，在零質量區塊 B_3={4} 上可取任意常數 c，不做 0/0 除法；所有版本幾乎處處相等，總期望 5/2 保持不變。逐點條件化的候選 Y=X 在 G 下不可測，但其積分等式本身成立，並非在 B_1 上積分失敗。另兩種候選（只核總期望的 W≡5/2、區塊不加權平均）才在 B_1 上違反積分條件。


- 本稿只處理分割生成的 σ 代數；一般機率空間上條件期望的存在性（例如經由 Radon–Nikodym）與 filtration、martingale（MKO 的下一步）不在範圍內。





## 驗證及來源綁定

10 個本稿宣告算術檢查；只支持所列算式。


- source commit: b28a5edbd46279b1db2a3f3f48bb3f447e18899f
- adopted source SHA-256: fb6d81a6503a7c7ed987151c144cb532f48bda0ba9ff318c35b0da5747915922
- original source SHA-256: f1f1276883bf28f45ac381b84049dc540bebe522aa5588bd14a827b966580991
- Lean: NOT_RUN · independent AI: NOT_MEASURED

[同源完整 JSON（含公式、AST、反控制與修訂記錄）](https://ocme.evemisslab.com/data/derivations/production-20261019/guides/derivation-mko-conditional-expectation-01.json)