条件期望的性质
1.看成f(Y)即可
条件期望仅限于形式化公式，用于解决多个随机变量存在时的期望问题求解，即
E(?)=E(E(?|Y))#直接应用此公式条件住一个随机变量，进行接下来的计算即可
定义随机变量之间的距离为，即均方距离
随机变量的逼近：
使用常数a逼近随机变量，EX为最佳逼近，最佳逼近的误差为Var(X)
Y是已有数据，寻找一个函数g，来让g(Y)逼近X
的解g(Y)=E(X|Y) 即最佳逼近函数即已知数据为条件下的条件期望
频率学派下的统计量（θ为确定参数）：
该式为频率学派下的分解，θ为常数，为统计量（
）
Xi为采样的iid随机变量 无偏估计：统计量的期望=欲估计的真值
统计量估计Xi的均值，是无偏估计
统计量估计Xi的方差，也是无偏估计
比较不同的统计量时，在无偏估计的框架下，寻找方差最小的统计量。
充分统计量：给定充分统计量后，随机向量(X1, X2, X3...Xn)的条件分布(将采样的iid样本拼成一个向量)与参数θ无关
找特定分布的充分统计量的方法：nayman分解--瞪眼法看P(X1=x1, X2=x2, ...Xn=xn)找出充分统计量
不同种类的分布都有自己的充分统计量，是个技术活....
充分统计量可以将数据中关于θ的信息全部包含进来，所以找它有啥用？答：保证blockwell方法中的θ'是个统计量，是样本的函数，而与待求参数θ无关（要不然就是耍流氓了，统计量里带θ还估计个p）.
改进统计量的方式：rao-blockwell方法，可以降低MSE（前提要求原统计量是无偏的）利用充分统计量
新的统计量θ' 比原统计量好，因为方差降低（他俩都是无偏估计）
完备统计量的定义：T是一个统计量满足 若E(h(T))=0则一定h(T)=0 则称T完备
Lehman-Scheffe定理：假设T是完备且充分的统计量，若h(T)是无偏估计，则h(T)是MVUE估计
cramer-rao下界：计算下界是个技术活
fisher information中的f(x,θ)表示f(X1, X2, X3...,Xn, θ)即随机向量(X1, X2, ..., Xn)的概率密度，在E中xi再看成Xi，对其求期望，于是只剩下成了θ的函数
fisher信息的两种计算方法：
cramerrao下界如果被达到，那么背后的f(x, θ)一定是指数族分布
f(x,θ)是指数族分布，则下图式一定是充分完备统计量
(说明达到cramerrao下界的统计量一定是充分完备统计量，反之不一定)
总结：cramer-rao下界和充分完备统计量有着微妙的联系，揭示了探索MVUE的两种路径的交合处
(整节课都是技术活，关于具体的例子计算可以直接看，作为统计入门)
