条件期望的毕达哥拉斯定理形式证明求助

你的思路完全正确！这正是证明条件期望版毕达哥拉斯定理的核心切入点——通过拆分差值为两个正交项的和，再利用平方展开和条件期望的核心性质来推导。下面是清晰可靠的分步证明：

已知条件 #

• 设$\mathcal{G} \subset \mathcal{H} \subset \mathcal{A}$为$\sigma$-代数序列
• $X \in L^2(\Omega, \mathcal{A}, P)$（$L^2$空间保证所有涉及的期望、方差均存在且有限）

我们需要证明的等式为：
$$\mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{G}])^2\right] = \mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{H}])^2\right] + \mathbb{E}\left[(\mathbb{E}[X|\mathcal{H}] - \mathbb{E}[X|\mathcal{G}])^2\right]$$

步骤1：拆分差值项 #

正如你所想，我们将左边的核心差值拆分为两个部分的和：
$$X - \mathbb{E}[X|\mathcal{G}] = (X - \mathbb{E}[X|\mathcal{H}]) + (\mathbb{E}[X|\mathcal{H}] - \mathbb{E}[X|\mathcal{G}])$$

这个拆分的关键意义在于：右边的两个分项是正交的（即它们乘积的期望为0），这也是毕达哥拉斯定理在$L^2$空间中的本质体现。

步骤2：平方展开并取期望 #

对拆分后的等式两边平方，得到：
$$
\begin{align*}
(X - \mathbb{E}[X|\mathcal{G}])^2 &= (X - \mathbb{E}[X|\mathcal{H}])^2 + (\mathbb{E}[X|\mathcal{H}] - \mathbb{E}[X|\mathcal{G}])^2 \
&\quad + 2(X - \mathbb{E}[X|\mathcal{H}])(\mathbb{E}[X|\mathcal{H}] - \mathbb{E}[X|\mathcal{G}])
\end{align*}
$$

对等式两边同时取期望，此时左边就是目标等式的左侧项，右边前两项对应目标等式的右侧两项。我们只需要证明交叉项的期望为0，即可完成证明。

步骤3：证明交叉项期望为0 #

令$Y = \mathbb{E}[X|\mathcal{H}] - \mathbb{E}[X|\mathcal{G}]$，我们需要证明：
$$\mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{H}])Y\right] = 0$$

这里用到条件期望的三个核心性质：

1. 可测性：由于$\mathcal{G} \subset \mathcal{H}$，$\mathbb{E}[X|\mathcal{G}]$是$\mathcal{H}$-可测的；同时$\mathbb{E}[X|\mathcal{H}]$本身就是$\mathcal{H}$-可测的，因此$Y$是$\mathcal{H}$-可测随机变量。
2. 全期望公式：对任意随机变量$Z$，$\mathbb{E}[Z] = \mathbb{E}\left[\mathbb{E}[Z|\mathcal{H}]\right]$。
3. 条件期望的自洽性：$\mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{H}]) \mid \mathcal{H}\right] = \mathbb{E}[X|\mathcal{H}] - \mathbb{E}[X|\mathcal{H}] = 0$。

结合这些性质推导：
$$
\begin{align*}
\mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{H}])Y\right] &= \mathbb{E}\left[\mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{H}])Y \mid \mathcal{H}\right]\right] \
&= \mathbb{E}\left[Y \cdot \mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{H}]) \mid \mathcal{H}\right]\right] \
&= \mathbb{E}\left[Y \cdot 0\right] \
&= 0
\end{align*}
$$

步骤4：整理结论 #

由于交叉项的期望为0，平方展开后的期望等式可简化为：
$$\mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{G}])^2\right] = \mathbb{E}\left[(X - \mathbb{E}[X|\mathcal{H}])^2\right] + \mathbb{E}\left[(\mathbb{E}[X|\mathcal{H}] - \mathbb{E}[X|\mathcal{G}])^2\right]$$

至此，条件期望的毕达哥拉斯定理得证。

内容的提问来源于stack exchange，提问作者Son Tran Hoang