咱们先把题目给的条件理清楚，方便后续推导：

• 随机变量X的概率密度函数$f_X(x)$是分段函数：
  $$
  f_X(x)=\left{
  \begin{array}{ll}
  1/4, & 0\leq x\leq 1 \
  3/4, & 1< x \leq 2 \
  0, & \text{otherwise}
  \end{array}
  \right.
  $$
• 给定X=x时，Y的条件概率密度函数$f_{Y|X}(y|x)$为：
  $$
  f_{Y|X}(y|x)=\left{
  \begin{array}{ll}
  \frac{y-x}{2}, & x\leq y \leq x+2 \
  0, & \text{otherwise}
  \end{array}
  \right.
  $$

现在已知观测到$Y=2.5$，要计算$\hat X_{MAP}$（MAP估计）和$\hat X_{LMS}$（LMS估计）。

一、求解$\hat X_{MAP}$（MAP估计） #

MAP估计的本质是找到能让后验概率密度$f_{X|Y}(x|y)$最大的x值。根据贝叶斯公式，后验密度和$f_{Y|X}(y|x)f_X(x)$成正比（因为分母$f_Y(y)$对所有x都是常数，不影响最大化结果），所以我们只需要最大化$f_{Y|X}(2.5|x)f_X(x)$即可。

首先得确定x的有效取值范围：
从条件密度的非零区间$x\leq 2.5 \leq x+2$，解不等式得$0.5\leq x\leq2.5$，再结合$f_X(x)$的非零区间$0\leq x\leq2$，最终x的有效范围是$0.5\leq x\leq2$。

接下来分区间计算并分析$f_{Y|X}(2.5|x)f_X(x)$：

1. 当$0.5\leq x\leq1$时：
   $f_X(x)=1/4$，$f_{Y|X}(2.5|x)=\frac{2.5-x}{2}$，两者乘积为：
   $$\frac{2.5-x}{2} \times \frac{1}{4} = \frac{2.5-x}{8}$$
   这个函数是关于x的单调递减函数（x的系数为负），所以在这个区间内，最大值出现在x最小的位置，也就是$x=0.5$，此时乘积值为$\frac{2.5-0.5}{8}=0.25$。

2. 当$1< x\leq2$时：
   $f_X(x)=3/4$，$f_{Y|X}(2.5|x)=\frac{2.5-x}{2}$，两者乘积为：
   $$\frac{2.5-x}{2} \times \frac{3}{4} = \frac{3(2.5-x)}{8}$$
   这个函数同样是关于x的单调递减函数，所以在这个区间内，最大值出现在x最小的位置，也就是$x$趋近于1+的时候，此时乘积值为$\frac{3(2.5-1)}{8}=0.5625$。

现在比较两个区间的最大值：0.5625 > 0.25，所以后验密度的最大值出现在$x=1$处，因此$\hat X_{MAP}=1$。

这里要提一下，你之前的尝试只考虑了单一区间的导数，没分情况讨论x的有效范围和分段函数的不同区间，所以得出了错误的结果，下次遇到分段密度函数一定要记得分区间分析哦～

二、求解$\hat X_{LMS}$（LMS估计） #

LMS估计就是条件期望$E[X|Y=2.5]$，计算公式为：
$$\hat X_{LMS} = E[X|Y=2.5] = \int_{-\infty}^{\infty} x \cdot f_{X|Y}(x|2.5) dx$$
根据贝叶斯公式，$f_{X|Y}(x|2.5)=\frac{f_{Y|X}(2.5|x)f_X(x)}{f_Y(2.5)}$，我们需要先计算分母$f_Y(2.5)$，再计算条件期望的积分。

步骤1：计算$f_Y(2.5)$ #

$f_Y(2.5)$是联合密度在y=2.5处的边缘密度，即：
$$f_Y(2.5)=\int_{0.5}^{2} f_{Y|X}(2.5|x)f_X(x) dx$$
分两个区间积分：

• 区间$0.5\leq x\leq1$：
  $$\int_{0.5}^{1} \frac{2.5-x}{8} dx = \frac{1}{8}\left[2.5x - 0.5x^{2\right]_{0.5}}1 = \frac{7}{64}$$
• 区间$1< x\leq2$：
  $$\int_{1}^{2} \frac{3(2.5-x)}{8} dx = \frac{3}{8}\left[2.5x - 0.5x^2\right]_{1}2 = \frac{3}{8}$$

将两个积分结果相加：
$$f_Y(2.5)=\frac{7}{64}+\frac{3}{8}=\frac{7}{64}+\frac{24}{64}=\frac{31}{64}$$

步骤2：计算条件期望$E[X|Y=2.5]$ #

$$E[X|Y=2.5]=\frac{1}{f_Y(2.5)}\left( \int_{0.5}^1 x\cdot\frac{2.5-x}{8}dx + \int_{1}^2 x\cdot\frac{3(2.5-x)}{8}dx \right)$$

分别计算两个积分：

• 第一个积分（$0.5\leq x\leq1$）：
  $$\int_{0.5}^1 x\cdot\frac{2.5-x}{8}dx = \frac{1}{8}\left[1.25x^2 - \frac{x^{3}{3}\right]_{0.5}}1 = \frac{31}{384}$$
• 第二个积分（$1< x\leq2$）：
  $$\int_{1}^2 x\cdot\frac{3(2.5-x)}{8}dx = \frac{3}{8}\left[1.25x^2 - \frac{x^{3}{3}\right]_{1}}2 = \frac{17}{32}$$

将两个积分结果相加，再除以$f_Y(2.5)$：
$$E[X|Y=2.5]=\frac{\frac{31}{384}+\frac{17}{32}}{\frac{31}{64}}=\frac{\frac{235}{384}}{\frac{31}{64}}=\frac{235}{186}\approx1.263$$

所以$\hat X_{LMS}=\frac{235}{186}$（或约等于1.263）。

备注：内容来源于stack exchange，提问作者ugjumb