E.2.6 概率统计公式速查与练习

前置知识：本页汇总 E.2 模块所有公式，建议在读完 E.2.1 到 E.2.5 后再来回顾。如果你是第一次读，先跳到正文章节。

---

这一页汇总 E.2 模块用到的所有公式，方便回顾。建议先读完前面几篇正文再来查表。

本书中你会遇到的概率公式

概念	公式	强化学习含义
策略概率	$\pi(a\mid s)$	状态 $s$ 下选择动作 $a$ 的概率
状态转移概率	$p(s'\mid s,a)$	执行动作后进入下一状态的概率
期望	$\mathbb{E}[X]=\sum_x p(x)x$	平均奖励、平均回报、价值函数
状态价值	$v_\pi(s)=\mathbb{E}_\pi[G_t\mid S_t=s]$	从状态 $s$ 出发的平均折扣回报
方差	$\mathrm{Var}(X)=\mathbb{E}[(X-\mathbb{E}[X])^2]$	学习信号波动大小
蒙特卡洛估计	$\hat{v}(s)=\frac{1}{N}\sum_i G_i$	用采样平均估计价值
轨迹概率	$p(\tau\mid\pi)=p(s_0)\prod_t\pi(a_t\mid s_t)p(s_{t+1}\mid s_t,a_t)$	策略产生整条轨迹的概率
Baseline 去方差	$\mathbb{E}[\nabla\log\pi(a\mid s)b(s)]=0$	减 baseline 不改变梯度期望
GAE	$`\hat{A}_t^{\mathrm{GAE}}=\sum_k(\gamma\lambda)^k\delta_{t+k}`$	在 TD 和 MC 之间折中
重要性权重	$\rho=\frac{\pi(a\mid s)}{b(a\mid s)}$	异策略校正
PPO 裁剪目标	$L^{CLIP}=\mathbb{E}[\min(r_t\hat{A}_t,\mathrm{clip}(r_t,1-\epsilon,1+\epsilon)\hat{A}_t)]$	限制重要性权重极端变化

---

小结

到这里，概率论的基本工具已经齐了：概率描述随机性，期望描述平均值，方差描述波动，蒙特卡洛用采样逼近期望，重要性采样用概率比修正偏差。这一页的层次是：从概率表、加权平均和采样平均开始，推广到贝尔曼期望方程、动作价值、轨迹重要性采样和随机梯度方差。读后面的复杂公式时，先看它在对什么求平均——动作、奖励、下一状态、轨迹，还是梯度样本。

---

常见误区

1. 把一次回报当成价值。 价值是期望，一条轨迹的回报只是一个样本。
2. 只看平均值，不看方差。 两个策略平均回报相同，但方差不同，训练稳定性可能完全不同。
3. 以为重要性采样免费复用数据。 概率比可以修正偏差，但也可能显著放大方差。

---

小练习

1. 三条轨迹回报为 $10,4,-2$，概率为 $0.2,0.5,0.3$，状态价值是多少？
2. 样本回报为 $2,6,10$，均值和方差分别是多少？
3. 行为策略概率为 $0.25$，目标策略概率为 $0.75$，单步重要性权重是多少？