全期望公式将问题分解为条件情形简化计算，在分层随机性、重复试验问题中非常有效。
其核心思想是先计算条件期望作为随机变量Y的函数，再对Y 取期望。
这里先探索全期望公式的应用示例，然后进一步探索其在DDIM推导中的所起的作用。
所用示例参考和修改自网络资料。
1 全期望公式
全期望公式（也称“塔定律”）是概率论中的重要定理，表述为：
对于随机变量X和Y，
其中，外层期望是对随机变量Y的分布取的，的期望等于其条件期望的期望。
在给定另一个随机变量的条件下，公式变为：
这里，内层期望是对X在给定Y和Z下的条件期望，外层期望是对Y在给定Z下的分布取的。
1.1 离散随机变量示例
设Y为离散随机变量：
。
在给定Y下，X的条件分布为：
- 若Y=1，X可能取 1 或 2，即P(X=1|Y=1)=0.5, P(X=2|Y=1)=0.5；
- 若Y=2，X可能取 2 或 3，即P(X=2|Y=2)=0.5, P(X=3|Y=2)=0.5。
求E[X]。
1）直接法
先求X的边缘分布，具体为
因为X可能取1、2或3。
X=1，P(X=1|Y=1)=P(X=1, Y=1)/P(Y=1), P(Y=1) = 0.6, P(X=1|Y=1)=0.5，因此 P(X=1, Y=1) = 0.3
又因为X=1时，Y只能取1，所以P(X=1, Y=2) = 0
所以，P(X=1) = P(X=1, Y=1) + P(X=1, Y=2) = P(X=1, Y=1) = 0.3
X=2，P(X=2|Y=1) = P(X=2, Y=1)/P(Y=1), 故P(X=2, Y=1) = P(X=2|Y=1) P(Y=1) = 0.5 * 0.6 = 0.3
P(X=2|Y=2) = P(X=2, Y=2)/P(Y=2), 故P(X=2, Y=2) = P(X=2|Y=2) /P(Y=2) = 0.5 * 0.4 = 0.2
故P(X=2) = P(X=2, Y=1) + P(X=2, Y=2) = 0.5
X=3, P(X=3|Y=2)=P(X=3, Y=2)/P(Y=2)，故P(X=3, Y=2) = P(X=3|Y=2) P(Y=2) = 0.5 * 0.4 = 0.2
所以 E(X) = 1 * P(X=1) + 2 * P(X=2) + 3 * P(X=3) = 1 * 0.3 + 2 * 0.5 + 3 * 0.2 = 1.9
得E[X] = 1.9。
2）全期望公式：
计算条件期望：
E[X|Y=1] = 1 * P(X=1|Y=2) + 2 * P(X=2|Y=1) + 3 * P(X=3|Y=1) = 0.5 + 2 * 0.5 + 0 = 1.5
E[X|Y=2] = 1 * P(X=1|Y=2) + 2 * P(X=2|Y=2) + 3 * P(X=3|Y=2) = 0 + 2 * 0.5 + 3 * 0.5 = 2.5
对Y取期望：
E(X) = E(X|Y=1) * P(Y=1) + E(X|Y=2) * P(Y=2) = 1.5 * 0.6 + 2.5 * 0.4 = 1.9
1.2 连续随机变量示例
设，且给定
时，
。
求。
由全期望公式：
因为
1.3 经典问题示例
这里采用矿工逃生问题示例。
矿工有三个门可选（等概率）：
- 门1：3小时到达地面；
- 门2：5小时返回原点；
- 门3：7小时返回原点。
每次选择独立，求逃出时间的期望。
设Y为第一次选择的门：
-
-（返回后重试）
-（返回后重试）
由全期望公式：
解得：
整理得（小时）。
1.4 条件期望作为随机变量
设Y为掷骰子的点数（1到6等概率），定义X为在给定Y下从二项分布中生成的数：若Y=y，则，求
。
已知二项分布的期望为
，故
。
又因为
由全期望公式可得如下结论。
2 DDIM推导中具体应用
全期望公式在DDIM中，主要用来由定义的边缘分布
与DDPM一致。
2.1 变量对应关系说明
-：
-：
-：
应用全期望公式：
具体含义说明如下
给定
时
的期望，等于：
1. 先固定和
，求
的条件期望（这是
的函数）
2. 再对这个函数关于在给定
下的分布求期望
2.2 具体计算步骤
已知条件分布：
其中：
第一步：内层条件期望
第二步：外层期望
需要计算。
已知的分布：
因此：
计算外层期望：
2.3 计算结论解释
应用DDIM后，依然得到：
这正是DDPM中的期望。
这说明无论取何值，只要条件分布
按上述形式定义，边缘分布的均值就与DDPM一致。
这个等式允许间接计算边缘分布的矩，而无需显式地写出边缘分布的密度函数。
通过将的生成过程分解为两步（先由
生成
，再由
生成
）。
可以利用已知的简单分布（）和设计的条件分布来计算复杂的边缘分布特性。
类似地，对于方差
使用全方差公式（Law of Total Variance）：
- 第一项：条件方差的期望 =
- 第二项：条件期望的方差 =
相加得：，也与DDPM一致。
2.4 全期望公式作用总结
全期望公式在DDIM推导中起到了关键作用。
1）连接了条件分布和边缘分布，通过中间变量
架起了桥梁
2）简化了计算，避免了对联合分布直接积分求边缘分布的复杂计算
3）验证了构造的正确性，证明了无论
如何选择，只要条件分布按特定形式定义，边缘分布就能保持与DDPM一致
这正是DDIM能够设计非马尔可夫前向过程而保持训练目标不变的理论基础。
reference
---
SD稳定扩散模型理论基础的探索
https://blog.csdn.net/liliang199/article/details/156280004
DDIM扩散模型改进采样策略的推理探索
https://blog.csdn.net/liliang199/article/details/156433365
