结论：在概率论中，全期望公式E(E[X|Y])=EX看似简单，但在理解其中一步时可能会遇到疑惑。实际上，这个公式背后的逻辑是建立在几个关键概念上的。首先，边缘概率密度f(x)可以通过联合密度函数对y进行积分，即使X和Y不是独立的，这个性质依然成立，因为期望E(Y)作为一个常数，等同于X的期望值乘以常数E(Y)，即E(X)E(Y)。
其次，当我们处理连续型随机变量的期望时，积分运算的线性性起着关键作用。根据线性性质，对函数A和B的积分可以拆分为各自积分的和：∫(A+B)=∫A+∫B。这就为我们理解E[E[X|Y]]如何简化为E[X]提供了一个直观的视角。
全期望公式是条件数学期望的核心性质，它描述了在已知某随机变量Y的条件下，随机变量X的期望值。具体来说，如果X和Y具有密度函数f(x,y)，且在X=x时Y的条件期望为E(Y|X=x)=∫y*g(y|x)dy，那么全期望公式E[E[X|Y]]简化为期望值E[X]，体现了随机变量在条件下的期望行为。
通过以上的解释，我们可以看到，全期望公式E(E[X|Y])=EX的证明过程实际上是利用了边缘概率密度和积分的线性性，以及条件期望的定义。理解这些基础概念，我们就能更好地掌握这个公式。