寻求“E(Y|X)=0且E(Y²|X)=σ²则X与Y独立”的反例

没问题，我来给你构造一个清晰的反例，说明这个命题不成立——也就是存在随机变量X和Y满足E(Y|X)=0、E(Y²|X)=σ²（常数），但X与Y并不独立。

具体构造步骤 #

1. 定义随机变量X：让X服从标准正态分布N(0,1)，取值覆盖全体实数，对称分布在0附近。
2. 定义Y的条件分布：
   • 当X > 0时，Y服从正态分布N(0, σ²)，这个分布的均值为0，方差为σ²，满足E(Y|X>0)=0，E(Y²|X>0)=σ²；
   • 当X < 0时，Y服从均匀分布U(-σ√3, σ√3)，这个均匀分布的均值是0，方差计算为：$\frac{(σ√3 - (-σ√3))^2}{12} = \frac{(2σ√3)^2}{12} = σ²$，同样满足E(Y|X<0)=0，E(Y²|X<0)=σ²；
   • 当X=0时（该事件概率为0，不影响条件期望定义），可任意指定Y的分布，比如取N(0,σ²)即可。

为什么满足条件但不独立？ #

首先，显然满足题设的两个核心条件：

• 对任意X的取值，E(Y|X)=0；
• 对任意X的取值，E(Y²|X)=σ²（常数）。

接下来验证X和Y不独立：
我们对比两个条件概率：

• $P(Y ∈ [0, σ] | X > 0)$：这是正态分布N(0,σ²)落在[0,σ]的概率，约为0.3413；
• $P(Y ∈ [0, σ] | X < 0)$：这是均匀分布U(-σ√3, σ√3)落在[0,σ]的概率，计算得$\frac{σ}{2σ√3} = \frac{1}{2√3} ≈ 0.2887$。

这两个条件概率不相等，说明Y的分布直接依赖于X的取值，因此X和Y不可能独立。从联合概率的角度看：
$P(X>0, Y∈[0,σ]) = P(X>0) × P(Y∈[0,σ]|X>0) ≠ P(X>0) × P(Y∈[0,σ])$，因为$P(Y∈[0,σ])$是两个条件概率的加权平均，和单独的$P(Y∈[0,σ]|X>0)$不相等，直接违背了独立的定义。

补充：简单离散反例（可选） #

如果偏好离散变量，也可以构造：

• 让X的取值为1和-1，每个概率0.5；
• 当X=1时，Y的取值为σ、-σ，各概率0.5；
• 当X=-1时，Y的取值为$\frac{σ}{\sqrt{2}}$、$\frac{σ}{\sqrt{2}}$、$-\frac{σ}{\sqrt{2}}$、$-\frac{σ}{\sqrt{2}}$，各概率0.25（此时E(Y|X=-1)=0，E(Y²|X=-1)=σ²，满足条件）。

验证独立性：$P(Y=σ) = P(X=1,Y=σ) = 0.5×0.5=0.25$，而$P(X=1)×P(Y=σ)=0.5×0.25=0.125≠0.25$，显然X和Y不独立。

内容的提问来源于stack exchange，提问作者shmiggens