向量值随机变量的随机独立性推导及相关独立性问题求证

嘿，我来帮你梳理这两个关于随机向量独立性的问题，都是概率论里基础但关键的内容：

1. 推导向量值随机变量的随机独立性 #

我们先从大家熟悉的实值随机变量独立性入手，再自然推广到向量的情况。

对于两个实值随机变量 $X$ 和 $Y$，它们独立的核心定义是：不管你取什么样的实数 $a,b$，都满足

$P(X \leq a, Y \leq b) = P(X \leq a)P(Y \leq b)$

现在把这个逻辑扩展到向量值场景：假设我们有一个 $k$ 维随机向量 $\boldsymbol{X} = (X_1,X_2,...,X_k)$，还有一个 $m$ 维随机向量 $\boldsymbol{Y} = (Y_1,Y_2,...,Y_m)$。我们说这两个向量随机独立，当且仅当对任意的 $k$ 维实数向量 $\boldsymbol{a}=(a_1,...,a_k)$ 和 $m$ 维实数向量 $\boldsymbol{b}=(b_1,...,b_m)$，都满足：

$P(\boldsymbol{X} \leq \boldsymbol{a}, \boldsymbol{Y} \leq \boldsymbol{b}) = P(\boldsymbol{X} \leq \boldsymbol{a})P(\boldsymbol{Y} \leq \boldsymbol{b})$

这里的 $\boldsymbol{X} \leq \boldsymbol{a}$ 是“分量-wise”的条件，意思是每个 $X_i$ 都小于等于对应的 $a_i$（$i=1,...,k$），$\boldsymbol{Y} \leq \boldsymbol{b}$ 同理。

如果从测度论的深度推导，这个定义等价于：由 $\boldsymbol{X}$ 生成的 $\sigma$-代数 $\sigma(\boldsymbol{X})$，和由 $\boldsymbol{Y}$ 生成的 $\sigma$-代数 $\sigma(\boldsymbol{Y})$ 是独立的。简单说就是，只要是从 $\boldsymbol{X}$ 衍生出来的事件（属于 $\sigma(\boldsymbol{X})$），和从 $\boldsymbol{Y}$ 衍生出来的事件（属于 $\sigma(\boldsymbol{Y})$），它们发生的概率都满足乘积法则：$P(A \cap B) = P(A)P(B)$，其中 $A \in \sigma(\boldsymbol{X})$，$B \in \sigma(\boldsymbol{Y})$。

为什么能这样等价？因为 $\sigma(\boldsymbol{X})$ 就是由所有形如 ${\boldsymbol{X} \leq \boldsymbol{a}}$ 的集合“生成”出来的 $\sigma$-代数，根据测度扩张定理，只要在这些生成集合上满足独立条件，整个 $\sigma$-代数里的事件都满足。

另外，如果这两个向量的联合概率密度存在的话，独立性还有个更直观的等价条件：联合密度函数 $f_{\boldsymbol{X},\boldsymbol{Y}}(\boldsymbol{x},\boldsymbol{y})$ 等于 $\boldsymbol{X}$ 的边缘密度 $f_{\boldsymbol{X}}(\boldsymbol{x})$ 乘以 $\boldsymbol{Y}$ 的边缘密度 $f_{\boldsymbol{Y}}(\boldsymbol{y})$，对几乎所有的 $(\boldsymbol{x},\boldsymbol{y})$ 都成立。

2. 判断随机向量$(X_1,X_2)$与$(X_3,X_4)$是否独立（附证明） #

直接给结论：$(X_1,X_2)$和$(X_3,X_4)$是完全独立的，下面一步步给你证明：

已知 $X_1,X_2,X_3,X_4$ 是相互独立的实值随机变量，我们只需要验证向量独立性的核心定义就行：对任意的实数 $a_1,a_2,a_3,a_4$，证明

$P(X_1 \leq a_1, X_2 \leq a_2, X_3 \leq a_3, X_4 \leq a_4) = P(X_1 \leq a_1, X_2 \leq a_2)P(X_3 \leq a_3, X_4 \leq a_4)$

首先，因为 $X_1,X_2,X_3,X_4$ 相互独立，根据多个实值随机变量独立的定义，联合概率可以拆成各个变量边缘概率的乘积：
$$
P(X_1 \leq a_1, X_2 \leq a_2, X_3 \leq a_3, X_4 \leq a_4) = P(X_1 \leq a_1)P(X_2 \leq a_2)P(X_3 \leq a_3)P(X_4 \leq a_4)
$$

再看等式右边，因为 $X_1$ 和 $X_2$ 独立，所以 $P(X_1 \leq a_1, X_2 \leq a_2) = P(X_1 \leq a_1)P(X_2 \leq a_2)$；同理，$X_3$ 和 $X_4$ 独立，所以 $P(X_3 \leq a_3, X_4 \leq a_4) = P(X_3 \leq a_3)P(X_4 \leq a_4)$。把这两个结果相乘，右边就变成了：
$$
P(X_1 \leq a_1)P(X_2 \leq a_2)P(X_3 \leq a_3)P(X_4 \leq a_4)
$$

你看，左边和右边完全相等，完美满足向量值随机变量独立的定义，所以 $(X_1,X_2)$ 和 $(X_3,X_4)$ 是独立的。

如果用 $\sigma$-代数的角度理解也很简单：$\sigma(X_1,X_2)$ 是由 $X_1,X_2$ 生成的所有事件的集合，$\sigma(X_3,X_4)$ 是由 $X_3,X_4$ 生成的所有事件的集合。因为所有 $X_i$ 相互独立，这两个 $\sigma$-代数是独立的，对应的随机向量自然也独立。

内容的提问来源于stack exchange，提问作者Sebastian