为何独立随机变量的条件期望具备该性质？附文献推导参考

AI 小北

2026-5-19

关于独立随机变量条件期望性质的解释

这是个很关键的概率理论问题，我们可以结合独立性和富比尼定理来一步步拆解这个结论：

首先先明确完整的结论表述（结合你提到的专著内容补充完整）：
设$f: \mathcal{X}^n \to \mathbb{R}$为可测函数（$\mathcal{X}$为某可测空间），$X_1, \dots, X_n$为取值于$\mathcal{X}$的独立随机变量，则有：
$$\mathbb{E}[f(X_1, \dots, X_n)| X_1, \dots, X_i] = \int_{\mathcal{X}^{n-i}} f(X_1, \dots, X_i, x_{i+1}, \dots, x_n) \prod_{j=i+1}^n \mathbb{P}_{X_j}(dx_j)$$

核心推导逻辑

1. 先锚定条件期望的定义

条件期望$\mathbb{E}[f(X_1,\dots,X_n)|X_1,\dots,X_i]$本质是一个关于$X_1,\dots,X_i$的可测函数，它需要满足：对任意由$X_1,\dots,X_i$生成的可测集合$A$，都有
$$\int_A \mathbb{E}[f(X_1,\dots,X_n)|X_1,\dots,X_i] d\mathbb{P} = \int_A f(X_1,\dots,X_n) d\mathbb{P}$$

2. 利用独立性拆分测度

因为$X_{i+1},\dots,X_n$与$X_1,\dots,X_i$相互独立，所以整个联合概率测度可以拆分为边缘测度的乘积：
$$\mathbb{P}{X_1,\dots,X_n} = \mathbb{P}{X_1,\dots,X_i} \times \mathbb{P}{X{i+1},\dots,X_n}$$
而$\mathbb{P}{X{i+1},\dots,X_n}$又可以进一步拆成单个变量边缘测度的乘积$\prod_{j=i+1}^n \mathbb{P}_{X_j}$。

3. 用富比尼定理交换积分顺序

根据富比尼定理（要求积分绝对可积，这在$f$可测且满足适当可积性条件下成立），我们可以把联合积分拆成两步：先固定$X_1,\dots,X_i$的值，对$X_{i+1},\dots,X_n$的取值空间积分，再对$X_1,\dots,X_i$的取值空间积分：
$$\int_A f(X_1,\dots,X_n) d\mathbb{P} = \int_A \left( \int_{\mathcal{X}^{n-i}} f(X_1,\dots,X_i,x_{i+1},\dots,x_n) d\mathbb{P}{X{i+1},\dots,X_n}(x_{i+1},\dots,x_n) \right) d\mathbb{P}_{X_1,\dots,X_i}$$

对比条件期望的定义，不难发现括号里的积分正好就是满足要求的可测函数——它完全由$X_1,\dots,X_i$决定，并且符合积分等式的要求，这就证明了我们的结论。