如何证明N个互不相关的联合复高斯随机变量统计独立？

没问题，我来一步步帮你捋清楚这个证明过程——其实核心思路和实高斯的情况类似，但因为是复变量，得先把几个关键定义掰扯明白，咱们慢慢来：

首先得对齐几个关键概念，不然推导容易乱：

• 联合复高斯随机变量：假设咱们有N个复随机变量 $Z_k = X_k + jY_k$，其中每个 $X_k$、$Y_k$ 都是实随机变量。如果把所有实部和虚部拼起来的向量 $[X_1,Y_1,X_2,Y_2,...,X_N,Y_N]^T$ 服从实多元高斯分布，那这N个Z就是联合复高斯变量。
• 互不相关的复随机变量：对任意两个不同的变量 $Z_i$ 和 $Z_k$（$i≠k$），它们的互协方差为0，也就是 $\text{Cov}(Z_i,Z_k) = \mathbb{E}[(Z_i - \mathbb{E}[Z_i])(Z_k^* - \mathbb{E}[Z_k]^*)] = 0$。这里的共轭很重要，是复随机变量协方差的标准定义。

复变量的分布不好直接处理，咱们把它拆成实部虚部的联合分布，这是突破口：

1. 先做中心化简化
   令 $\tilde{Z}_k = Z_k - \mathbb{E}[Z_k] = \tilde{X}_k + j\tilde{Y}_k$，其中 $\tilde{X}_k = X_k - \mathbb{E}[X_k]$，$\tilde{Y}_k = Y_k - \mathbb{E}[Y_k]$。中心化之后，所有 $\tilde{X}_k$、$\tilde{Y}_k$ 的均值都是0，对应的实向量 $\tilde{\mathbf{V}} = [\tilde{X}_1,\tilde{Y}_1,...,\tilde{X}_N,\tilde{Y}_N]^T$ 就是一个零均值的实多元高斯向量。

2. 写出实多元高斯的联合概率密度
   零均值实多元高斯的PDF长这样：
   $$f_{\tilde{\mathbf{V}}}(\mathbf{v}) = \frac{1}{(2\pi)^{{N}|\boldsymbol{\Sigma}|}{1/2}} \exp\left( -\frac{1}{2} \mathbf{v}^T \boldsymbol{\Sigma}^{-1} \mathbf{v} \right)$$
   这里 $\boldsymbol{\Sigma}$ 是实向量 $\tilde{\mathbf{V}}$ 的协方差矩阵，$|\boldsymbol{\Sigma}|$ 是它的行列式。

3. 用“互不相关”条件拆解协方差矩阵
   因为 $Z_i$ 和 $Z_k$ 互不相关（$i≠k$），把互协方差的定义展开：
   $$\text{Cov}(Z_i,Z_k) = \mathbb{E}[\tilde{Z}_i \tilde{Z}_k^*] = \mathbb{E}[(\tilde{X}_i + j\tilde{Y}_i)(\tilde{X}_k - j\tilde{Y}_k)] = 0$$
   把这个式子拆成实部和虚部，两者都必须等于0：

   • 实部：$\mathbb{E}[\tilde{X}_i\tilde{X}_k] + \mathbb{E}[\tilde{Y}_i\tilde{Y}_k] = 0$
   • 虚部：$\mathbb{E}[\tilde{Y}_i\tilde{X}_k] - \mathbb{E}[\tilde{X}_i\tilde{Y}_k] = 0$

   这里还要提一下，咱们通常说的复高斯默认是循环对称的（这是复高斯最常见的场景，题目里的联合复高斯一般也满足这个），循环对称意味着 $\mathbb{E}[\tilde{Z}_i \tilde{Z}_k] = 0$，展开后又能得到两个条件：

   • $\mathbb{E}[\tilde{X}_i\tilde{X}_k] - \mathbb{E}[\tilde{Y}_i\tilde{Y}_k] = 0$
   • $\mathbb{E}[\tilde{X}_i\tilde{Y}_k] + \mathbb{E}[\tilde{Y}_i\tilde{X}_k] = 0$

   把这两组条件结合起来，就能推出：
   $$\mathbb{E}[\tilde{X}_i\tilde{X}_k] = \mathbb{E}[\tilde{Y}_i\tilde{Y}_k] = \mathbb{E}[\tilde{X}_i\tilde{Y}_k] = \mathbb{E}[\tilde{Y}_i\tilde{X}_k] = 0$$
   这说明，实向量 $\tilde{\mathbf{V}}$ 里的所有分量（各个实部和虚部）之间都是互不相关的！

4. 实高斯的关键性质：互不相关=统计独立
   对于实多元高斯变量，互不相关就直接等价于统计独立。这意味着协方差矩阵 $\boldsymbol{\Sigma}$ 是对角矩阵——只有对角线上有非零元素（对应每个分量的方差），其他位置都是0。

5. 联合PDF分解成边缘PDF的乘积
   当协方差矩阵是对角阵时，实多元高斯的联合PDF可以直接拆成各个分量联合PDF的乘积：
   $$f_{\tilde{\mathbf{V}}}(\mathbf{v}) = \prod_{k=1}^N f_{\tilde{X}_k,\tilde{Y}_k}(\tilde{x}_k,\tilde{y}k)$$
   而每个 $f{\tilde{X}_k,\tilde{Y}_k}$ 就是单个复高斯变量 $\tilde{Z}_k$ 对应的实部虚部联合PDF，也就是单个复高斯变量的PDF（转成实变量形式）。

6. 还原到原变量，结论成立
   中心化是线性变换，不会改变变量之间的独立性，所以原变量 $Z_1,Z_2,...,Z_N$ 自然也是统计独立的。

• 这个结论只在联合复高斯的前提下成立！如果只是每个变量单独是复高斯，但联合起来不是，那互不相关不一定能推出独立——这和实高斯的规则完全一致。
• 如果是非循环对称的复高斯，推导过程会稍微调整，但核心思路还是把复变量转成实多元高斯来处理，本质逻辑不变。

内容的提问来源于stack exchange，提问作者LumosMaxima