--- tags: [数学一, 在学练习, 概率论, 多维随机变量, 独立性] 专题: 概率论 第3讲 · 点4 随机变量的独立性 日期: 2026-11-07 状态: 知识点带题(4.1 三种等价说法、4.2 可分离与矩形支撑、4.3 独立与不相关,共 3 题) 关联笔记: ["[[README]]", "[[01-知识点盘点]]"] --- # 点 4 随机变量的独立性 > 真题锚点:2016·22、2022·10、2024·9(都以"第一问判独立"出现)|重要度 ★★★ > 依赖:点 1—点 3 的边缘与条件。盘点对应:§4 全节。 **组织原则**:先立三种等价说法(定义层),再练判据(技术层),最后辨析"独立 vs 不相关"(概念层)。这三层顺序不能乱——判据是从定义推出来的,不相关是独立的一个**必要条件**。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2 题。 ## 知识点 4.1 三种等价说法(出处:[知识章 §8.1、§8.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex)) $$X\perp Y\iff F(x,y)=F_X(x)F_Y(y)\ \forall x,y\iff f(x,y)=f_X(x)f_Y(y)\ (\text{a.e.})\iff p_{ij}=p_{i\cdot}p_{\cdot j}\ \forall i,j .$$ **含义**:独立是"**联合分布被两个边缘完全决定**"。所以判独立永远只需要比"联合"与"边缘之积"。 **三条常用推论**: 1. 若 $X\perp Y$ ,则 $g(X)\perp h(Y)$ 对任意(可测)函数成立; 2. 若 $X\perp Y$ 且 $E$ 存在,则 $E(XY)=EX\cdot EY$ (**逆命题不成立**); 3. $n$ 个变量相互独立 $\iff$ 联合密度 $=\prod f_{X_i}$ ,且**任意分组后仍独立**。 ## 知识点 4.2 判据:可分离 + 支撑矩形(出处:[知识章 §8.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex)) **连续型三步**: 1. 把 $f(x,y)$ 写成 $g(x)h(y)$ 的形状(**只看表达式,不看区域**); 2. 检查支撑集能否写成 $x\in I_1$ 、$y\in I_2$ 的**矩形**(端点为常数或 $\pm\infty$ ); 3. 归一化:$f_Xf_Y=g h\cdot GH$ ,而 $GH=1$ ,故 $f_Xf_Y=f$ 。 **核心判据(一步定生死)**: > **支撑不是矩形 $\Rightarrow$ 一定不独立**,无论 $f$ 能不能分离。 反过来:**$f$ 不能分离 $\Rightarrow$ 一定不独立**,无论支撑是不是矩形。两条合起来:**独立 $\iff$ 可分离 且 支撑矩形**。 ## 知识点 4.3 独立与不相关(出处:[知识章 §9](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex)) $$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY,\qquad \rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX\cdot DY}} .$$ | | 定义 | 强度 | |---|---|---| | 独立 | $f=f_Xf_Y$ (**全部分布信息**) | 强 | | 不相关 | $\rho=0$ ,即 $E(XY)=EX\,EY$ (**只有二阶信息**) | 弱 | **结论链**:独立 $\Rightarrow$ 不相关(要求二阶矩存在);反之不成立,**唯一例外是二维正态**。 **标准反例族**:$X\sim U(-1,1)$ 、$Y=X^2$ (偶函数型);$X\sim U(-1,1)$ 、$Y=\lvert X\rvert$ 。两者都因对称性使 $E(XY)=0$ ,但 $Y$ 由 $X$ 完全决定。 --- ## 题目(按知识点顺序对应) ### 题 1 · 4.1:三种说法的一致性(★☆☆) > 判断下列说法是否正确: > > (Ⅰ)若 $X$ 与 $Y$ 独立,则 $X^2$ 与 $\mathrm e^{Y}$ 独立; > (Ⅱ)若 $E(XY)=EX\cdot EY$ ,则 $X$ 与 $Y$ 独立; > (Ⅲ)若 $f(x,y)=f_X(x)f_Y(y)$ 在**除一条直线外**处处成立,则 $X$ 与 $Y$ 独立; > (Ⅳ)若 $X$ 与 $Y$ 独立且同分布,则 $P\{X **关联** · 盘点 [§4.1 三种等价说法](01-知识点盘点.md#user-content-41-三种等价说法) | 上游 — | 下游 — | 速查 [五 判独立两步](09-速查卡.md#user-content-五-判独立两步) --- ### 题 2 · 4.2:可分离却仍不独立(★★☆) > 设 $(X,Y)$ 的联合密度为 > > $$f(x,y)=\begin{cases}8xy,&0 > (Ⅰ)验证它是密度; > (Ⅱ)求 $f_X(x)$ 、$f_Y(y)$ ; > (Ⅲ)判断 $X$ 与 $Y$ 是否独立,并说明"$8xy$ 看起来能分离"为什么不足以判独立; > (Ⅳ)求 $P\left\{Y<\frac X2\right\}$ 。 **怎么想**:$8xy=(8x)\cdot y$ ,形式上确实分离。但支撑 $0 **关联** · 盘点 [§4.2 判据:可分离 + 支撑矩形](01-知识点盘点.md#user-content-42-判据可分离--支撑矩形) | 上游 — | 下游 — | 速查 [五 判独立两步](09-速查卡.md#user-content-五-判独立两步) --- ### 题 3 · 4.3:不相关但不独立的反例(★★☆) > 设 $X\sim U(-1,1)$ ,$Y=X^2$ 。 > > (Ⅰ)求 $EX$ 、$EY$ 、$E(XY)$ 与 $\operatorname{Cov}(X,Y)$ ; > (Ⅱ)判断 $X$ 与 $Y$ 是否不相关、是否独立; > (Ⅲ)举出一个"独立但不相关"以及一个"相关"的例子,说明三者的层次关系。 **怎么想**:(Ⅰ)$Y$ 是 $X$ 的偶函数,$E(XY)=E(X^3)$ 在对称区间上是 $0$ 。(Ⅱ)不相关成立,但独立性要用**事件**去否定:找一个"$Y$ 被 $X$ 完全决定"的显著事件。(Ⅲ)整理层次:独立 $\Rightarrow$ 不相关,反向与"相关"各给一例。 **解**: **(Ⅰ)** $X$ 的密度为 $\frac12$ ($-11/2\}$ 与 $\{Y<1/4\}$ : $$P\left\{X>\frac12,\ Y<\frac14\right\}=P\left\{X>\frac12,\ \lvert X\rvert<\frac12\right\}=0 .$$ 而 $$P\left\{X>\frac12\right\}=\frac{1-\frac12}{2}=\frac14,\qquad P\left\{Y<\frac14\right\}=P\left\{\lvert X\rvert<\frac12\right\}=\frac12,$$ 乘积 $\frac14\cdot\frac12=\frac18\ne0$ ,故不独立。 (直观看:知道 $X>\frac12$ 就必然知道 $Y>\frac14$ ,信息完全传递,所以不独立。) **(Ⅲ)** 三组例子: | 关系 | 例子 | 判据 | |---|---|---| | 独立(必不相关) | $X\sim N(0,1)$ 、$Y\sim N(0,1)$ 独立 | $f=f_Xf_Y$ | | 不相关但不独立 | 本题 $Y=X^2$ | $\operatorname{Cov}=0$ 但 $f\ne f_Xf_Y$ | | 相关(必不独立) | $Y=X$ | $\operatorname{Cov}=DX>0$ | **唯一例外**:若 $(X,Y)$ 服从**二维正态**,则不相关 $\iff$ 独立(点 3 题 4 已用)。 **带走结论**:**独立是"分布层",不相关是"二阶层"**。二阶层的信息量小,所以"不相关"能推出的结论少得多。考场上看到"不相关"三个字,先问一句:**是不是二维正态?** 不是,就不能换成独立。 > **关联** · 盘点 [§4.3 独立与不相关](01-知识点盘点.md#user-content-43-独立与不相关) | 上游 — | 下游 — | 速查 [六 独立与不相关](09-速查卡.md#user-content-六-独立与不相关) --- ### 题 4 · 4.4:独立同分布的四条推论(★★☆) > 设 $X$ 与 $Y$ 相互独立,都服从 $E(1)$ ,令 $M=\max\{X,Y\}$ 、$m=\min\{X,Y\}$ 。 > > (Ⅰ)求 $X+Y$ 的密度,并说明它为什么不是 $E(1)$ ; > (Ⅱ)求 $f_M(x)$ 与 $EM$ ; > (Ⅲ)求 $Em$ ,并验证 $EM+Em=EX+EY$ ; > (Ⅳ)说明"可加性"为什么只对"和"成立,对 $\max$ 不成立。 **怎么想**:独立同分布的三条推论各用一次:**卷积(和)**、**$F^n$ (最大)**、**$1-(1-F)^n$ (最小)**。第(Ⅲ)问的恒等式是"最大值与最小值之和等于两变量之和",即 $M+m=X+Y$ 。 **解**: **(Ⅰ)** 卷积: $$f_{X+Y}(z)=\int_0^z\mathrm e^{-x}\mathrm e^{-(z-x)}\,\mathrm dx=z\mathrm e^{-z},\qquad z>0 .$$ 这是 $\Gamma(2,1)$ 的密度($\dfrac{z^{2-1}\mathrm e^{-z}}{\Gamma(2)}$ )。**它与 $E(1)$ 完全不同**:$E(1)$ 的密度是 $\mathrm e^{-z}$ ,在 $z=0$ 处取最大值;而 $z\mathrm e^{-z}$ 在 $z=0$ 处为 $0$ ,峰值移到 $z=1$ 。 **(Ⅱ)** $F(x)=1-\mathrm e^{-x}$ ,故 $F_M=F^2$ : $$F_M(x)=\left(1-\mathrm e^{-x}\right)^2,\qquad f_M(x)=2\left(1-\mathrm e^{-x}\right)\mathrm e^{-x}\quad(x>0).$$ $$EM=\int_0^{+\infty}x\cdot2\left(1-\mathrm e^{-x}\right)\mathrm e^{-x}\,\mathrm dx=2\left(1-\frac14\right)=\frac32 .$$ (分项积:$\int_0^{+\infty}x\mathrm e^{-x}\mathrm dx=1$ ,$\int_0^{+\infty}x\mathrm e^{-2x}\mathrm dx=\frac14$ 。) **(Ⅲ)** $F_m=1-(1-F)^2=1-\mathrm e^{-2x}$ ,即 $m\sim E(2)$ ,故 $$Em=\frac12 .$$ $$EM+Em=\frac32+\frac12=2=EX+EY\ ✓$$ 恒等式的来源:**$M+m=X+Y$ 逐点成立**(两个数中较大的加较小的等于两者之和),取期望即得。 **(Ⅳ)** 可加性来自**卷积**——卷积只处理"相加"这种线性运算。$\max$ 是非线性的:$\max\{x,y\}+\max\{x',y'\}\ne\max\{x+x',y+y'\}$ ,所以不存在"最大值分布 $=$ 两者分布相加"这种结论,只能回到 $F^n$ 去算。 **验算**:$m\sim E(2)$ 的结论可独立验证:$P\{m>x\}=P\{X>x\}P\{Y>x\}=\mathrm e^{-2x}$ ✓(这正是指数分布的"最小值仍是指数"性质)。 **带走结论**:**独立同分布只会带来三件礼物**:卷积(和)、$F^n$ (最大)、$1-(1-F)^n$ (最小)。**别指望它给"差的分布"或"商的分布"**——那两个要重新算。 > **关联** · 盘点 [§4.4 独立同分布的可加结论](01-知识点盘点.md#user-content-44-独立同分布的可加结论) | 上游 — | 下游 — | 速查 [十 最值](09-速查卡.md#user-content-十-最值) ---