独立性

Abstract

独立性（Independence）描述两个事件之间”互不影响”的关系：一个事件的发生与否不改变另一个事件发生的概率。独立性是概率论中最核心的结构性假设之一，它极大地简化了联合概率的计算，是伯努利试验等概率模型的理论基础。

定义

两个事件的独立性

设 $E$ 和 $F$ 是样本空间 $S$ 上的两个事件。若满足 $P(E\cap F)=P(E)\cdot P(F)$ 则称 $E$ 和 $F$ 是独立事件（independent events）。

等价条件（当 $P(F)>0$ 时）： $P(E\mid F)=P(E)$

即：$F$ 的发生不改变 $E$ 发生的概率。对称地，当 $P(E)>0$ 时也有 $P(F\mid E)=P(F)$。

两两独立与相互独立

设 $E_1,E_2,\dots ,E_n$ 是 $n$ 个事件：

两两独立（Pairwise Independent）：任意两个事件独立，即对所有 $i\ne j$， $P(E_i\cap E_j)=P(E_i)\cdot P(E_j)$

相互独立（Mutually Independent）：任意子集的交集概率等于各事件概率的乘积，即对任意 $1\le i_1<i_2<\cdots <i_k\le n$， $P(E_{i_1}\cap E_{i_2}\cap \cdots \cap E_{i_k})=P(E_{i_1})\cdot P(E_{i_2})\cdots P(E_{i_k})$

重要：相互独立 $\Rightarrow$ 两两独立，但两两独立 $\nRightarrow$ 相互独立。

独立事件的概率计算

若 $E_1,E_2,\dots ,E_n$ 相互独立，则：

• 全部发生的概率： $P(E_1\cap E_2\cap \cdots \cap E_n)={\prod }_{i=1}^{n}P(E_i)$
• 全部不发生的概率： $P({\bar{E}}_1\cap {\bar{E}}_2\cap \cdots \cap {\bar{E}}_n)={\prod }_{i=1}^{n}P({\bar{E}}_i)={\prod }_{i=1}^n(1-P(E_i))$
• 至少一个发生的概率： $P\left({\bigcup }_{i=1}^n{E}_i\right)=1-{\prod }_{i=1}^n(1-P(E_i))$

核心性质

编号	性质名称	数学表达	说明
1	独立与条件概率等价	$P(E\cap F)=P(E)P(F)\iff P(E\mid F)=P(E)$（$P(F)>0$）	独立意味着条件概率等于无条件概率
2	补事件独立性	$E$ 与 $F$ 独立 $\iff$ $E$ 与 $\bar{F}$ 独立 $\iff$ $\bar{E}$ 与 $F$ 独立	独立性在取补运算下保持
3	独立事件的交	$E$ 与 $F$ 独立且 $E$ 与 $G$ 独立 $\nRightarrow$ $E$ 与 $(F\cap G)$ 独立	两两独立不能自动推广
4	必然/不可能事件	若 $P(E)=0$ 或 $P(E)=1$，则 $E$ 与任意事件独立	概率为 0 或 1 的事件与一切事件独立
5	互斥与独立的关系	若 $P(E)>0$ 且 $P(F)>0$，则 $E$ 与 $F$ 互斥 $\Rightarrow$ $E$ 与 $F$ 不独立	互斥事件（概率均正时）不是独立事件
6	相互独立可分解	相互独立的事件组中，任意子集也相互独立	相互独立具有”遗传性”

关系网络

graph LR
    A[独立性] --> B[条件概率]
    A --> C[概率]
    A --> D[伯努利试验]
    A --> E[两两独立]
    A --> F[相互独立]
    E -.->|不蕴含| F
    F -->|蕴含| E
    D --> G[二项分布]
    D --> H[重复独立试验]
    B --> I[乘法规则]
    I -->|独立时简化| J["P(E∩F) = P(E)P(F)"]

章节扩展

• 第7.2节：独立性的定义、判定与应用
• 第7.2节：伯努利试验 — 独立重复试验的最重要模型
• 第7.4节：独立随机变量的期望与方差性质（$E(XY)=E(X)E(Y)$）

补充

独立性不传递

独立性不具有传递性：即使 $E$ 与 $F$ 独立，$F$ 与 $G$ 独立，也不能推出 $E$ 与 $G$ 独立。

反例：设均匀掷两枚公平硬币，定义事件：

• $E$ = 第一枚为正面
• $F$ = 两枚结果相同
• $G$ = 第二枚为正面

可以验证 $E$ 与 $F$ 独立，$F$ 与 $G$ 独立，但 $E$ 与 $G$ 也独立（此例恰好三者两两独立）。然而通过构造更复杂的例子，可以找到 $E$ 与 $F$ 独立、$F$ 与 $G$ 独立，但 $E$ 与 $G$ 不独立的情形。

两两独立不蕴含相互独立的经典反例

设均匀掷一枚公平骰子，定义事件：

• $E_1$ = 结果为 $\{1,2,3,4\}$（偶数或 1、3）
• $E_2$ = 结果为 $\{1,3,5,6\}$
• $E_3$ = 结果为 $\{1,2,5,6\}$

可以验证 $P(E_1)=P(E_2)=P(E_3)=2/3$，且 $P(E_i\cap E_j)=1/3=(2/3{)}^2$，故两两独立。 但 $P(E_1\cap E_2\cap E_3)=P(\{1\})=1/6\ne (2/3{)}^3=8/27$，故不相互独立。

参见

• 条件概率 — 独立性的定义依赖于条件概率的概念
• 概率 — 独立性是概率乘法简化的前提
• 伯努利试验 — 独立性假设下的核心概率模型