独立性

概述

独立性（Independence）是概率论中最核心的概念之一。它描述了两个或多个随机事件、随机变量之间”互不影响”的关系，是大数定律、中心极限定理等极限定理的核心前提条件。

---

一、随机事件的独立性

两个事件的独立性

事件独立

设 $A,B$ 为同一概率空间的两个事件，若 $P(AB)=P(A)P(B)$ 则称 $A$ 与 $B$ 相互独立。

等价条件

若 $P(B)>0$，则 $A$ 与 $B$ 独立 $\iff P(A|B)=P(A)$

多个事件的独立性

$n$ 个事件相互独立

称事件 $A_1,A_2,\cdots ,A_n$ 相互独立，若对任意子集 $\{i_1,\cdots ,i_k\}$（$k⩾2$）有： $P(A_{i_1}{A}_{i_2}\cdots A_{i_k})=P(A_{i_1})P(A_{i_2})\cdots P(A_{i_k})$

---

二、随机变量的独立性

定义

随机变量独立

设 $X_1,X_2,\cdots ,X_n$ 为随机变量，若对任意 $x_1,\cdots ,x_n\in \mathbb{R}$ 有： $F_{X_1,\cdots ,X_n}(x_1,\cdots ,x_n)=F_{X_1}(x_1)\cdots F_{X_n}(x_n)$ 则称 $X_1,\cdots ,X_n$ 相互独立。

离散型独立的等价条件

$P(X_1=x_1,\cdots ,X_n=x_n)=P(X_1=x_1)\cdots P(X_n=x_n)$

连续型独立的等价条件

$f_{X_1,\cdots ,X_n}(x_1,\cdots ,x_n)=f_{X_1}(x_1)\cdots f_{X_n}(x_n)$

---

三、独立性的判别方法

方法一：分布函数法

检查联合分布函数是否等于边际分布函数的乘积。

方法二：概率密度/质量函数法

离散型：检查联合 PMF 是否等于各 PMF 的乘积。

连续型：检查联合 PDF 是否等于各 PDF 的乘积。

方法三：不相关性检验

对于二维正态分布，不相关 $\iff$ 独立。

但注意：一般情况下，不相关 ≠ 独立。

---

四、独立性的运算性质

运算	性质
若 $A\perp B$，则 $A\perp B^c$	✅
若 $A\perp B$，则 $A^c\perp B^c$	✅
若 $A\perp B$ 且 $A\perp C$，且 $B\cap C=\varnothing$，则 $A\perp (B\cup C)$	✅
独立随机变量的函数彼此独立	✅
独立随机变量之和的分布 = 卷积	✅

---

五、“两两独立” ≠ “相互独立”

常见误区

“两两独立”（每对事件独立）并不意味着”相互独立”（所有事件联合独立）。

典型例子：投掷两个骰子，定义事件：

• $A_1$ = “第一个骰子为奇数”
• $A_2$ = “第二个骰子为奇数”
• $A_3$ = “两个骰子之和为奇数”

可以验证：$A_1,A_2,A_3$ 两两独立，但 $P(A_1{A}_2{A}_3)\ne P(A_1)P(A_2)P(A_3)$。

---

六、相关章节

• 第一章 随机事件与概率 — 章节汇总
• 1.4 条件概率 — 独立性与条件概率的关系
• 随机变量 — 独立随机变量的定义
• 协方差与相关系数 — 不相关与独立的关系
• 大数定律 — 独立性的核心应用