独立事件

独立事件 (Independent Events)

独立事件（Independent Events）是概率论中最基本的概念之一，描述两个或多个事件之间"互不影响"的统计关系。直观上，若事件 $A$ 的发生与否不会改变事件 $B$ 发生的概率，则称 $A$ 与 $B$ 相互独立。

定义与等价条件

对概率空间 $(\Omega, \mathcal{F}, P)$ 中的两个事件 $A, B \in \mathcal{F}$，若满足：

则称 $A$ 与 $B$ 相互独立（mutually independent）。该定义可等价表述为：当 $P(B) > 0$ 时，$P(A \mid B) = P(A)$；或当 $P(A) > 0$ 时，$P(B \mid A) = P(B)$。这三种表述在数学上等价，但乘法形式 $P(A \cap B) = P(A)P(B)$ 因不含条件概率分母为零的限制而成为标准定义。

事件独立性的一个重要推论是：若 $A$ 与 $B$ 独立，则 $A$ 与 $B^c$、$A^c$ 与 $B$、$A^c$ 与 $B^c$ 也分别独立。这意味着独立性在补运算下封闭。

独立与互斥的区别

独立事件与互斥事件是极易混淆的两个概念。若 $A$ 与 $B$ 互斥（$A \cap B = \varnothing$），则 $P(A \cap B) = 0$。除非 $P(A) = 0$ 或 $P(B) = 0$，否则 $P(A)P(B) \neq 0$，因此两个概率为正的互斥事件必然不独立。事实上，互斥意味着 $A$ 发生则 $B$ 必然不发生——这是最强的依赖关系之一。独立描述的是概率上的无关性，而互斥描述的是集合上的不相交性，两者不可混淆。

两两独立与相互独立

对于三个及以上事件的集合，需要区分两两独立（pairwise independence）与相互独立（mutual independence）。设事件 $A_1, A_2, \dots, A_n$：

• 两两独立：对任意 $i \neq j$，$P(A_i \cap A_j) = P(A_i)P(A_j)$。
• 相互独立：对任意子集 $\{i_1, \dots, i_k\} \subseteq \{1, \dots, n\}$，有 $P(A_{i_1} \cap \cdots \cap A_{i_k}) = P(A_{i_1}) \cdots P(A_{i_k})$。

两两独立不蕴含相互独立。经典反例（Bernstein, 1928）：投掷一枚均匀四面体骰子，面分别为 $\{a, b, c, abc\}$。定义事件 $A = \{a, abc\}$、$B = \{b, abc\}$、$C = \{c, abc\}$，则 $P(A) = P(B) = P(C) = 1/2$，且 $P(A \cap B) = P(\{abc\}) = 1/4 = P(A)P(B)$，同理 $A$ 与 $C$、$B$ 与 $C$ 两两独立。但 $P(A \cap B \cap C) = 1/4 \neq P(A)P(B)P(C) = 1/8$，三者并不相互独立。

条件独立

给定事件 $C$（$P(C) > 0$），若 $P(A \cap B \mid C) = P(A \mid C) P(B \mid C)$，则称 $A$ 与 $B$ 条件独立（conditionally independent）于 $C$。边缘独立不保证条件独立，反之亦然，两者之间无必然蕴含关系。条件独立是贝叶斯网络和图模型的理论基石。

在计量经济学中的应用

独立事件是随机抽样理论的基础：若每次抽取是独立的，样本的联合分布可分解为边缘分布的乘积，从而构造似然函数。在假设检验中，检验统计量常假设观测值独立；在回归分析中，误差项的独立性是高斯-马尔可夫定理的核心假设之一。违背独立性假设（如序列相关）需借助Newey-West标准误或聚类标准误进行修正。