统计独立性

统计独立性 (Statistical Independence)

统计独立性 (Statistical Independence) 是概率论与数理统计中的核心概念，用于描述两个或多个随机事件之间不存在任何相互影响的关系。若两个事件统计独立，则一个事件的发生与否不会改变另一个事件发生的概率。这一概念是构建概率模型和统计推断方法的基础。

数学定义

设 $(\Omega, \mathcal{F}, P)$ 为一概率空间，事件 $A, B \in \mathcal{F}$。若满足

则称事件 $A$ 与 $B$ 相互独立。当 $P(B) > 0$ 时，独立性等价于 $P(A|B) = P(A)$，即已知 $B$ 发生不改变 $A$ 的概率。对于多个事件 $A_1, \dots, A_n$，它们相互独立当且仅当对任意子集有

该条件严格强于两两独立。经典反例是伯恩斯坦悖论：三个事件每两两独立但三者并不相互独立。

随机变量的独立性

设随机变量 $X$ 与 $Y$ 的联合分布函数为 $F_{X,Y}(x,y)$。若对任意实数 $x, y$ 均有

则称 $X$ 与 $Y$ 相互独立。对于连续型随机变量，等价条件是联合概率密度函数可分解为边缘密度函数的乘积：$f_{X,Y}(x,y) = f_X(x) \cdot f_Y(y)$。

独立性具有若干重要性质：若 $X$ 与 $Y$ 独立，则对任意可测函数 $\varphi$ 和 $\psi$，$\varphi(X)$ 与 $\psi(Y)$ 也独立；独立随机变量的期望满足 $E[XY] = E[X]E[Y]$，故协方差 $\text{Cov}(X, Y) = 0$。

独立与不相关

独立必然推出不相关（协方差为零），但反之不成立。不相关仅表明线性关系不存在，而独立要求任何形式的依赖关系均不存在。例如，设 $X \sim N(0, 1)$，令 $Y = X^2$，则 $\text{Cov}(X, Y) = 0$，但 $Y$ 完全由 $X$ 决定，二者显然不独立。一个重要例外是：对于联合正态分布的随机变量，不相关与独立等价。

条件独立性

给定随机变量 $Z$ 时，若 $X$ 与 $Y$ 条件独立，则联合条件分布满足 $F_{X,Y|Z}(x,y|z) = F_{X|Z}(x|z) \cdot F_{Y|Z}(y|z)$。条件独立性在图模型、贝叶斯网络和因果推断中扮演核心角色。例如，在马尔可夫链中，当前状态给定后未来与过去条件独立，这是马尔可夫链蒙特卡洛方法的基础。

常见误区

一个常见误解是将互斥事件与独立事件混淆。若 $A \cap B = \varnothing$ 且 $P(A), P(B) > 0$，则 $P(A \cap B) = 0 \neq P(A)P(B)$，故互斥事件必然不独立。另一个误区是认为独立意味着变量之间毫无联系。例如，冰淇淋销量与溺水事故高度相关，但这由夏季高温这一共同原因驱动，控制温度后二者可能条件独立。理解这些区别有助于正确应用统计方法，避免得出误导性结论。