1 基本定义
1.1 事件与样本空间
在概率论中，样本空间是随机试验所有可能结果组成的集合，而事件则是样本空间中的一个子集。一次试验中是否满足某个条件，可以用事件来表示。例如，掷一次骰子时，“点数为偶数”就是一个事件。独立事件的讨论，正建立在样本空间与事件的基础之上。
1.2 独立事件的直观理解
如果两个事件之间彼此没有“影响关系”，那么常说它们是独立的。直观地看，一个事件发生与否，不会让另一个事件更容易发生或更不容易发生。比如，两次相互独立的抛硬币结果，通常就可以看作互不影响。
1.3 数学定义
1.3.1 两个事件的独立
设事件A与事件B，若A发生不会改变B发生的概率，并且B发生也不会改变A发生的概率，则称A与B独立。常用的等价表述是 P(A∩B)=P(A)P(B)。 这一定义刻画的是事件同时发生的概率与各自概率之间的乘积关系。
1.3.2 多个事件的独立
对于三个或更多事件，独立性需要满足更强的条件。除任意两个事件之间满足独立外，还要求任意若干事件同时发生的概率，等于这些事件概率的乘积。也就是说，多个事件的独立不是简单的“两两不影响”，而是所有组合层面都不相互制约。
1.4 条件概率视角
1.4.1 以条件概率表述独立性
| 若P(B)>0，当P(A | B)=P(A)时，可说明在B已发生的前提下，A的概率没有改变。此时A与B独立。反过来，若P(A)>0且P(B | A)=P(B)，也同样成立。 |
|---|
1.4.2 概率不变性的含义
条件概率不变，意味着已知某一事件发生的信息，并没有提供关于另一事件的新影响因素。概率值保持稳定，是独立性的核心特征之一。因此，独立可理解为“信息不改概率”。
2 相关性质
2.1 独立性的判定条件
2.1.1 乘法公式
若A与B独立，则P(A∩B)=P(A)P(B)。这不仅是判定独立性的常用依据，也是在计算联合概率时最直接的方法之一。若乘积关系不成立，则二者不独立。
2.1.2 条件概率等式
| 当P(B)>0时，若P(A | B)=P(A)，便可判定A与B独立。该条件与乘法公式本质等价，只是表达角度不同。实际解题中，可根据已知数据灵活选用。 |
|---|
2.2 独立事件与互斥事件
2.2.1 概念区别
互斥事件强调“不能同时发生”，即A∩B为空；独立事件强调“彼此不影响”，即发生概率不变。这两个概念并不相同。若两个非平凡事件既互斥又独立，通常会导致概率上的矛盾。
2.2.2 特殊情形下的关系
在某些退化情形中，例如其中一个事件概率为0，或者某个事件必然发生，独立与互斥可能出现表面上的兼容。但在一般讨论中，二者通常被视为不同的关系类型，不能混用。
2.3 独立事件的闭包性质
2.3.1 事件的补事件
若A与B独立，则A的补事件Aᶜ也与B独立。原因在于B发生时，A发生与不发生的概率之和为1，而A的概率稳定性会传递到补事件上。这一性质在推导复杂事件时很常用。
2.3.2 并事件与交事件
若A与B独立，且C与它们分别满足一定独立条件，则A∪B、A∩B等复合事件在某些结构下也可保持可计算性。不过，并事件和交事件是否独立，需要依据具体条件判断，不能仅凭形式推断。
2.4 多个事件的独立关系
2.4.1 两两独立
若在一组事件中，任意两个事件都彼此独立，则称它们两两独立。两两独立是较弱的要求，只检查成对关系，计算和验证都较方便。
2.4.2 相互独立
相互独立要求更严格：任意选取若干事件，其联合概率都等于各自概率的乘积。三事件以上时，两两独立未必推出相互独立，因此在多事件问题中要特别注意区分。
3 常见例子
3.1 抛硬币
3.1.1 单次抛掷的独立性
一次抛硬币中，“正面”与“反面”是互斥结果，但如果讨论的是不同次试验中的结果，则各次抛掷通常视为相互独立。前一次出现什么面，不会影响下一次的物理概率。
3.1.2 多次抛掷的序列
连续抛掷两次硬币，“第一次正面且第二次反面”的概率，等于两次各自概率的乘积。正因为各次结果独立，才能把序列事件拆分为若干简单事件来处理。
3.2 掷骰子
3.2.1 不同掷掷之间的独立
每次掷骰子的结果，若骰子性质稳定且试验条件一致，通常可视为独立。第一次掷出的点数不会改变第二次的概率分布。
3.2.2 点数事件的组合
例如“第一次掷出6，第二次掷出偶数”，可以利用独立性分别计算两个事件的概率，再求乘积。若改为同一次掷骰中“点数为2”和“点数为4”，则它们是互斥而非独立的情形。
3.3 抽取与放回
3.3.1 有放回抽样
抽取后放回，意味着每次抽取后总体组成不变，因此下一次抽取的概率保持相同。此时各次抽样常被建模为独立事件，适合使用乘法公式。
3.3.2 无放回抽样的对比
无放回抽样会改变剩余样本的结构，前一次抽到什么会影响后一次的概率，因此通常不独立。这个对比很好地说明，独立性与试验机制密切相关。
3.4 生活中的随机现象
3.4.1 简化模型中的独立假设
在实际建模中，人们常将一些复杂系统近似看作独立，例如把多次小概率故障视为相互独立，以便估计总体风险。这种做法能显著简化分析。
3.4.2 独立假设的适用范围
独立假设并非总是成立，尤其在存在共同环境、连锁反应或信息传递时，事件之间往往会产生关联。因此，实际使用前通常需要检验假设是否合理。
4 计算方法
4.1 乘法法则
4.1.1 两事件概率计算
若A与B独立，则P(A∩B)=P(A)P(B)。这一公式是计算联合概率的基础，在题目给出单个事件概率时尤为方便。
4.1.2 多事件联合概率
对于相互独立的多个事件，其联合发生概率等于各自概率的连乘。若涉及多个步骤或多个来源的随机因素，常借此进行分解计算。
4.2 利用条件概率求解
4.2.1 已知一个事件发生时的概率
| 当题目给出P(A | B)与P(A)相等，可直接判断A与B独立。若不相等，则说明B的发生改变了A的概率分布，从而不独立。 |
|---|
4.2.2 反向验证独立性
有时可先根据条件概率求出P(A∩B)，再与P(A)P(B)比较。若二者一致，就能验证独立性。这种方法常用于选择题或证明题中。
4.3 独立性的反证思路
4.3.1 构造反例
若怀疑两个事件并不独立，可以通过具体样本空间构造反例。例如，在有限集合中直接列出事件元素，计算联合概率与乘积是否相等。
4.3.2 验证不满足条件
只要找到一个不满足乘法公式或条件概率等式的情形，即可说明它们不独立。这类验证往往比直接证明独立更容易。
5 应用领域
5.1 概率模型构建
5.1.1 事件分解
独立性使复杂问题可以拆成若干简单部分分别处理，再组合得到总体结果。尤其在多步骤试验中，事件分解非常常见。
5.1.2 简化复杂系统
在系统分析中，若各组件可近似视为独立，整体失效概率、成功概率或联合状态都更容易计算。这种简化能提升模型的可操作性。
5.2 统计学中的独立性
5.2.1 变量独立与事件独立
随机变量独立是事件独立的推广。若两个随机变量独立，则由它们取值构成的相关事件通常也具有独立结构。二者在统计推断中都十分重要。
5.2.2 随机试验设计
在实验设计中，尽量让观测之间彼此独立，有助于保证统计结论更稳定。若样本存在明显依赖，估计和检验结果可能会受到影响。
5.3 风险分析与决策
5.3.1 联合风险估计
当多个风险因素被假设为独立时，可以较方便地估计同时发生的总风险。例如，多项小概率事件的联合影响，常通过独立模型进行近似。
5.3.2 概率估算中的假设使用
独立假设在风险估算中很常见，但应结合场景审慎使用。若现实中存在共因或联动机制，直接套用独立模型可能导致结果偏差。
6 易混淆概念
6.1 独立与不相关
6.1.1 概念层面的区别
不相关通常指变量之间线性关系为零，而独立则要求分布层面没有影响。前者是较弱的描述，后者更强。因而“不相关”并不必然推出“独立”。
6.1.2 数学上的联系
在某些特定条件下，例如某些正态分布情形，不相关可以推出独立。但这属于特殊结论，不能在一般概率问题中随意推广。
6.2 独立与对立
6.2.1 对立事件的定义
对立事件是指两个事件中必有一个发生且不可能同时发生，通常记作A与Aᶜ。它描述的是完整划分关系，而不是相互影响关系。
6.2.2 与独立事件的比较
对立事件天然互斥，因此除极特殊情况外，不会与独立事件混为一谈。独立关注概率是否改变，对立关注结果是否互补，二者逻辑不同。
6.3 独立与条件独立
6.3.1 条件独立的引入
条件独立是指在给定某个条件后，两个事件或变量之间表现为独立。它常用于更复杂的分层结构中，例如在已知背景信息后再判断关系。
6.3.2 与普通独立的区别
普通独立是不加条件的全局关系；条件独立则是在特定信息已知时成立。一个系统可能在总体上相关，但在控制某个因素后呈现条件独立。
7 扩展内容
7.1 随机变量的独立性
7.1.1 离散随机变量
离散随机变量独立，意味着它们联合分布可分解为边缘分布的乘积。对应到事件层面，就是由变量取值形成的事件之间满足独立结构。
7.1.2 连续随机变量
连续随机变量独立时，其联合密度函数在适当条件下可写成边缘密度的乘积。与离散情形类似，核心仍是“一个变量不改变另一个变量的分布”。
7.2 独立同分布
7.2.1 概念组成
独立同分布通常写作i.i.d.，表示一组随机变量既相互独立，又服从相同的分布。它是概率论与数理统计中的重要基础结构。
7.2.2 在统计建模中的意义
许多经典统计模型默认样本来自独立同分布总体。这个假设使得参数估计、抽样理论和大样本分析都能建立在统一框架之上。
7.3 常见定理与公式
7.3.1 独立事件的概率乘积公式
若A与B独立，则P(A∩B)=P(A)P(B)。这是独立事件最常见的公式，也是后续各种推导的起点。
7.3.2 多事件独立的推广
若多个事件相互独立，则它们任意组合的交集概率都可写成对应概率的连乘。该推广在复杂试验、序列分析和联合风险评估中都非常实用。