1 独立の基本概念
1.1 事象の独立の定義
1.1.1 条件付き確率を用いた定義
事象 \(A\) と \(B\) が独立であるとは、事象 \(A\) の成否を知っても、\(B\) の起こりやすさに変化がないことを意味する。標準的には \[ \Pr(B\mid A)=\Pr(B)\quad (\Pr(A)>0) \] または同値な形として \[ \Pr(A\mid B)=\Pr(A)\quad (\Pr(B)>0) \] が用いられる。ここで条件付き確率は「\(A\) が起こったと仮定したもとでの確率」を表し、独立はその値が仮定によって動かないという要請を課す。
1.1.2 積の形による定義
独立の別表現として、事象 \(A\) と \(B\) が独立であることは \[ \Pr(A\cap B)=\Pr(A)\Pr(B) \] と書き表せる。直観的には「同時に起こる確率が、個別に起こる確率の積になる」ことに対応する。確率が定義される標本空間上で、積の形は計算上の扱いやすさから頻繁に採用される。
1.2 確率変数における独立
1.2.1 組の独立（複数変数の独立）
複数の確率変数が独立であるとは、各変数が取りうる値に関する情報が他方に影響しない状態を言う。具体的には確率変数 \(X\) と \(Y\) について、任意の実数（または適切な集合） \(S,T\) に対して \[ \Pr(X\in S,\; Y\in T)=\Pr(X\in S)\Pr(Y\in T) \] が成り立つことを求める。これは「どのように値の範囲を選んでも、同時に該当する確率が積に分解される」ことを意味し、事象レベルの独立を変数レベルに拡張した考え方である。
1.2.2 部分集合としての独立
確率空間上に存在する多数の確率変数 \(X_1,\dots,X_n\) について、添字の集合を分けたときの独立が問題になることがある。例えば集合 \(I\) と \(J\) が互いに素で、残りの集合とともに全体が分割される状況で、「\(\{X_i\}_{i\in I}\) と \(\{X_j\}_{j\in J}\) が独立」を定義する。定式化では、各部分集合に属する変数が誘導する事象（それぞれの値が特定の集合に入ること）同士が独立になることを要求する。結果として、全体の構造を保ちながら局所的な独立性を表現できる。
2 等価な条件と性質
2.1 等価な判定基準
2.1.1 条件付き確率の一致
事象の独立では、条件付き確率が「情報追加により変化しない」点が核となる。\(\Pr(A)>0\) の下で \[ \Pr(B\mid A)=\Pr(B) \] が成り立てば独立である。逆に、この一致が成り立つことが独立の定義として扱えるため、検証では条件付き確率の計算結果と無条件確率の比較を行うことができる。条件付き確率が定義できない場合（例えば \(\Pr(A)=0\)）は別表現へ切り替えるのが一般的である。
2.1.1.1 一方の情報が他方の確率を変えないこと
独立の実質は「一方を観測しても、他方の事象の起こり方に対する確信度が同じまま」になる点にある。たとえば観測対象が増えるにもかかわらず、条件付き確率が同じ数値に留まるなら、その観測は確率的な意味で他方へ情報を与えていないと解釈できる。こうした性質を、数式の等式として表すのが定義である。
2.1.2 因子分解（積の確率）
積の条件 \[ \Pr(A\cap B)=\Pr(A)\Pr(B) \] は独立性を判定する代表的な基準である。さらに確率変数の独立でも、任意の値集合に対して「同時の確率が積に分解される」という形に一般化される。実務では、同時確率（あるいは結合分布）を計算し、それが個別の確率（周辺分布）に分解できるかを確認することで独立を判断することが多い。
2.2 関係する概念との違い
2.2.1 無相関と独立の違い
無相関は主に二次的な関係（共分散）に基づく概念であり、独立とは一致しない場合がある。例えば確率変数が線形相関を持たないとしても、非線形の依存が存在すれば独立ではないことがある。独立は共分散ゼロより強い条件であり、「あらゆる事象の組に対して確率が積に分解される」ことを要求する点が決定的に異なる。統計学の文脈では、無相関を独立と見なすのが誤りになりやすいため注意が必要である。
2.2.2 排反と独立の違い
排反（両立しない）とは \(A\cap B=\varnothing\) を意味し、その場合は \[ \Pr(A\cap B)=0 \] となる。独立であるためには \(\Pr(A)\Pr(B)=0\) が同時に必要であり、一般には成り立たない。つまり排反は「同時に起きない」という性質であり、独立は「同時に起こる確率が個別の積で決まる」という性質であるため、方向性が異なる。例として、同時に起こらない二事象でも一方の確率が常に正なら独立にはなれない。
3 独立性の応用
3.1 確率計算での利用
3.1.1 積の法則の適用
独立が成立すると、複雑な同時確率が分解され、計算が単純化する。具体的には独立な事象 \(A_1,\dots,A_n\) について \[ \Pr\left(\bigcap_{k=1}^n A_k\right)=\prod_{k=1}^n \Pr(A_k) \] が得られる。逐次的に条件付き確率を用いる場合でも、独立性により条件が外れていくため、最終的に積の形へ落ち着く。これにより、分岐の多い確率木でも表現が簡潔になる。
3.1.2 和の分布・期待値への影響
独立は同時分布だけでなく、合成量の解析にも影響する。期待値については線形性により \[ \mathbb{E}[X+Y]=\mathbb{E}[X]+\mathbb{E}[Y] \] が成り立ち、独立そのものは必須でない。一方で、分散は \[ \mathrm{Var}(X+Y)=\mathrm{Var}(X)+\mathrm{Var}(Y)+2\mathrm{Cov}(X,Y) \] で決まるため、独立なら \(\mathrm{Cov}(X,Y)=0\) となり計算が簡潔になる。さらに分布そのものの形（和の分布）を求める場面では、独立のために畳み込み（離散なら和の畳み込み、連続なら密度の畳み込み）が現れる。これにより合成分布を体系的に構築できる。
3.2 代表的なモデルでの出現
3.2.1 独立同分布（概念の整理）
独立同分布は、同じ分布に従い、かつ互いに独立であるという性質を同時に要求する。独立性が「相互の影響がない」ことを表し、同分布性は「各試行の確率則が同一」であることを表す。反復試行をモデル化する際に自然に登場し、たとえばベルヌーイ試行の繰り返しでは各試行が同じ成功確率を持つと仮定できる。この組合せにより、合計回数の分布などが既知の形で記述されることが多い。
3.2.2 乱数生成や検定での考え方
乱数生成では、生成手順の出力が「理想的には独立で、分布も既知の形に従う」ことが望まれる。完全な独立は理想化であり、実装では相関が残る可能性があるため、統計的検定や自己相関の監視を通じて独立性の仮定が妥当かを確認する。検定の場面では、帰無仮説として「独立に近い振る舞い」を置くことがあり、観測されたデータがその仮定からどれだけ逸脱しているかを評価する枠組みとして用いられる。独立性はモデルの基盤になる一方で、前提が現実に合うかを別途検討する必要がある。
4 よくある誤解と注意点
4.1 「独立」と「相関」を混同する誤り
独立と相関（または共分散）は別物である。相関がゼロでも独立とは限らず、非線形な依存が隠れている場合がある。逆に、相関があるからといって独立が否定されるのは正しいが、相関ゼロで独立と結論するのは誤りになりやすい。独立を主張するなら、少なくとも二次以上を含むより強い条件、あるいは定義に基づく判定基準に従うことが必要である。
4.2 条件付き独立の誤用
条件付き独立は「ある情報（媒介する変数や事象）が与えられたとき、残りの部分は独立」という形で定義される。しかし条件を誤って選ぶと、成り立たない独立を暗黙に主張してしまう。さらに、条件の与え方によって独立性が現れたり消えたりすることがあるため、どの事実を背景知識として固定しているのかを明確にすることが重要である。特にデータ解析では「調整した変数」を取り違えると、因果的な解釈と整合しない結果を招くことがある。
4.3 排反を独立と勘違いするケース
排反は同時発生が不可能という強い条件であり、独立とは一般に両立しない。独立で排反が起こりうるのは一方の確率がゼロ、または確率積がゼロになる特殊な状況に限られる。したがって「同時に起きないから独立」と判断するのは根拠不足である。確率を伴う定義に戻り、積の条件が満たされるかどうかを点検するのが安全である。
4.4 実データでの独立性の扱い（限界と注意）
実データから独立性を主張する場合、観測誤差やサンプルサイズの影響が避けられない。有限標本では真の独立性を完全に検証できず、多くは「独立であるように見える」という近似として評価される。検定を行うなら有意水準や検出力の影響を理解し、独立性が支持されないことが直ちに「強い依存がある」ことを意味するわけではない点にも注意が要る。また、独立性は前提モデルの一部なので、依存を無視した推論が偏りを生む可能性も考慮される。モデル選択や頑健性の確認を通じて、仮定の妥当性を段階的に確認する姿勢が求められる。