{
  "id": "statistical-independence",
  "title": "统计独立性",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "统计独立性是指联合概率等于相应各个概率之积的性质。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "独立性",
    "概率独立性"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/statistical-independence/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/statistical-independence/",
      "json": "https://aiwiki.page/en/statistical-independence.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "统计独立性是事件或随机变量之间的一种关系：有关其中一个的信息不会改变另一个的概率。在概率论中，独立性通过联合概率的乘积分解规则来定义，而不是依据物理上的分离或表面上不存在联系来判断。独立性是特定概率模型的一项性质，在统计学中具有核心地位，用于区分不存在依赖关系的模型与包含关联关系的模型。(ocw.mit.edu)"
    },
    {
      "heading": "事件的独立性",
      "text": "在概率空间 \\((\\Omega,\\mathcal F,P)\\) 上，若两个事件 \\(A\\) 和 \\(B\\) 满足\n\n\\[P(A\\cap B)=P(A)P(B),\\]\n\n则称它们相互独立。\n\n当 \\(P(B)>0\\) 时，这一定义等价于用条件概率表示的 \\(P(A\\mid B)=P(A)\\)。独立性具有对称性：只要相应的条件概率有定义，任何一个事件的发生都不会改变另一个事件的概率。即使某个事件的概率为零，乘积形式的定义仍然适用。(ocw.mit.edu)\n\n独立与互斥不同。互斥事件不能同时发生；如果两个事件的概率均为正，它们的交集概率为零，而各自概率的乘积为正，因此它们并不独立。例如，“掷一次骰子得到一点”和“掷一次骰子得到两点”是互斥事件，而不是独立事件。相比之下，在两次独立抛掷公平硬币的模型中，两次均为正面的概率为 \\(1/2\\times1/2=1/4\\)。将两个独立事件中的任意一个替换为其补事件，仍然保持独立性。(online.stat.psu.edu)"
    },
    {
      "heading": "随机变量的独立性",
      "text": "如果对于任意一对博雷尔集 \\(S,T\\)，两个实值随机变量 \\(X\\) 和 \\(Y\\) 都满足\n\n\\[P(X\\in S,Y\\in T)=P(X\\in S)P(Y\\in T),\\]\n\n则称它们相互独立。\n\n等价地，这两个变量生成的σ代数相互独立。这种表述不要求存在密度，适用于离散、连续和混合型概率分布。(ocw.mit.edu)\n\n独立变量的联合概率分布是各自边缘分布的乘积。对于离散变量，其概率质量函数满足\n\n\\[p_{X,Y}(x,y)=p_X(x)p_Y(y).\\]\n\n如果存在联合概率密度函数，则独立性等价于 \\(f_{X,Y}(x,y)=f_X(x)f_Y(y)\\) 几乎处处成立。另一个等价判据使用累积分布函数：\n\n\\[F_{X,Y}(x,y)=F_X(x)F_Y(y)\\]\n\n对所有实数 \\(x,y\\) 成立。这些条件涉及整个分布，而不只是选定的某些矩或取值。(online.stat.psu.edu)"
    },
    {
      "heading": "两两独立与相互独立",
      "text": "如果一个集合中的每一对成员都相互独立，则称它们两两独立。相互独立是更强的条件：每一个有限子集都必须满足相应的乘积规则。对于事件 \\(A_1,\\ldots,A_n\\)，这意味着\n\n\\[P\\!\\left(\\bigcap_{i\\in J}A_i\\right) =\\prod_{i\\in J}P(A_i)\\]\n\n对指标集合的每个非空子集 \\(J\\) 都成立。仅检验各个事件对，或仅检验全部事件的交集，都不足以确定相互独立性。对于无限集合，相互独立性同样通过所有有限子集来定义。(online.stat.psu.edu)\n\n一个典型例子是取相互独立、以相等概率取 0 或 1 的二元变量 \\(X,Y\\)，并令 \\(Z=X\\oplus Y\\)，其中 \\(\\oplus\\) 表示异或。每一对变量都相互独立，但这三个变量并非相互独立：知道 \\(X\\) 和 \\(Y\\) 就能确定 \\(Z\\)。例如，\\(P(X=0,Y=0,Z=0)=1/4\\)，而三个边缘概率的乘积为 \\(1/8\\)。这些概率可以直接由 \\((X,Y)\\) 的四个等可能取值算出。(ocw.mit.edu)"
    },
    {
      "heading": "独立性、协方差与信息",
      "text": "具有有限二阶矩的独立变量，其协方差为零；因此，当两个变量的方差都为正时，它们的皮尔逊相关关系系数也为零。特别地，它们的期望值满足 \\(E[XY]=E[X]E[Y]\\)。反过来通常不成立，因为协方差衡量的是线性关联，而非所有形式的依赖关系。(online.stat.psu.edu)\n\n例如，设 \\(X\\) 在 \\([-1,1]\\) 上服从均匀分布，且 \\(Y=X^2\\)。由对称性可得 \\(E[X]=E[X^3]=0\\)，因此 \\(\\operatorname{Cov}(X,Y)=0\\)，尽管 \\(Y\\) 完全由 \\(X\\) 决定。一个值得注意的例外是多元正态分布：联合服从正态分布的变量，若协方差为零，则相互独立。各个边缘分布分别为正态分布，并不能保证联合分布为正态分布。(online.stat.psu.edu)\n\n在信息论中，互信息通过下式刻画独立性：\n\n\\[I(X;Y)=D_{\\mathrm{KL}}(P_{X,Y}\\,\\|\\,P_X\\otimes P_Y).\\]\n\n这里的KL散度用于比较联合分布与各边缘分布的乘积。互信息为零当且仅当变量相互独立，因此它能够识别协方差可能无法发现的非线性依赖关系。(ocw.mit.edu)"
    },
    {
      "heading": "条件独立",
      "text": "条件独立是指条件分布中的独立性。对于概率为正的事件 \\(C\\)，有\n\n\\[P(A\\cap B\\mid C)=P(A\\mid C)P(B\\mid C).\\]\n\n一般而言，无条件独立与条件独立并不能相互推出。在上述二元异或例子中，尽管 \\(X\\) 和 \\(Y\\) 无条件独立，但给定 \\(Z=0\\) 后，它们必然相等。条件独立关系也为概率图模型提供了所使用的因子分解结构。(ocw.mit.edu)"
    },
    {
      "heading": "根据数据评估独立性",
      "text": "数学模型中的独立性是精确的，而根据经验数据进行评估则涉及抽样不确定性。对于分类变量，统计假设检验通常使用皮尔逊独立性卡方检验。在列联表中，独立性假设下的期望频数等于对应的行合计乘以列合计，再除以样本量。观测频数与这些期望频数的偏差决定了检验统计量。(online.stat.psu.edu)\n\n在满足检验假定的前提下，较小的P值提供了反对独立性假设的证据。未能拒绝该假设并不意味着已经确立了严格的独立性；这只表示，在所选的显著性水平下，现有数据尚未提供足够证据表明存在依赖关系。(online.stat.psu.edu)"
    }
  ],
  "links": [
    "random-variable",
    "probability",
    "statistics",
    "probability-space",
    "conditional-probability",
    "sigma-algebra",
    "probability-distribution",
    "joint-probability-distribution",
    "probability-mass-function",
    "probability-density-function",
    "cumulative-distribution-function",
    "exclusive-or",
    "covariance",
    "correlation",
    "expected-value",
    "multivariate-normal-distribution",
    "information-theory",
    "mutual-information",
    "kullback-leibler-divergence",
    "conditional-independence",
    "probabilistic-graphical-model",
    "statistical-hypothesis-testing",
    "p-value"
  ],
  "sources": [
    {
      "title": "ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/5ba99e3803701c…",
      "url": "https://ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/5ba99e3803701c145f1d06c26dcf61b8_MIT6_436JF18_lec03.pdf"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson05",
      "url": "https://online.stat.psu.edu/stat414/Lesson05"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson17",
      "url": "https://online.stat.psu.edu/stat414/Lesson17"
    },
    {
      "title": "ocw.mit.edu/courses/6-441-information-theory-spring-2016/5d8f16adc3385c9ff2975b…",
      "url": "https://ocw.mit.edu/courses/6-441-information-theory-spring-2016/5d8f16adc3385c9ff2975b121bd620e4_MIT6_441S16_course_notes.pdf"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson18",
      "url": "https://online.stat.psu.edu/stat414/Lesson18"
    },
    {
      "title": "ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/09ea15bdc…",
      "url": "https://ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/09ea15bdcd65f91318c38285884983f9_MITRES_6_012S18_L03.pdf"
    },
    {
      "title": "online.stat.psu.edu/statprogram/reviews/statistical-concepts/chi-square-tests",
      "url": "https://online.stat.psu.edu/statprogram/reviews/statistical-concepts/chi-square-tests"
    },
    {
      "title": "online.stat.psu.edu/stat200/Lesson11",
      "url": "https://online.stat.psu.edu/stat200/Lesson11"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}