事件的相互独立性：互不影响的两个事件

独立 vs 互斥：一对易混概念

关键区别：互斥事件（概率都正时）一定不独立——一个发生了，另一个就不能发生，恰恰互相影响。

典例精析

例 1（独立重复） 抛一枚硬币 3 次，求「三次都正面」的概率。

各次独立，$P=\frac{1}{2}\times \frac{1}{2}\times \frac{1}{2}=\frac{1}{8}$。

例 2（验证独立性） 从 52 张牌中抽一张，记 $A$「是红桃」、$B$「是 K」。判断是否独立。

$P(A)=\frac{13}{52}=\frac{1}{4}$，$P(B)=\frac{4}{52}=\frac{1}{13}$，$P(AB)=P(\text{红桃}K)=\frac{1}{52}$。

$P(A)P(B)=\frac{1}{4}\times \frac{1}{13}=\frac{1}{52}=P(AB)$

故 $A,B$ 相互独立——看似无关的直觉，要靠计算坐实。

辨析与提醒

• 独立要用公式验：不能凭「感觉无关」就断定独立，必须验证 $P(AB)=P(A)P(B)$。
• 放回独立、不放回不独立：这是抽样问题中最常见的判断依据。
• 独立才有乘法：求「同时发生」的概率，只有确认独立后才能直接相乘。

跨学段衔接

小学「可能性」感知「互不影响」；初中「两步试验的概率」用树状图处理独立情形；高中给出独立性的严格定义与乘法公式；大学「条件概率、贝叶斯」研究不独立时的关联。独立性是概率论中化繁为简的枢纽，也是统计建模最基本的假设。