📖 赌徒谬误：独立最著名的翻车现场 1913 年 8 月 18 日，蒙特卡洛赌场的一张轮盘桌上，黑色一连开了 26 次。赌客们发疯般地押红色——理由听起来很「合理」：黑都连开这么多次了，红色「该来了」，否则概率对不上。当晚赌场大赚，赌客损失惨重。错在哪里？轮盘没有记忆，每一次旋转都是全新的一次，P(红) 始终是 18/38（欧式轮盘），第 27 次开红的概率与第 1 次毫无区别。「连续 26 次黑」确实罕见（概率约五十万分之一），但「罕见的事已经发生」不会给未来附加任何补偿——独立意味着世界不欠任何人一次红色。把「长期频率稳定」误解为「短期必须找齐」，就是经典的赌徒谬误（gambler's fallacy）；反过来相信「连赢的手气会延续」（热手谬误），是同一个硬币的另一面错法。两种谬误共同的病根：都拒绝承认「每次试验真的互不影响」。
🎯 本章学习目标
- 理解「独立」的直觉：一个事件的发生不影响另一个的概率。
- 记住独立的数学定义 P(AB)=P(A)P(B)，并知道它和条件概率的关系。
- 彻底分清「独立」与「互斥」——为什么概率非零的两个事件不可能既独立又互斥。
- 理解「两两独立」与「相互独立」的区别。
- 会用独立性简化「重复独立试验」的概率计算。
5.1独立性的直觉：互不影响
先体会「独立」的直觉。
抛一枚硬币两次。设 A =「第一次是正面」，B =「第二次是正面」。请问：第一次的结果，会影响第二次吗？
显然不会——硬币没有记忆。无论第一次是正是反，第二次正面朝上的概率都还是 1/2。用条件概率的语言说：
P(B|A) = P(B) = 1/2 （知道 A 发生，不改变 B 的概率）
这正是「独立」的含义：知道 A 发生了，对 B 的概率毫无影响。
反过来，如果两个事件不独立呢？比如「今天下雨」和「地面湿」。知道「今天下雨了」，会大大提高「地面湿」的概率——这两个事件就是「相关」的，不独立。
不过，「显然不会」四个字，值得再拆一层。我们凭什么说硬币没有记忆？凭的是频率证据：把「第一次是正面」的试验单独拿出来统计，第二次正面的频率约是 1/2；把「第一次是反面」的试验单独拿出来统计，第二次正面的频率还是约 1/2——两条条件频率曲线随着试验次数增多，都稳定在无条件频率 1/2 附近。用频率语言重写独立，就是这句话：条件频率 ≈ 无条件频率，且重复次数越多越接近。这给了独立一个可以动手检验的操作定义，而不是停留在「我觉得它没影响」的主观印象上。
这层区分在工程里性命攸关。工程上的独立从来不是「看起来没关系」，而是「设计出来的 + 验证出来的」。考虑一个典型教训：某液压系统配了两台油泵做冗余，设计者假设「两台泵独立失效」，算出双泵同坏的概率只有万分之一；但两台泵共用同一个油箱——一旦油箱被污染，两台泵同时报废。表面互不干扰的两台设备，暗中共享着同一个命运。可靠性工程把这类隐藏的共享渠道叫共因失效（common cause failure）：它像一根看不见的线，把「名义独立」的元件拴在一起。所以资深工程师看到「独立」二字的第一反应不是欢呼计算变简单，而是追问一句：独立的物理依据是什么？两个事件之间，真的没有共享的源头吗？发电机组分开供电、传感器分开布线、软件用不同团队分头开发——这些「物理隔离」手段，才是独立性假设背后的真正保障。
📐 例题 1 用数据检验独立性：两道检验工序
某车间对 1,000 个零件做两道独立设置的检验工序。工序一报告「合格」的有 900 个，工序二报告「合格」的有 800 个，两道都报告合格的有 720 个。以频率估计概率，检验工序一的结论 A 与检验工序二的结论 B 是否独立？
思路 独立性有两种等价检验法：一查 P(A∩B) 是否等于 P(A)·P(B)；二查条件概率 P(B|A) 是否等于 P(B)。用同一批数据各算一遍，互相印证。
解 由频率估计：P(A) = 900/1000 = 0.9，P(B) = 800/1000 = 0.8，P(A∩B) = 720/1000 = 0.72。方法一：P(A)·P(B) = 0.9 × 0.8 = 0.72 = P(A∩B) ✓。方法二：P(B|A) = 720/900 = 0.8，恰好等于 P(B) = 0.8 ✓。两法一致：A 与 B 独立。直观读数：在「工序一判合格」的 900 个零件里，工序二的合格率 80%，与整体合格率分毫不差——工序一的结论对工序二毫无预测力，这正是「互不影响」的数据画像。
答：P(A∩B) = 0.72 = P(A)·P(B)，且 P(B|A) = 0.8 = P(B)，两道工序的结论相互独立。 ⚠ 易错点：0.72 = 0.9 × 0.8 是「恰好」成立还是凑出来的？题中数据取自真实频率，频率只近似概率；严格说我们得到的是「与独立假设相容」，而非数学证明。工程上要下「独立」结论，通常还需卡方检验等统计手段，样本量越大结论越硬。
趁热打铁，把围绕「独立」最常见的三个误解一并钉死：
- 误解一：「独立 = 没有交集」。错。独立的两个事件不但可以同时发生，而且通常应该同时发生——P(A∩B)=P(A)P(B) 是个正数（只要双方概率非零）。独立说的是「交集的大小恰如乘积预期」，与「交集是否存在」无关。这正是下一节独立与互斥之争的伏笔。
- 误解二：「独立可以传递」——A 独立于 B、B 独立于 C，那 A 也独立于 C？不成立。反例：抛两枚硬币，B =「两枚结果不同」，A =「第一枚正面」，C =「第一枚反面」。验证：P(A∩B) = P(正,反) = 1/4 = (1/2)(1/2)，A⊥B ✓；同理 C⊥B ✓（这其实是「换对立推论」的实例——A 独立必带出 Ā 独立）；但 A 与 C 互斥，P(A∩C) = 0 ≠ 1/4，根本谈不上独立。独立性是「两两关系」，不沿链条传播。
- 误解三：「不独立就一定互相拖累」。不独立只说明「有信息」，信息的方向可正可负：知道 B 发生，A 的概率可能升（正相关，如「液压渗漏」与「系统压力低」），也可能降（负相关，如「今天检修停机」与「今天出现运行故障」）。独立的信息量为零，不独立只是说明信息量不为零，正负要另算。
核心思想 独立 = 一个事件的发生，不提供关于另一个事件的任何信息。数学上等价于：P(B|A) = P(B)（A 的发生不改变 B 的概率）。直觉上就是「互不影响」。
🧠 一句话记忆 独立 = 知道一个，对另一个毫无帮助。抛两次硬币就是独立的典范。
5.2独立性的定义
把直觉落成定义。设 A、B 是两个事件，若满足：
P(A∩B) = P(A) · P(B)
则称 A、B 相互独立（简称独立）。
为什么这样定义？
回顾乘法公式 P(A∩B) = P(A)·P(B|A)。如果 A、B 独立，那么 P(B|A) = P(B)，代入乘法公式，就得到 P(A∩B) = P(A)·P(B)。
反过来，若 P(A∩B) = P(A)·P(B) 成立，且 P(A) > 0，两边同除以 P(A)，就得到 P(B|A) = P(B)——「知道 A 不改变 B」。所以这个定义和「互不影响」的直觉完全等价。
独立的对称性与推论
独立性是对称的：若 A、B 独立，则 P(A|B) = P(A) 也成立（当 P(B)>0）。还有一条有用的推论：若 A、B 独立，则 A 与 B̄、Ā 与 B、Ā 与 B̄ 也都独立。也就是说，把任意一方换成它的对立事件，独立性保持不变。
推论的证明：为什么「换对立事件」不破坏独立
「若 A、B 独立，则 A 与 B̄ 也独立」不是一句需要背诵的规定，两行就能推出来。注意 A 可以拆成「A 且 B」与「A 且 B̄」两个互斥部分：
P(A∩B̄) = P(A) − P(A∩B) = P(A) − P(A)·P(B) = P(A)·(1 − P(B)) = P(A)·P(B̄)
第一步用了互斥拆分（A∩B 与 A∩B̄ 平分了 A），第二步代入独立条件，第三步提取公因子，最后认出 1−P(B) = P(B̄)。直觉上同样顺畅：「知道 A 不改变 B 的概率」，当然也就不改变「B 不发生」的概率——信息为零，是对整个 B 世界而言的。同理 Ā 与 B、Ā 与 B̄ 也独立，四个组合可以随意搭配。这条推论是后面并联系统公式 1−∏(1−pi) 的逻辑地基：算「至少一台正常」，正是把「全部失效」（各失效事件的交）用独立性展开成失效概率的乘积。
两个边界情形
定义式 P(A∩B)=P(A)P(B) 对任何事件都成立与否可判，包括零概率事件——这是它比条件概率版本 P(B|A)=P(B) 更强的地方。两个边界值得记住：其一，概率为 0 的事件与任何事件都独立：若 P(A)=0，则 P(A∩B) ≤ P(A) = 0，而 P(A)·P(B) = 0，两边都是 0，等式自动成立。其二，概率为 1 的事件（几乎必然事件）同样与一切事件独立。这两类「自动独立」并不是揭示了什么深层联系，而恰恰说明零概率事件「弱到提供不了任何信息」——谁也影响不了它，它也影响不了谁。这也预告了 5.3 节的关键结论：互斥与独立「除非零概率不能同时成立」，唯一的例外就藏在这里。
📐 例题 2 反直觉核查：「和的奇偶」与「是否掷出 6」竟然不独立
掷两颗骰子。A =「点数之和为偶数」，B =「至少有一颗是 6」。判断 A、B 是否独立，并用一句话解释背后的机制。
思路 两个事件听起来毫无瓜葛——「和的奇偶」是加法的事，「有没有 6」是单独点数的事，直觉强烈暗示独立。但直觉不算数，老老实实数样本点：P(A)、P(B)、P(A∩B) 各数一遍，检查 P(A∩B) 是否等于 P(A)P(B)。
解 两颗骰子共 36 个等可能样本点。和为偶数（两颗同奇偶）的点数：奇奇 9 个 + 偶偶 9 个 = 18 个，P(A) = 18/36 = 1/2。至少一颗 6：(6,1)～(6,6) 加 (1,6)～(5,6) 共 11 个，P(B) = 11/36。两者同时发生：含 6 且和为偶数，只有 (2,6)、(4,6)、(6,2)、(6,4)、(6,6) 共 5 个，P(A∩B) = 5/36。检验：P(A)·P(B) = (1/2)×(11/36) = 11/72 ≈ 0.153，而 P(A∩B) = 5/36 ≈ 0.139。5/36 = 10/72 ≠ 11/72，不独立。机制：6 是偶数，「至少一颗 6」悄悄把天平往「偶」的方向压——已知含 6 时，P(A|B) = 5/11 ≈ 0.455，比 P(A) = 0.5 反而降低了；若两颗中恰有一颗 6，另一颗必须也是偶数才能保住偶和，而另一颗是偶数的概率只有 1/2。
答：P(A∩B) = 5/36 ≠ 11/72 = P(A)·P(B)，A 与 B 不独立。 ⚠ 易错点：「看起来无关」和「独立」是两回事——独立必须算过才算数。另一个易错方向：算「至少一颗 6」时数出 12 个点（6,6 被数两遍），会得到 P(B)=1/3 的错误分母；含 6 的样本点只有 11 个。
再补一个「预告级」辨析，帮你在第 11 章到来之前打好预防针：独立 ≠ 不相关，独立比不相关严格得多。统计里的「相关」只度量线性关系的强弱，而独立度量的是一切关系的缺席。看一个反例：X 等可能取 −1、0、1，令 Y = X²。X 与 Y 明明有最铁的关系——Y 完全由 X 决定——但两者的「线性相关程度」恰好为零（正负贡献对称抵消）。比如 P(Y=1) = 2/3，而 P(Y=1 | X=0) = 0：知道 X=0 就断定 Y=0，信息量巨大，相关性却显示「无信号」。结论记住方向：独立 ⟹ 不相关，但不相关 ⇏ 独立——用「相关性为零」给独立性背书，是数据分析里常见的逻辑错误。
工程应用：独立性是整个可靠性工程的地基假设——第 8 章的二项分布、后面的系统可靠度公式，全都站在它上面。工程保证独立性的手段不是嘴上声明，而是物理隔离：关键系统用不同的供电母线、不同的液压源、不同批次的备件，让「一个出事」尽量无法牵连另一个。评审一份可靠性报告时，最高价值的问题往往是那句追问：「这两个 99% 的独立，是从哪里来的？」
核心思想 独立的定义 P(AB)=P(A)P(B) 看起来简单，但它同时抓住了两件事：「都发生」的概率 = 「各自概率」的乘积。这带来巨大的计算便利——只要确认独立，复杂事件的概率就能拆成简单概率相乘。
🧠 一句话记忆 独立 ⟺ P(AB) = P(A)·P(B) ⟺ P(B|A) = P(B)。三个说法是同一件事。
5.3独立 vs 互斥：最易混淆的一对
这是初学者最常踩的坑，我们专门用一节讲清楚。
| 对比项 | 互斥（不相容） | 独立 |
|---|---|---|
| 数学条件 | A ∩ B = ∅ | P(A∩B) = P(A)P(B) |
| 直觉含义 | 两个不能同时发生 | 一个发生不影响另一个 |
| 能否同时发生 | 不能 | 能（可以同时发生） |
| 信息关系 | A 发生 → B 必不发生（强相关） | A 发生 → B 概率不变（零相关） |
| 概率关系 | P(A∪B) = P(A) + P(B) | P(A∩B) = P(A) × P(B) |
一个关键结论
如果 A、B 的概率都不为零，那么互斥 ⟹ 不独立（反过来，独立 ⟹ 不互斥）。
道理很简单：若 A、B 互斥，则 P(A∩B) = 0；但 P(A)·P(B) > 0（因为两者概率都非零）。0 ≠ 正数，所以 P(A∩B) ≠ P(A)P(B)，即不独立。
用「信息量」把两个概念焊在一条轴上
独立和互斥之所以老被混，是因为它们都在描述「两个事件的关系」，但站在完全相反的两端。给它们装上同一把标尺——「知道 A 发生，能给 B 带来多少信息」——两个概念就再也不会粘在一起：
- 互斥是信息量的天花板：知道 A 发生，B 的概率直接跌到 0，一步到位、完全确定（信息量最大）。
- 独立是信息量的地板：知道 A 发生，B 的概率纹丝不动（信息量为零）。
- 现实中的绝大多数事件对，都住在这条轴的中间地带——相关但不互斥：知道「零件来自乙批」会让「零件是次品」的概率升高或降低一点，但既不会清零，也不会毫无变化。概率论后期登场的相关系数（第 11 章），就是给这段中间地带刻度的尺子。
顺着这条轴再看「互斥 ⟹ 不独立」就毫无悬念了：互斥事件的信息量是满格的，而独立要求信息量为零——满格当然不等于零。中文的「独立」二字自带「各干各的、互不干涉」的语感，初学者容易把「互不干涉」滑向「不能同时发生」，这是语言习惯挖的坑。给自己一个防御机制：每次写下「独立」之前，先在心里默念一遍英文 independent——「无信息」，而不是「无交集」。
📐 例题 3 掷一颗骰子：互斥、独立、相关三态齐全
掷一颗均匀骰子，考察三组事件：(1) A =「点数为偶数」，B =「点数为奇数」；(2) C =「点数大于 3」，D =「点数是完全平方数」（1 或 4）；(3) E =「点数大于 3」，F =「点数为奇数」。逐组判断：互斥吗？独立吗？
思路 每组都做三件事：看交是否为空（互斥判定），数 P、P(交)，比较 P(交) 与 P·P（独立判定）。判断框架固定，数字代入即可。
解 第 (1) 组：A∩B = ∅，互斥；P(A)P(B) = (1/2)(1/2) = 1/4 ≠ 0 = P(A∩B)，不独立——正样本信息满格。第 (2) 组：C∩D = {4} ≠ ∅，不互斥；P(C) = 1/2，P(D) = 2/6 = 1/3，P(C∩D) = 1/6；P(C∩D) = 1/6，恰好等于乘积 P(C)P(D) = 1/6，独立。第 (3) 组：E∩F = {5} ≠ ∅，不互斥；P(E)P(F) = (1/2)(1/2) = 1/4，而 P(E∩F) = 1/6 ≠ 1/4，也不独立——两事件「有交情、也有瓜葛」，正是中间地带。
答：(1) 互斥且不独立；(2) 不互斥但独立；(3) 既不互斥也不独立。 ⚠ 易错点：三组结果分别是「互斥不独立」「独立不互斥」「双不是」——可见互斥和独立互相推不出对方，只有「概率非零且互斥 ⟹ 不独立」这一条单向结论永远成立。另外第 (2) 组里 4 是偶数、1 是奇数，「大于 3」与「完全平方」恰好错开了奇偶的联动，独立纯属这两个定义的巧妙错位，不是普遍规律。
工程应用：「互斥不独立」在工程清单上随处可见。一台设备「本轮由 A 通道驱动」与「本轮由 B 通道驱动」互斥（同时只能一条通道工作），因此通道间强相关；而「今天设备过热」与「今天降雨」近似独立（分属不同因果链）。读技术文件时遇到「冗余互备」描述，先分清它说的是互斥切换（一条坏了换另一条，事件互斥）还是独立并行（同时工作互不影响，事件独立）——两者的可靠性公式完全不同，前者算条件切换成功率，后者才算并联乘积。
核心思想 互斥是「你发生我就不能发生」——恰恰是极强的关联（负相关），绝不是独立。很多人误以为「互斥 = 独立」，其实正好相反：互斥事件之间信息量极大（知道 A 发生，立刻知道 B 必不发生），这和「互不影响」背道而驰。
🧠 一句话记忆 互斥 = 有你没我（强相关）；独立 = 互不影响（零相关）。概率非零时，两者不可能同时成立。
5.4多个事件：两两独立与相互独立
独立的概念推广到三个及更多事件时，要格外小心，因为它有两个层次。
两两独立
若事件组中任意两个都独立，称它们两两独立。比如 A、B、C 两两独立，意味着：P(AB)=P(A)P(B)、P(AC)=P(A)P(C)、P(BC)=P(B)P(C) 三条都成立。
相互独立（真正意义的独立）
若任意子集的联合概率都等于各自概率的乘积，称它们相互独立。对三个事件，除了上面三条，还必须满足：
P(A∩B∩C) = P(A)·P(B)·P(C)
两者并不等价！
两两独立不一定是相互独立。有个经典反例：
抛两枚硬币，定义三个事件：A =「第一枚是正面」，B =「第二枚是正面」，C =「两枚结果相同」。可以验证，A、B、C 两两独立（任意两个都独立），但它们不相互独立：因为一旦知道 A、B 都发生（两枚都是正面），C 就必然发生，所以 P(C|A∩B) = 1 ≠ P(C) = 1/2。
📐 例题 4 亲手算穿「两两独立但不相互独立」的反例
抛两枚均匀硬币，样本点记作（第一枚, 第二枚），共 4 个等可能结果。A =「第一枚是正面」，B =「第二枚是正面」，C =「两枚结果相同」。逐一验证：A、B、C 是否两两独立？是否相互独立？
思路 把 4 个样本点的归属列成表，三个事件的概率与三个两两之交、一个三重交全部数出来，然后逐一对照「两两独立要 3 个等式、相互独立要 4 个」。
解 4 个样本点各占 1/4。A 含 (正,正)、(正,反)；B 含 (正,正)、(反,正)；C 含 (正,正)、(反,反)。先算单个：P(A) = P(B) = P(C) = 2/4 = 1/2。再算两两之交：A∩B = {(正,正)}，P = 1/4；A∩C = {(正,正)}，P = 1/4；B∩C = {(正,正)}，P = 1/4。对照乘积：(1/2)(1/2) = 1/4，三个等式全成立——两两独立 ✓。最后验三重交：A∩B∩C = {(正,正)}，P = 1/4；而三者的乘积 P(A)P(B)P(C) = (1/2)³ = 1/8。1/4 ≠ 1/8，相互独立 ✗。联动机制的另一种看法：P(C|A∩B) = 1——已知两枚都是正面，「两枚相同」已是被锁定的必然，远离无条件的 1/2。
答：P(A∩B) = P(A∩C) = P(B∩C) = 1/4 = 两两乘积，两两独立成立；但 P(A∩B∩C) = 1/4 ≠ 1/8 = P(A)P(B)P(C)，相互独立不成立。 ⚠ 易错点：反例的关节在于 C 的定义「绑定」了 A 与 B 的组合信息——单独看 A 或 B，C 是公平的 1/2；但 A、B 联手后就把它焊死成必然。三个「1/4 的交」共用同一个样本点 (正,正)，这是「两两乘积恰好成立、三重乘积失灵」的全部机关。
| 事件组合 | 样本点归属 | 概率 | 独立所需的乘积 | 判定 |
|---|---|---|---|---|
| P(A) | (正,正), (正,反) | 1/2 | — | — |
| P(A∩B) | (正,正) | 1/4 | P(A)P(B) = 1/4 | ✓ 独立 |
| P(A∩C) | (正,正) | 1/4 | P(A)P(C) = 1/4 | ✓ 独立 |
| P(B∩C) | (正,正) | 1/4 | P(B)P(C) = 1/4 | ✓ 独立 |
| P(A∩B∩C) | (正,正) | 1/4 | P(A)P(B)P(C) = 1/8 | ✗ 不独立 |
判断现实问题时，给「该用哪个档位的独立」准备一条决策路径：先问事件来源是否物理隔离（不同设备、不同批次、不同环境）——是，才允许套两两独立；再问组合之后有没有新的联动（定义里是否埋了「相同/一致」这类绑定性描述）——有，三重交必须单算，不许偷懒连乘。这条路径在后面学二项分布（第 8 章）与系统可靠度时还会反复出现。
从这个反例往外推两步，得到两条工程上天天用的性质。第一，相互独立 ⟹ 任意子集相互独立：既然「任意一堆」都满足概率相乘，从中随便抽两件、三件当然也满足——相互独立的事件族，怎么挑都独立。第二，相互独立的事件把其中任意几个换成对立事件，仍相互独立（5.2 节两事件版本的直接推广，证明思路相同：拆分—代入—提取公因子）。这条性质是并联可靠度公式的许可证：三台设备各自正常概率 p1, p2, p3，且「各自正常」相互独立，则「至少一台正常」= 1 − P(全部失效) = 1 − (1−p1)(1−p2)(1−p3)——把「正常」换成「失效」再相乘，全程合法。另外注意独立条件的数量随事件数指数增长：n 个事件相互独立，需要检查从 2 元到 n 元的全部组合等式，共 2ⁿ − n − 1 条（n=3 时 4 条，n=4 时 11 条）。数目暴涨正是「相互独立」是个强假设的另一个证据。
核心思想 「相互独立」比「两两独立」更强，因为前者要求任意数量的事件组合都满足「联合概率 = 各自概率相乘」。只有当事件确实来自「互不干扰的独立来源」时，才有真正的相互独立。
🧠 一句话记忆 两两独立看「任意两个」，相互独立看「任意一堆」。后者更难满足、更严格。
5.5独立重复试验的应用
独立性最实用的场景，是独立重复试验：同一个试验在相同条件下重复做 n 次，且每次结果互不影响。比如「抛硬币 n 次」「对同一批产品独立抽检 n 件」。
例题：至少一次成功
某道工序单次成功率是 0.8，独立地做 3 次，求「至少成功一次」的概率。
直接算「至少一次」比较麻烦（要算 1 次、2 次、3 次成功）。老办法——先算反面「三次全失败」。因为独立，每次失败概率 0.2，三次全失败概率 = 0.2 × 0.2 × 0.2 = 0.008。所以：
P(至少一次成功) = 1 − 0.008 = 0.992
看到了吗？单次成功率不算极高（0.8），但独立重复 3 次后，至少成功一次的概率逼近 99%。这背后的直觉是：独立重复让「失败」变得很难持续——每次失败都会继续给下一次机会。
为什么独立性让计算变简单
如果没有独立，算「三次全失败」必须用链式法则一步步算条件概率，还要考虑前面结果对后面的影响。一旦确认独立，P(全失败) = P(失败)³，乘法代替了复杂的条件概率链。这就是独立性最大的价值。
先把「独立重复试验」正式化
同一试验在相同条件下独立重复 n 次，每次结果只有「成功 / 失败」两种（每次成功概率都是同一个 p），这样的序列称为 n 重伯努利试验（Bernoulli trials）。它是「抛 n 次硬币」「抽检 n 件」「试车 n 次」的数学骨架。三个要素缺一不可：同一 p（条件不变）、相互独立（互不干扰）、二值结果（成功/失败）。三者齐备，「n 次里恰好成功 k 次」的概率有一个漂亮的一般公式——组合数乘以概率幂：
P(恰好 k 次成功) = C(n, k) · pk · (1−p)n−k
直觉拆解：某个「指定哪 k 次成功」的具体序列，概率是 pk(1−p)n−k（独立连乘）；而「哪 k 次」共有 C(n, k) 种选法，互斥相加。第 8 章的二项分布将正式推导它，这里先用一个数感受一下：p = 0.8、n = 3 时，P(恰好 2 次成功) = C(3,2) × 0.8² × 0.2 = 3 × 0.64 × 0.2 = 0.384。验算完整性：0.008 + 0.096 + 0.384 + 0.512 = 1，四种成功次数的概率正好凑满 1。
独立性在工程中最响亮的应用：系统可靠性
工程系统几乎都是元件的组合：若干泵、阀、传感器、控制器连成一个整体。系统「正常」与否，取决于元件怎么连接、每个元件是否正常。设各元件「正常」事件相互独立（物理隔离保障），正常概率（可靠度）分别是 Ri。三种基本拓扑各有公式：
📐 例题 5 串联系统：好元件架不住堆积
某供油管路依次经过三个独立阀件，可靠度分别为 R₁ = 0.99、R₂ = 0.98、R₃ = 0.95。系统功能要求三阀全部正常，求系统可靠度。
思路 串联系统正常 = 三个「正常」事件同时发生；独立性给出「同时发生」= 概率连乘。
解 R系统 = P(A₁∩A₂∩A₃) = P(A₁)P(A₂)P(A₃) = 0.99 × 0.98 × 0.95。分步算：0.99 × 0.98 = 0.9702；0.9702 × 0.95 = 0.92169。三个「九九十开」级别的元件串起来，整体只剩 92.2%——每串一件，可靠度打折一次。若在三个阀后再串两个 R = 0.95 的同规格阀件（共五件），0.99 × 0.98 × 0.95³ ≈ 0.8318，跌破 84%。
答：R = 0.99 × 0.98 × 0.95 = 0.92169 ≈ 92.2%。 ⚠ 易错点：串联系统可靠度一定低于最差元件（0.92169 < 0.95），连乘只会更小——「整体不会强于最弱一环」在串联拓扑下是数学必然，不是工程经验谈。另外别把「失效概率相加」当公式：失效概率 0.01 + 0.02 + 0.05 = 0.08 与真值 1 − 0.92169 = 0.07831 接近纯属小概率近似，失效概率大时误差会爆炸。
📐 例题 6 并联冗余：失效概率连乘的威力
同样的三个独立元件改为并联配置（任一元件正常系统即正常），求系统可靠度。
思路 直接算「至少一个正常」要分「恰好一个、两个、三个」讨论；先求反面「三个全失效」——独立时失效概率连乘，再用 1 减。
解 P(全失效) = (1−0.99)(1−0.98)(1−0.95) = 0.01 × 0.02 × 0.05 = 0.00001。R系统 = 1 − 0.00001 = 0.99999。对照：同样是这三个元件，串联 0.92169，并联 0.99999——拓扑一换，可靠度从 92.2% 跳到 99.999%。三件「九十九」并联，失效概率被压到十万分之一；而每件的失效概率分别是 1%、2%、5%，并联把三个「比较小的坏概率」连乘成「极小的坏概率」。
答：R = 1 − 0.01×0.02×0.05 = 0.99999。 ⚠ 易错点：并联的「1−」结构来自 5.4 节的换对立推论——「至少一个正常」的反面是「全部失效」，而「全部失效」=「各自失效」的交，独立性才允许连乘。没有独立性这一步走不通。另注意并联的前提是「任一路都能独立顶起全部功能」，若单路容量不够，纯概率模型就失效了——那已经是系统工程问题，不是概率问题。
📐 例题 7 2/3 表决系统：可靠性与误动的折中
三个相互独立、可靠度同为 p = 0.9 的通道，接到一个「至少两路一致才输出」的表决器上（2/3 表决）。求表决后系统的可靠度，并与单通道、三通道串联作对比。
思路 系统正常 =「恰好两路正常 + 一路失效」或「三路全部正常」，互斥相加；每个「指定哪两路」的概率用独立性连乘。
解 三路取值有 8 种组合。正常的组合：两好一坏（3 种，各概率 0.9 × 0.9 × 0.1 = 0.081）与三好（1 种，概率 0.9³ = 0.729）。P(系统正常) = 3 × 0.081 + 0.729 = 0.243 + 0.729 = 0.972。用公式核对：3p²(1−p) + p³ = 3(0.9)²(0.1) + (0.9)³ = 0.243 + 0.729 = 0.972 ✓。对比：单通道 0.9；三通道串联 0.9³ = 0.729（一路坏全完）；2/3 表决 0.972——表决把可靠性抬到比任何单通道都高，同时能容忍单路故障。它的代价是另一侧：表决器本身是新单点，且「一路误动」不会再直接传出（两票才通过），但也引入了「两路同时误动」才会误动的窗口，误动概率被平方压低了。
答：R = 3p²(1−p) + p³ = 3×0.81×0.1 + 0.729 = 0.972，即 97.2%，高于单通道 0.9，远高于纯串联 0.729。 ⚠ 易错点：不要把「三好」漏掉或重复计入——「恰好两好」与「三好」互斥，完整覆盖了「至少两好」。另外表决增益的前提依旧是独立：若三路共因失效（同源供电全断），p = 0.9 的独立假设瞬间作废，表决结构救不了被拴在一起的三兄弟。
📖 为什么飞机上到处是「三选二」 现代飞行器的重要参数测量——空速、姿态、大气数据——几乎都采用三余度结构：三个独立通道各测各的，输出前先「投票」，三取二。工程逻辑正是本节的三种拓扑在真实系统里的接力：串联不敢用（单点故障即全局故障）；纯并联也不行——三路各说各话时，系统不知道听谁的，一个漂移的通道可能把决策带偏；表决是折中完美解：单通道失效被多数票淹没，单通道漂移被两票否决，既扛「坏一个」又防「一个乱说」。代价是表决器自身成为新的单点，所以表决逻辑本身又要做自监控。你在这里看到的 0.972 > 0.9，正是「少数服从多数」在概率账本上的收益。
共因失效：独立性头上的达摩克利斯之剑。本节所有公式的优雅，都兑换自「独立」这一个假设；而工程史上多起重大系统事故的复盘，指向的都是同一个缺口——名义独立、实则共因。两台发动机各自可靠度极高，却可能因为同一批劣质燃油一起趴窝；三套飞控计算机各自完美，却可能被同一次雷击一起击穿。可靠性工程的应对是一个系统方法论：识别共因候选（共源供电、共源液压、同批标准件、同版本软件、同一环境应力）、对候选做物理隔离与多样性设计（不同能源、不同原理、不同厂家、不同批次），最后才在「净化过的独立」之上套用本节的乘法公式。记住这个次序：先保独立，后用乘法——顺序颠倒，算得再漂亮也是纸面可靠。
核心思想 独立性 = 计算上的「拆墙」：把「一串事件都发生」拆成「各自概率相乘」。第 8 章的二项分布，本质就是「n 次独立试验中成功 k 次」的概率，完全建立在今天的独立性之上。
🧠 一句话记忆 「至少一次」先求反面；独立重复让「连续失败」的概率指数下降——因为每次都是相乘。
把本章的工具串成一条工程流程，就是可靠性建模三步走。第一步「识别元件与失效逻辑」：列出功能上必需的部件，弄清「哪个坏了系统就坏」（串联）、「哪几路同时坏才算坏」（并联或表决）；第二步「标定独立假设」：每个元件给一个可靠度，并自查共因威胁——同批次、同电源、同环境的部件，先拆开或加装隔离，再谈概率相乘；第三步「套结构算账」：串联相乘、并联取反面、表决套组合数，算完再问一句「哪个元件的可靠度对系统最金贵」——通常是乘积里指数最高的那个，改善它性价比最高。例题 5 到例题 7 的三张账单，正是这条流水线在三种结构上的完整演练。
独立性从哪来 本章的元件可靠度都是「给定」的；工程上它们来自三处：厂商的寿命试验数据、现场返修统计、标准手册的额定值。数据到手后，独立性假设还要过一道「共因审查」——两个阀门同批采购、同管路受污，可靠度再高也不能当独立元件相乘。记住这个顺序：先审共因，再谈独立——「独立」一个来自物理隔离，一个来自数据验证，缺一不可。
本章小结
- 独立的直觉：一个事件的发生不提供另一个事件的信息，即 P(B|A)=P(B)。
- 定义：P(A∩B) = P(A)·P(B)，与「互不影响」等价；且独立时「都发生」=「各自概率相乘」。
- 独立 ≠ 互斥：互斥是「不能同时发生」（强负相关），独立是「互不影响」（零相关）；概率非零的两事件不可能既独立又互斥。
- 两两独立 ≠ 相互独立：相互独立要求任意数量的事件组合都满足概率相乘，更强。
- 独立性让独立重复试验的计算大幅简化，「至少一次成功」常用「先求反面」处理。
- 系统可靠度：串联 R=∏Rᵢ（越串越脆）、并联 R=1−∏(1−Rᵢ)（留后路）、2/3 表决 R=3p²(1−p)+p³；先审共因、再谈独立。
- 独立性的数据面：频率稳定值满足 f(AB)≈f(A)f(B) 时接受「近似独立」——定义是理想模型，数据是它的现实影子。
- 独立的换算不变性：A 与 B 独立时，A 与 B 的对立事件同样独立——「换对立」技巧由此而来，且对四组配对同时成立。
读完本章，你应该能……
- 用「互不影响」和 P(B|A)=P(B) 解释独立性的含义。
- 默写独立的定义 P(AB)=P(A)P(B)，并说明它和乘法公式的关系。
- 清楚地说出「独立」和「互斥」的三点区别，并解释为什么概率非零时不能兼得。
- 区分「两两独立」与「相互独立」，举出「两两独立但不相互独立」的例子。
- 用独立性解「独立重复试验至少一次成功」类问题。
- 画可靠性框图并区分串联、并联、表决结构，分别写出系统可靠度公式。
- 识别一组元件的共因失效风险，并说明它如何破坏「独立相乘」。
- 用「先求反面」处理「至少一次」类问题，并说明它为何比正面枚举省力。
思考题
1. 有人说「互斥的事件就是独立的，因为它们互不干扰」。这句话错在哪？
提示：互斥是「一个发生另一个必不发生」，恰恰是极强的关联（负相关）。独立要求「知道一个不改变另一个的概率」，互斥显然不满足。
2. 掷一颗骰子，A=「掷出偶数」，B=「掷出大于 4」。判断 A、B 是否独立。
提示：P(A)=1/2，P(B)=1/3，A∩B={6}，P(A∩B)=1/6。P(A)P(B)=1/6=P(A∩B)，所以独立。
3. 甲乙两人独立射击，命中率分别 0.7 和 0.6，求「至少一人命中」的概率。
提示：反面「都不中」=0.3×0.4=0.12，所以至少一人命中=1−0.12=0.88。
4. 为什么「相互独立」比「两两独立」更强？用文字说明而不是背定义。
提示：两两独立只保证「任意两个」互不影响；但可能存在「两个一起发生后，能推出第三个」的联动，破坏整体的独立。相互独立要求任意数量的组合都无联动。
5. 已知 P(A) = 1/2，P(B) = 1/3，P(A∪B) = 7/12。A 与 B 独立吗？
提示：先用加法公式倒出 P(A∩B) = P(A) + P(B) − P(A∪B) = 1/2 + 1/3 − 7/12 = 6/12 + 4/12 − 7/12 = 3/12 = 1/4。再对照乘积 P(A)P(B) = 1/6 = 2/12。1/4 ≠ 1/6，不独立。套路总结：「给了 P(A∪B) 求交、验独立」是固定三步：加法公式倒乘积、独立乘积验一验、数值不等下结论。
6. 某系统由 5 个独立元件串联，每个元件可靠度都是 0.9。求系统可靠度，并解释「为什么串联系统越串越脆弱」。
提示：R = 0.9⁵ = 0.59049，约 59%——五件「九成靠得住」的元件串起来，整体只剩六成。原因在乘法结构：串联可靠度是连乘，连乘对小于 1 的数是指数式的持续衰减，元件越多乘的次数越多。所以工程上要么减少串联环节（化简链路），要么给薄弱环节加并联冗余。
7. 既然「独立 = 互不影响」的直觉是 P(B|A) = P(B)，为什么教科书定义独立时改用乘积式 P(A∩B) = P(A)·P(B)？
提示：两个原因。第一，条件式 P(B|A) 需要 P(A) > 0 才有意义（分母不能为零），乘积式没有这个限制——零概率事件与任何事件独立这类边界情形，只有乘积式覆盖得到。第二，乘积式里 A、B 完全对称、无分母，代数性质更好用（并联公式、换对立推论都靠它直接推导）。定义选乘积式是「数学上的更优解」，而不是与直觉不同的另一件事——P(A) > 0 时两者严格等价。