獨立性真正在說什麼
本級第一篇把條件機率建立在一幅圖景上：得知 B 發生，會把樣本空間縮小到 B，而 P(A given B) 衡量這個縮小後的世界裡有多少同時也是 A。獨立性是那個特殊而平靜的情形——縮小什麼也沒改變。兩事件 A 與 B 獨立，是指知道 B 發生後，你對 A 的評估完全不變：P(A given B) = P(A)。就預測 A 而言，B 裡的資訊毫無價值。這就是全部的直覺，本篇其餘部分不過是繞著它記帳。
這個定義有個小皺褶：P(A given B) = P(A and B) / P(B) 只在 P(B) 不為零時才有意義。所以獨立事件的課本定義採用一個對稱、不需除法、永遠成立的形式：A 與 B 獨立，恰好是當 P(A and B) = P(A) · P(B)。兩者同時發生的機率，分解成各自機率的乘積。當 P(B) > 0 時你可以除過去，還原成 P(A given B) = P(A)；當 P(A) > 0 時則得到 P(B given A) = P(B)。乘積形式是乾淨、官方的定義；條件式則是它的感受。
Definition (always valid): P(A and B) = P(A) * P(B) Equivalent when P(B) > 0: P(A given B) = P(A) Equivalent when P(A) > 0: P(B given A) = P(B)
獨立不是互斥——兩者幾乎相反
這就是本篇要消滅的混淆。互斥（不相交）事件是不可能同時發生的：A 與 B 沒有共同結果，所以 P(A and B) = 0。獨立事件則是其中一個發生對另一個毫無透露。人們把兩者都聽成模糊的「無關」，便以為是同一回事。它們不只是不同——對正機率的事件來說，它們幾乎是不相容的。若 A 與 B 互斥且都有正機率，那麼得知 B 發生，就告訴你 A 一定沒發生。這是最強的相依，與「什麼也沒告訴你」恰恰相反。
代數把它釘死。設 A 與 B 互斥，所以 P(A and B) = 0。要它們同時獨立，需要 P(A and B) = P(A) · P(B)，即 0 = P(A) · P(B)。這只有在 P(A)、P(B) 至少一個為零時才成立。所以兩個正機率事件不可能既互斥又獨立——永遠不會。互斥是關於結果的陳述（無重疊）；獨立是關於機率的陳述（它們相乘）。把兩者混淆，就像把「這兩條路永不相交」當成「這兩條路彼此的車流毫無資訊」。
為何乘積規則如此好用
前幾篇的乘法規則給出一般的分解 P(A and B) = P(A) · P(B given A)，那個條件因子是事件彼此影響所付的代價。獨立性正是這個代價降為零的情形：P(B given A) 塌縮成 P(B)，鏈式法則化成單純的乘積。這正是獨立性成為建模主力的原因。擲一枚公正硬幣三次，八種序列由一條規則支配：P(正、正、反) = (1/2)(1/2)(1/2) = 1/8，因為各次投擲互不交談。無須條件機率的體操，相乘即可。
獨立性也從另一面戳破賭徒謬誤。公正輪盤的每一轉都獨立於上一轉，依定義即過去的轉動不帶任何資訊：P(第 6 轉為紅 given 前五轉皆紅) 仍是 P(紅)。輪盤沒有記憶，沒有「拉平」的義務。賭徒謬誤的核心，就是拒絕相信 P(A given B) = P(A) 在它真正成立時依然成立。而誠實的對沖不是「它很快就會拉平」，而是幾級之後的大數法則：長期平均會安定下來，但任何特定的短期序列盡可保持失衡。
三個以上事件：兩兩獨立還不夠
一旦有三個以上事件，「獨立」就分成兩種強度，沒看出差別是經典陷阱。兩兩獨立指每一對都相乘：P(A and B) = P(A)P(B)，A,C 與 B,C 亦然。互相（完全）獨立要求更多——每個子集都相乘，包含三元組：P(A and B and C) = P(A)P(B)P(C)。互相獨立蘊含兩兩獨立，反之則否，而這個落差是真實的，不是技術細節。你可以有三個事件，任取兩個都完美獨立，但三個一起看卻緊密相連。這正是兩兩獨立與互相獨立的核心。
最乾淨的例子：擲兩枚公正硬幣。令 A =「第一枚為正」、B =「第二枚為正」、C =「兩枚相同」。每個機率都是 1/2。檢查各對——A 與 C：第一枚為正且兩枚相同，意味兩枚皆正，機率 1/4 = (1/2)(1/2)，獨立。由對稱性 B 與 C 也獨立，而 A 與 B 顯然獨立。所以三對全都獨立。但 P(A and B and C) 就是 P(兩枚皆正) = 1/4，而 P(A)P(B)P(C) = 1/8。不相等——三元組失敗了。而且必然失敗：一旦你知道 A 與 B，C 就被完全決定，所以三個一起絕非獨立。
另外兩個誠實的提醒
第一，獨立性會隨條件化而出現或消失。整體獨立的兩個事件，一旦固定第三個就可能變得相依——反向也會發生。這件事的乾淨版本是條件獨立：當 P(A and B given C) = P(A given C) · P(B given C) 時，A 與 B 在給定 C 下條件獨立。這是它自成一格的關係，既不蘊含、也不被普通獨立蘊含。一幅著名圖景：兩名學生的考試分數整體看來可能相關（好日子、好食堂、簡單題目），但一旦條件化於他們實際考的那場考試，便互相獨立。獨立性永遠相對於你所固定的資訊而言。
第二，當我們從事件走向隨機變數，獨立性有個較弱、並不對等的近親：零相關。獨立的變數必定不相關，但不相關不蘊含獨立。相關只看得見直線式的線性關聯；一個變數可以透過曲線決定另一個，卻仍呈現 Cov(X, Y) = 0。課本例子是 X 均勻分布於 (-1, 1) 而 Y = X^2：知道 X 就把 Y 完全釘死，所以它們幾乎是最相依的，但由對稱性 Cov(X, Y) = E[X^3] - E[X]E[X^2] = 0。零相關排除的是相依的線性影子，從不排除相依本身。