统计学系列条目
概率论
概率 概率公理 决定论 非决定论 随机性
概率空间 概率测度 样本空间 随机试验 伯努利试验 事件 互补事件 互斥 基本事件（英语：Elementary_event） 结果 单元素
随机变量 期望 条件概率 概率分布 离散型均匀分布 伯努利分布 二项式分布 几何分布 负二项分布 超几何分布 泊松分布 连续型均匀分布 正态分布 对数正态分布 多元正态分布 指数分布 Gamma分布 Beta分布 帕累托分布 联合分布 边缘分布
随机过程 伯努利过程 随机游走 维纳过程 马尔可夫过程 伊藤过程
统计独立性 条件独立 全概率公式 大数定律 贝叶斯定理 布尔不等式
文氏图 树形图
查 论 编

在概率论和统计学中，两事件R 和B 在给定的另一事件Y 发生时条件独立，类似于统计独立性，就是指当事件Y 发生时，R 发生与否和B 发生与否就条件概率分布而言是独立的。换句话讲，R 和B 在给定Y 发生时条件独立，当且仅当已知Y 发生时，知道R 发生与否无助于知道B 发生与否，同样知道B 发生与否也无助于知道R 发生与否。

R和B在给定Y发生时条件独立，用概率论的标准记号表示为

${\displaystyle \Pr(R\cap B\mid Y)=\Pr(R\mid Y)\Pr(B\mid Y)\,}$

也可以等价地表示为

${\displaystyle \Pr(R\mid B\cap Y)=\Pr(R\mid Y).\,}$

因为当事件Y发生时，R发生与否和B发生与否就条件概率分布而言是独立的。

两个随机变量X和Y在给定第三个随机变量Z的情况下条件独立当且仅当它们在给定Z时的条件概率分布互相独立，也就是说，给定Z的任一值，X的概率分布和Y的值无关，Y的概率分布也和X的值无关。

从基本定义可导出一套描述条件独立的重要法则。^[1][2]

因这些推论在任何概率空间中都成立，因此也对所有变量关于另一变量的条件概率分布成立，只需考虑相应子空间即可。譬如说${\displaystyle X\perp \!\!\!\perp Y\Rightarrow Y\perp \!\!\!\perp X}$也就意味着${\displaystyle X\perp \!\!\!\perp Y\mid K\Rightarrow Y\perp \!\!\!\perp X\mid K}$。

注：位于算式下方的逗号意为“和”。

${\displaystyle X\perp \!\!\!\perp Y\quad \Rightarrow \quad Y\perp \!\!\!\perp X}$

${\displaystyle X\perp \!\!\!\perp A,B\quad \Rightarrow \quad {\text{ and )){\begin{cases}X\perp \!\!\!\perp A\\X\perp \!\!\!\perp B\end{cases))}$

证明：

• ${\displaystyle p_{X,A,B}(x,a,b)=p_{X}(x)p_{A,B}(a,b)}$      (${\displaystyle X\perp \!\!\!\perp A,B}$的定义)
• ${\displaystyle \int _{B}\!p_{X,A,B}(x,a,b)=\int _{B}\!p_{X}(x)p_{A,B}(a,b)}$      (对B积分以消去B)
• ${\displaystyle p_{X,A}(x,a)=p_{X}(x)p_{A}(a)}$     

同理可证X和B条件独立。

${\displaystyle X\perp \!\!\!\perp A,B\quad \Rightarrow \quad {\text{ and )){\begin{cases}X\perp \!\!\!\perp A\mid B\\X\perp \!\!\!\perp B\mid A\end{cases))}$

证明：

• 借由定义${\displaystyle \Pr(X)=\Pr(X\mid A,B)}$
• 由于分解的属性${\displaystyle X\perp \!\!\!\perp B}$, ${\displaystyle \Pr(X)=\Pr(X\mid B)}$
• 结合两个等式得${\displaystyle \Pr(X\mid B)=\Pr(X\mid A,B)}$，其中确认 ${\displaystyle X\perp \!\!\!\perp A\mid B}$第二个条件可以类似地被证明。

• 条件期望