本节书摘来自华章计算机《计算机视觉：模型、学习和推理》一书中的第2章，第2.6节,作者：（英）普林斯（Prince，J. D.）著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
2.6 独立性
如果从变量x不能获得变量y的任何信息（反之亦然），就称x和y是独立的（见图2-6），可以表示为：
图2-6 独立性。a） 连续独立变量x和y的联合概率密度函数。x和y的独立性意味着每一个条件分布相同：从y的值中不能推断出x的取值概率，反之亦然。与图2-5中变量的依赖形成对比。b） 离散独立变量x和y的联合分布。对于给定的y值x的条件分布相同
中可得，独立变量的联合概率Pr(x，y)是边缘概率Pr(x)和Pr(y)的乘积。