二维随机变量（X，Y）独立的定义式为：F（x，y）=F（x）*F（y）
这里F（x，y）为（X，Y）的联合分布函数，F（x）为一维随机变量X的分布函数，F（y ）为一维随机变量Y的分布函数。
二维连续型随机变量X，Y独立的充分必要条件为 ：f(x，y)=f（x）*f（y ），这里f（x，y）为（X，Y）的联合概率密度函数，f（x）为一维随机变量X的概率密度函数，f（y ）为一维随机变量Y的概率密度函数。
事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。
相互独立的充要条件是协方差为0,同时相关系数为0。根据充分条件和必要条件的定义：若条件要求包含在“协方差为0,同时相关系数为0”内，则其为相互独立的必要条件；若“协方差为0,同时相关系数为0”包含在条件要求内，则其为相互独立的充分条件。否则，为既不充分又不必要条件。
若随机变量X与Y的联合分布是二维正态分布，则X与Y独立的充要条件是X与Y不相关。
对任意分布,若随机变量X与Y独立, 则X与Y不相关，即相关系数ρ=0.反之不真. 但当随机变量X与Y的联合分布是二维正态分布时,若X与Y不相关, 即相关系数ρ=0, 可以得到联合分布密度函数是两个边缘密度函数的乘积，所以X与Y独立。 简单地说，随机变量X,Y不相关不能保证X,Y相互独立，反之则可以。
