D-分离不等同于条件独立。D-分离$X$和$Y$给定$Z$ 意味着以下条件独立性：

然而，D-seperation 是一个专门适用于图形模型的概念。您可以在涉及随机变量的任何上下文中谈论条件独立性。

该声明正在谈论不同的事情。声明的意思是仅仅因为两个节点$X$和$Y$给定节点的某些子集，不是 D 分离的$Z$，这并不意味着不存在一些分解的概率分布$G$为此$X$和$Y$ 是有条件独立给定的$Z$. 事实上，总会存在这样的分布（见下一段）。

图形模型只需要不编码任何实际不存在于联合概率分布中的独立性，也就是说，它们不需要做出无根据的假设。然而，没有要求它们对实际上存在的每个独立性进行编码，并且通常构建一个图形模型来捕获每个现有的独立性，同时避免虚假独立性的实例化是不可能的（当它确实存在时称为这种图一个完美的I-map）。 因此给定一个图形模型$G$, 节点上的任何相互独立的概率分布$G$简单地分解$G$.