条件概率

Abstract

条件概率（Conditional Probability）是在已知某些附加信息（某事件已发生）的条件下，对另一事件发生概率的重新评估。条件概率是概率论中最重要的概念之一，它将静态的概率度量转化为动态的信息更新机制，是贝叶斯定理与全概率公式的理论基石。

定义

条件概率

设 $E$ 和 $F$ 是样本空间 $S$ 上的两个事件，且 $P(F)>0$。在事件 $F$ 已发生的条件下，事件 $E$ 发生的条件概率定义为： $P(E\mid F)=\frac{P(E\cap F)}{P(F)}$

直观理解：已知 $F$ 已经发生，样本空间从 $S$ “缩小”为 $F$。条件概率就是在新的样本空间 $F$ 中，$E$ 和 $F$ 同时发生的那部分（即 $E\cap F$）所占的比例。

乘法规则（Multiplication Rule）

由条件概率的定义可直接得到乘法规则： $P(E\cap F)=P(F)\cdot P(E\mid F)$

推广到多个事件： $P(E_1\cap E_2\cap \cdots \cap E_n)=P(E_1)\cdot P(E_2\mid E_1)\cdot P(E_3\mid E_1\cap E_2)\cdots P(E_n\mid E_1\cap \cdots \cap E_{n-1})$

乘法规则将联合概率分解为一系列条件概率的乘积，是计算多个事件同时发生概率的基本工具。

缩减样本空间法

在等可能有限样本空间中，条件概率可以通过缩减样本空间直接计算： $P(E\mid F)=\frac{|E\cap F|}{|F|}$

这等价于将 $F$ 视为新的样本空间，在其中重新计算 $E$ 发生的概率。

核心性质

编号	性质名称	数学表达	说明
1	概率公理继承	$P(E\mid F)\ge 0$	条件概率满足非负性
2	归一性	$P(S\mid F)=1$	在 $F$ 已发生条件下，必然事件的概率为 1
3	可加性	$P(E_1\cup E_2\mid F)=P(E_1\mid F)+P(E_2\mid F)$（$E_1,E_2$ 关于 $F$ 互斥）	条件概率满足可加性
4	补事件	$P(\bar{E}\mid F)=1-P(E\mid F)$	条件概率下的互补律
5	乘法规则	$P(E\cap F)=P(F)\cdot P(E\mid F)$	联合概率的分解公式
6	全概率公式	$P(E)={\sum }_{i=1}^{n}P(F_i)\cdot P(E\mid F_i)$（$F_i$ 为划分）	利用条件概率计算无条件概率
7	链式法则	$P(E_1\cap \cdots \cap E_n)={\prod }_{i=1}^{n}P(E_i\mid E_1\cap \cdots \cap E_{i-1})$	多事件联合概率的链式分解

关系网络

graph LR
    A[条件概率] --> B[概率]
    A --> C[独立性]
    A --> D[贝叶斯定理]
    A --> E[全概率公式]
    A --> F[乘法规则]
    D --> G[先验概率]
    D --> H[后验概率]
    E --> I[样本空间划分]
    F --> J[链式法则]
    C --> K[独立事件]
    K --> L[伯努利试验]

章节扩展

• 第7.2节：条件概率的定义、乘法规则及其应用
• 第7.3节：贝叶斯定理 — 条件概率的”逆向推理”应用
• 第7.3节：全概率公式 — 利用条件概率将复杂问题分解为简单子问题

补充

条件概率的直观类比

想象一个班级有 100 名学生，其中 40 人选修数学，30 人选修物理，20 人同时选修两门。

• $P(\text{数学})=40/100=0.4$
• $P(\text{物理})=30/100=0.3$
• $P(\text{数学}\mid \text{物理})=20/30\approx 0.667$

已知某人选修物理，他同时选修数学的概率从 0.4 上升到 0.667。条件概率反映了附加信息如何改变我们的判断。

条件概率与因果关系的区别

条件概率 $P(E\mid F)$ 仅仅表示在 $F$ 发生的条件下 $E$ 的概率，不意味着 $F$ 导致了 $E$。因果关系需要额外的领域知识来判定。例如，“下雨”和”地面湿”的条件概率很高，但真正的原因是下雨导致地面湿，而非反过来。

参见

• 概率 — 条件概率的基础，无条件概率度量
• 独立性 — 当 $P(E\mid F)=P(E)$ 时的特殊情形
• 贝叶斯定理 — 利用条件概率进行逆向推理
• 全概率公式 — 通过划分样本空间计算概率