条件概率的理解

转载链
一切概率，都是条件概率。例如p(x)实际是p(x|a)a代表全局空间，x|a就是x在a中的“比例”。p(x)等于p(x and a)/p(a)。p(a)为1，p(x and a)等于p(x)。所以p(x)等于p(x)。结论：p(x)也是条件概率，是全局条件a情况下x的概率，也就是“比例”。

（一）条件概率公式：
P(A|B)=P(AB)/P(B)首先强调几个概念：
样本空间：{试验所有可能结果}–>一个试验所有可能结果的集合，用 Ω 表示。
事件：样本空间的一个子集。用A、B、C表示。
P(AB)：事件A发生且事件B发生的概率。事件A、B的发生没有先后顺序。样本空间为整个样本空间 Ω 。
P(A|B)：在事件B发生的基础上，事件A发生的概率。事件B先发生，事件A再发生。由于规定了事件B先发生，这样一来样本空间就被缩小到了事件B。所以求P(A|B)时需要将P(AB)/P(B)，把P(B)发生的概率变为1，将样本空间缩小到事件B。
（二）乘法公式
P(AB)=P(A|B)*P(B)
P(A|B)是原本在事件B发生的基础上，事件A发生的概率。此时事件B发生的概率P(B)=1。现在要在整个样本空间 Ω 上求事件A、B同时发生的概率。由于此时的样本空间不再为事件B，而事件B发生也是有概率的，所以要乘上P(B)。
（三）全概率公式
P(A) = P(A|B1)P(B1) + P(A|B2)P(B2)…
全概率公式的意义就在于：当P(A)不好求时，就像《哈利波特》中7个魂器拼成了一个伏地魔一般，先将P(A)碎片化，最后Summation，构成一个完整的P(A)。
具体做法如下：
首先强调一个概念，
完备事件组：Bi ∩ Bj = ∅ (i ≠ j)B1 ∪ B2 ∪ …= Ω翻译过来就是，“Bi两两互斥“ &“全部事件Bi的和=整个样本空间 Ω“。
现在我们想求P(A)，但P(A)不好求，于是我们想办法割裂-拼装它。因为A=AΩ=AB1+AB2…于是P(A)=P(AΩ)=P(AB1+AB2…)。又因为事件Bi两两互斥，所以事件ABi也两两互斥，于是就有了P(AB1+AB2…)=P(AB1)+P(AB2)…由前面的乘法公式，我们得到P(AB1)+P(AB2)…=P(A|B1)P(B1)+P(A|B2)P(B2)…
最终：P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)…全概率公式中，如果把事件A看成是“结果”，将事件B看成是导致结果发生的诸多“原因”之一，那么全概率公式就是一个“原因推结果”的过程。
（四）贝叶斯公式

贝叶斯公式就是：已知事件A这个“结果”已经发生了，反过来研究造成事件A发生的原因–事件B1、事件B2…的概率是多少，这是一个“因果溯源”的过程。
我的理解如下：
由（一）中的条件概率公式，我们得到

就是换个分母嘛分子部分由乘法公式，我们得到P(ABi)=P(A|Bi)P(Bi)。分母部分由全概率公式P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)…拼装在一起就得到了贝叶斯公式：