概率论与数理统计教程(一)-随机事件与概率04：条件概率

本文链接：https://blog.csdn.net/u013250861/article/details/136074135

本文详细介绍了条件概率的概念、性质和应用，通过实例解析了条件概率的计算方法，包括乘法公式、全概率公式和贝叶斯公式，并探讨了在特定情况下的概率计算，如摸彩模型、保险问题和敏感性问题调查。条件概率在概率论中起着重要作用，能够帮助解决复杂事件概率的计算问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

$§1.4$ 条件概率
条件概率是概率论中的一个既重要又实用的概念.
1.4.1条件概率的定义
所谓条件概率, 是指在某事件 $B$ 发生的条件下,另一事件 $A$ 发生的概率,
记为
$\mid B)$ , 它与 $P (A)$ 是不同的两类概率.下面用一个例子说明之.
例 1.4.1 考察有两个小孩的家庭,其样本空间为
$\Omega=\{b b, b g, g b, g g\}$ , 其中 $b$ 代表男孩, $g$ 代表女孩, $b g$
表示大的是男孩、小的是女孩.其他样本点可类似说明.
在 $\Omega$ 中 4个样本点等可能情况下,我们来讨论如下一些事件的概率.
(1) 事件 $A =$ “家中至少有一个女孩” 发生的概率为
$P(A)=\frac{3}{4} .$
(2)若已知事件 $B =$ “家中至少有一个男孩” 发生, 再求事件 $A$ 发生的概率为
$\mid B)=\frac{2}{3} \text {. }$
这是因为事件 $B$ 的发生, 排除了 $\mathrm{gg}$ 发生的可能性,
这时样本空间 $\Omega$ 也随之改为 $\Omega_{B}=$ ${b b, b g, g b\}$ ,
而在 $\Omega_{B}$ 中事件 $A$ 只含 2 个样本点, 故
$\mid B)=2 / 3$ .这就是条件概率, 它与 (无条件) 概率 $P (A)$
是不同的两个概念.
(3)若对上述条件概率的分子分母各除以 4 ,则可得
$\mid B)=\frac{2 / 4}{3 / 4}=\frac{P(A B)}{P(B)},$
其中交事件 $A B =$ “家有一男一女两个小孩”.
这个关系具有一般性,即条件概率是两个无条件概率之商, 这就是条件概率的定义.
定义 1.4.1 设 $A$ 与 $B$ 是样本空间 $\Omega$ 中的两事件, 若 $P (B) > 0$ ,则称
$\mid B)=\frac{P(A B)}{P(B)}$
为 “在 $B$ 发生下 $A$ 的条件概率”, 简称条件概率.
例 1.4.2 设某样本空间 $\Omega$ 含有 25 个等可能的样本点, 事件 $A$ 含有 15
个样本点, 事件 $B$ 含有 7个样本点,交事件 $A B$ 含有 5 个样本点,
具体见图1.4.1.
这时有
$\begin{array}{l} P(A)=\frac{15}{25}, \quad P(B)=\frac{7}{25}, \\ P(A B)=\frac{5}{25} . \end{array}$

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传 {width=“180px”}
图1.4.1 例 1.4.2 的维恩图
则在事件 $B$ 发生的条件下, 事件 $A$ 的条件概率为
$\mid B)=\frac{P(A B)}{P(B)}=\frac{5 / 25}{7 / 25}=\frac{5}{7} .$
此结果也可以如此考虑:事件 $B$ 发生, 表明事件 $\bar{B}$ 不可能发生, 因此
$\bar{B}$ 中的18 个样本点可以不予考虑, 此时在 $B$ 中 7 个样本点中属于
$A$ 的只有 5个, 所以 $\mid B)=5 / 7$ .这意味着, 计算条件概率
$\mid B)$ 是在样本空间 $\Omega$ 缩小为 $\Omega_{B}=B$ 下进行的.
类似地
$\mid A)=\frac{P(A B)}{P(A)}=\frac{5 / 25}{15 / 25}=\frac{5}{15}=\frac{1}{3} .$
它也可作如上解释.
我们要注意的是:条件概率 $\mid B)$ 是在给定 $B$ 下讨论事件 $A$
的概率,那么概率的性质对 $P(\cdot \mid B)$ 而言是否都成立呢?譬如,
$\begin{array}{c} P(\bar{A} \mid B)=1-P(A \mid B), \\ P\left(A_{1} \cup A_{2} \mid B\right)=P\left(A_{1} \mid B\right)+P\left(A_{2} \mid B\right)-P\left(A_{1} A_{2} \mid B\right) \end{array}$

这些概率性质都成立吗?为此我们只要能验证条件概率满足三条公理即可回答这个问题.
性质 1.4.1条件概率是概率, 即若设 $P (B) > 0$ , 则
(1) $\mid B) \geqslant 0, A \in \mathscr{F}$ .
(2) $P(\Omega \mid B)=1$ .
(3) 若 $\mathscr{F}$ 中的 $A_{1}, A_{2}, \cdots, A_{n}, \cdots$
互不相容,则
$P\left(\bigcup_{n=1}^{\infty} A_{n} \mid B\right)=\sum_{n=1}^{\infty} P\left(A_{n} \mid B\right) .$
证明用条件概率的定义很容易证明 (1) 和 (2), 下面来证明 (3).
因为 $A_{1}, A_{2}, \cdots$ , $A_{n}, \cdots$ 互不相容,
所以 $A_{1} B, A_{2} B, \cdots, A_{n} B, \cdots$ 也互不相容,故
$\begin{aligned} P\left(\bigcup_{n=1}^{\infty} A_{n} \mid B\right) & =\frac{P\left(\left(\bigcup_{n=1}^{\infty} A_{n}\right) B\right)}{P(B)}=\frac{P\left(\bigcup_{n=1}^{\infty}\left(A_{n} B\right)\right)}{P(B)} \\ & =\sum_{n=1}^{\infty} \frac{P\left(A_{n} B\right)}{P(B)}=\sum_{n=1}^{\infty} P\left(A_{n} \mid B\right) . \end{aligned}$
以下给出条件概率特有的三个非常实用的公式:乘法公式、全概率公式和贝叶斯公式.这些公式可以帮助我们计算一些复杂事件的概率.
1.4.2 乘法公式
性质1.4.2 乘法公式
(1) 若 $P (B) > 0$ ,则
$\mid B) .$
(2) 若 $P\left(A_{1} A_{2} \cdots A_{n-1}\right)>0$ ,则
$P\left(A_{1} A_{2} \cdots A_{n}\right)=P\left(A_{1}\right) P\left(A_{2} \mid A_{1}\right) P\left(A_{3} \mid A_{1} A_{2}\right) \cdots P\left(A_{n} \mid A_{1} A_{2} \cdots A_{n-1}\right) .$