【初等概率论】 02

　　概率空间是事先给定的，其中样本空间是定义的基础，事件及其概率是我们讨论的对象。那么面对一个给定的概率空间，我们要讨论一些什么问题呢？事件与概率是绑定在一起的，故应把注意力放在事件域上，本篇从两个角度考察事件概率：条件概率和随机变量，它们是概率论中非常基础的概念。

1. 条件概率

1. 1 定义和性质

　　对于整个事件域，我们不光要知道每个事件的概率，还要知道事件之间的关系。具体讲就是，如果事件\(A\)发生了，事件\(B\)会是什么情况呢？当然这里所说的情况还是指“概率”，不过这时的样本空间已经发生了变化，由\(\Omega\)变成了\(A\)，自然原本的事件也都变成了与\(A\)的交集，比如事件\(B\)对应到事件\(AB\)。我们自然希望新事件域上的概率与之前的“兼容”，可以以\(P(A)\)作为基准，以\(P(AB)\)作为“可能性”的度量，容易构造出新的概率为\(\dfrac{P(AB)}{P(A)}\)。这样的定义不光符合直觉，还容易证明是符合概率的三条要求的。数学上，把式（1）定义为事件\(B\)关于事件\(A\)的条件概率，条件概率生成的概率空间具有一般概率空间的所有性质。

\[P(B|A)=\dfrac{P(AB)}{P(A)}\tag{1}\]

　　先把目光放在概率空间的转移上，可以把\(\Omega\)上对应的称为先验概率空间，而把\(A\)上对应的称为后验概率空间。前者表示在没有其它条件下的概率，而后者表示获得了信息\(A\)后的概率，这也是条件概率名称的由来。条件概率不仅揭示了事件概率随条件的变化，本质上更是揭示了事件之间的关联。如果后验概率与先验概率不同，则表示事件\(A\)与其它事件之间有一定关系，至于如何度量这个关联，以后会具体讨论。

　　在很多时候，后验概率反而更容易获取，这时把式（1）改写成式（2）会更有意义，它可以求得“局部”的先验概率。这个思想容易扩展成式（3）的乘法公式，它将复杂的概率分解成了多层简单的概率，在实际计算中非常有用。

\[P(AB)=P(A)P(B|A)\tag{2}\]

\[P(A_1A_2\cdots A_n)=P(A_1)P(A_2|A_1)P(A_3|A_1A_2)\cdots P(A_n|A_1A_2\cdots A_{n-1})\tag{3}\]

　　式（2）得到的是事件\(B\)在条件\(A\)下的片段，如果样本空间\(\Omega\)可以被分割为可数个互斥条件\(A_i\)，并且\(B\)在每个条件下的概率都容易求得，则不难得到\(B\)的完整先验概率。式（4）被称为全概率公式，它经常被用在事件可以按条件分类的场景，是也是一个常用的方法。

\[P(B)=\sum_{i=1}^{\infty}P(A_iB)=\sum\limits_{i=1}^{\infty}P(A_i)P(B|A_i)\tag{4}\]

　　继续观察全概率模型，样本空间被条件\(A_i\)划分，而