算法-全概率公式、贝叶斯公式详细推导过程

1 条件概率公式
设$A$，$B$是两个事件，且$P(B)>0$,则在事件$B$发生的条件下，事件$A$发生的条件概率（conditional probability)为：
$$P(A|B)=P(AB)/P(B)(1)$$
2 乘法公式
2.1.由条件概率公式得：
$$P(AB)=P(A|B)P(B)=P(B|A)P(A)(2)$$
2.2.乘法公式的推广：对于任何正整数$n\ge 2$，当$P(A_1{A}_2...A_{n-1})>0$时，有：
$$P(A_1{A}_2...A_{n-1}{A}_n)=P(A_1)P(A_2|A_1)P(A_3|A_1{A}_2)...P(A_n|A_1{A}_2...A_{n-1})(3)$$
3 全概率公式
3.1. 如果事件组$B_1$，$B_2$，… 满足
3.1.1. $B_1$，$B_2$…两两互斥，即 $B_i\cap B_j=\varphi$ ，$i\ne j$ ， $i,j=1，2，....，$且$P(B_i)>0,i=1,2,....;$
3.1.2. $B_1\cup B_2\cup ....=\Omega$，则称事件组 $B_1,B_2,...$是样本空间$\Omega$的一个划分
设 $B_1$，$B_2$…是样本空间$\Omega$的一个划分，$A$为任一事件，则：
$$P(A)=\sum _{i=0}^{n}P(A|B_i)P(B_i)(4)$$
3.2. 全概率公式的意义在于，当直接计算$P(A)$较为困难,而$P(B_i),P(A|B_i)(i=1,2,...)$的计算较为简单时，可以利用全概率公式计算$P(A)$。思想就是，将事件$A$分解成几个小事件，通过求小事件的概率，然后相加从而求得事件$A$的概率，而将事件$A$进行分割的时候，不是直接对$A$进行分割，而是先找到样本空间$\Omega$的一个个划分$B_1$，$B_2$，…，$B_n$这样事件$A$就被事件$A{B}_1,A{B}_2,...A{B}_n$分解成了$n$部分，即$A=A{B}_1+A{B}_2+...+A{B}_n$, 每一$B_i$发生都可能导致$A$发生相应的概率是$P(A|B_i)$。
4 贝叶斯公式
与全概率公式解决的问题相反，贝叶斯公式是建立在条件概率的基础上寻找事件发生的原因（即大事件$A$已经发生的条件下，分割中的小事件$B_i$的概率），设$B_1,B_2,...$是样本空间$\Omega$的一个划分，则对任一事件$A（P(A)>0)$,有
$$P(B_i|A)=P(A|B_i)P(B_i)/P(A)(4)$$
上式即为贝叶斯公式（Bayes formula)，$B_i$常被视为导致试验结果$A$发生的”原因“，$P(B_i)(i=1,2,...)$表示各种原因发生的可能性大小，故称先验概率；$P(B_i|A)(i=1,\mathrm{2...})$则反映当试验产生了结果$A$之后，再对各种原因概率的新认识，故称后验概率。
参考文献
https://www.cnblogs.com/ohshit/p/5629581.html