一篇博客学会一个Point 1 | 条件概率 Conditional probability

在概率论中，条件概率是一个事件发生概率的量度，假设另一个事件（通过假设、推定、断言或证据）已经发生。[1]这种特定的方法依赖于事件 B 的发生与另一个事件 A 有某种关系。在这种情况下，事件 B 可以通过关于 A 的条件概率来分析。如果感兴趣的事件是A并且事件B已知或假定已经发生，“ A给定B的条件概率”，或“ A在条件下的概率B ”，通常写成P( A | B ) [2]或偶尔写成P B ( A )。这也可以理解为概率 B 与 A 相交的分数：

 例如，任何人在任何一天咳嗽的概率可能只有 5%。但是，如果我们知道或假设这个人生病了，那么他们更有可能咳嗽。例如，身体不适（生病）咳嗽的条件概率可能是 75%，在这种情况下，我们将有P(咳嗽) = 5% 和P(咳嗽|生病) = 75%。虽然在这个例子中A和B之间存在关系，但是A和B之间的这种关系或依赖不是必须的，也不必同时发生。

P( A | B )可能等于也可能不等于P( A )（A的无条件概率）。如果P( A | B ) = P( A )，则称事件A和B是独立的：在这种情况下，关于任一事件的知识不会改变彼此的可能性。P( A | B ) （给定B的A的条件概率）通常不同于P( B | A) . 例如，如果一个人患有登革热，那么该人可能有 90% 的机会被检测出该病呈阳性。在这种情况下，测量的是如果事件B（患有登革热）发生，那么在B发生的情况下， A（测试为阳性）的概率为 90%，只需写成P( A | B ) = 90%。或者，如果一个人被检测出登革热呈阳性，由于假阳性率很高，他们可能只有 15% 的机会实际患上这种罕见疾病。在这种情况下，事件B的概率(患有登革热）假设事件A（检测呈阳性）发生率为 15% 或P( B | A ) = 15%。现在应该很明显，错误地将这两个概率等同起来会导致各种推理错误，这通常通过基本率谬误看到。

解析：P(X):X的概率

         P(咳嗽|生病)：咳嗽发生的概率是基于生病的基础上发生的事件，A是咳嗽，B是生病，这时会有俩种情况，一是咳嗽和生病是关联的，二是咳嗽和生病不

虽然条件概率可以提供非常有用的信息，但通常提供或手头的信息有限。因此，使用贝叶斯定理反转或转换条件概率可能很有用：
，另一种选择是在条件概率表中显示条件概率以阐明事件之间的关系。

1.定义

1.1.以事件为条件

1.1.1柯尔莫戈罗夫定义

给定来自概率空间的sigma 域的两个事件 A和B ，其中B的无条件概率大于零（即P( B ) > 0），A给定B的条件概率(P(A| B)) 是如果B已经发生或假定B 已经发生，则A发生的概率。 A被假定为具有有限或减少样本空间的实验或随机试验的所有可能结果的集合。条件概率可以通过事件A和B的联合相交概率的商( P(A|B))—— A和B同时发生的概率，尽管不一定同时发生——以及 B 的概率：

 ​

对于由相等可能性结果组成的样本空间，事件A的概率被理解为A中的结果数量与样本空间中所有结果的数量的分数。那么，这个方程被理解为集合的分数 A∩B到集合B。请注意，上述等式是一个定义，而不仅仅是一个理论结果。我们表示数量

​作为P（A|B）并将其称为“给定B的A的条件概率”。

如图，用欧拉图说明条件概率。

无条件无条件概率P( A ) = 0.30 + 0.10 + 0.12 = 0.52。

但是，条件概率P ( A | B 1 ) = 1，

P ( A | B 2 ) = 0.12 ÷ (0.12 + 0.04) = 0.75，

并且 P( A | B 3 ) = 0。

.

​

 

如图在树形图上，分支概率取决于与父节点关联的事件。（此处，横线表示事件未发生。）

如图描述条件概率的维恩饼图

解析：所处情况不同，得到P(A|B)的值不同。

1.2.以概率为零的事件为条件

1.3.以离散随机变量为条件

1.4.偏条件概率

2.统计独立性

如果 A 和 B 相交的概率等于 A 和 B 概率的乘积，则 事件A和B被定义为统计上独立的：

P（A∩B）=P(A)P(B)

如果P ( B ) 不为零，则这等价于以下语句：

P(A|B)=P(A)

类似地，如果P ( A ) 不为零，则

P(B|A)=P(B)

也是等价的。尽管派生形式可能看起来更直观，但它们不是首选定义，因为条件概率可能未定义，并且首选定义在A和B中是对称的。独立不是指不相交的事件。[17]还应注意，给定独立事件对 [AB] 和变量 B，如果乘积成立，则该对是条件独立的，定义为条件独立.

P(AB|C)=P(A|C)P(B|C)

该定理在观察多个独立事件的应用中可能很有用。

独立事件与互斥事件

相互独立的事件和相互排斥的事件的概念是分开的和不同的。下表对比了两种情况的结果（假设条件事件的概率不为零）。

 3.条件概率的通俗理解

3.1.基本概念

条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：P（A|B），读作“在B的条件下A的概率”。

3.2详细解释

根据上述公式，左边 P(A/B) 表示B事件发生的条件下A事件的概率，

P(AB) 表示A、B同时发生的概率， P(B) 表示B事件发生的概率，很容易理解。

分母 P(B) 很容易想明白，但为什么分子是 P(AB) 呢？

由于此处表示的是B发生的条件下A的概率，其实就可以理解为 P(A∩B) 。

 

以下举例说明：

投掷一枚均匀的骰子，该骰子一共有6个面，分别为1，2，3，4，5，6。

（1）向上的点数为偶数的概率是多少？

（2）向上的点数为偶数且大于4的概率是多少？

（3）已知向上的点数是偶数，那么该点数大于4的概率是多少？

将向上的点数为偶数记为事件A，则 P(A)=36=½

将向上的点数大于4的事件记为B，因为向上的点数为偶数且大于4的只有6，

则 （）P（AB）=1/6 。

由上所知，故 （）P(B/A)=P（AB）P(A)=1/3 。

在计算向上点数大于4的时候，此时不要忘了前提是在偶数的情况下计算的。

条件概率就是“条件到结果，结果在条件中的比例”。

如果你是人，那么你是男人（50%）

如果你是男人，那么你是人（100%）

传统条件式逻辑推理，建立在100%的必然性上（从小到大）。概率的本质就是传统条件推理的“颠倒”（从大到小）。