一、条件概率

1.1 条件概率定义

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)P(A|B)P(A∣B)，读作“在B的条件下A的概率”。

1.2 条件概率例题

投掷一枚硬币2次**，A表示“至少有一次出现正面”；B表示“两次出现同一面”，求P(A)P(A)P(A)、P(B)P(B)P(B)、P(AB)P(AB)P(AB)、P(B∣A)P(B|A)P(B∣A)、P(B∣A‾))P(B| \overline A))P(B∣A))
其可能情况如下所示：

正、正	正、反
反、正	反、反

因此，P(A)=34P(A)=\frac{3}{4}P(A)=43、P(B)=12P(B)=\frac{1}{2}P(B)=21、P(AB)=14P(AB)=\frac{1}{4}P(AB)=41、P(B∣A)=13P(B|A)=\frac{1}{3}P(B∣A)=31、P(B∣A‾)=1P(B|\overline A)=1P(B∣A)=1。

设A和B为任意两事件，且P(A)>0P(A)>0P(A)>0，比值P(AB)P(A)\frac{P(AB)}{P(A)}P(A)P(AB)为事件A发生条件下B发生的条件概率–>记为：P(B∣A))=P(AB)P(A)P(B| A))=\frac{P(AB)}{P(A)}P(B∣A))=P(A)P(AB)

拓展：若事件A1、A2、A3、A4...AnA_{1}、A_{2}、A_{3}、A_{4}...A_{n}A1、A2、A3、A4...An互不相容，则有如下推论：
P((A1+A2+A3+...An)∣B))=P((A1+A2+A3+...An)B)P(B)=P(A1∣B)+P(A1∣B)+...P(An∣B)\begin{aligned} P((A_{1}+A_{2}+A_{3}+...A_{n})|B))&=\frac{P((A_{1}+A_{2}+A_{3}+...A_{n})B)}{P(B)}\\& =P(A_1|B)+P(A_1|B)+...P(A_n|B) \end{aligned} P((A1+A2+A3+...An)∣B))=P(B)P((A1+A2+A3+...An)B)=P(A1∣B)+P(A1∣B)+...P(An∣B)

1.3 乘法定理

设A和B为任意两事件，且P(A)>0P(A)>0P(A)>0，比值P(AB)P(A)\frac{P(AB)}{P(A)}P(A)P(AB)为事件A发生条件下B发生的条件概率–>记为：P(B∣A))=P(AB)P(A)P(B| A))=\frac{P(AB)}{P(A)}P(B∣A))=P(A)P(AB)；由条件概率可以推导出：如下乘法公式：
P(AB)=P(A)P(B∣A)=P(B)P(A∣B){P(AB)}={P(A)}P(B| A)={P(B)}P(A| B)P(AB)=P(A)P(B∣A)=P(B)P(A∣B)

1.4 乘法定理例题

一个袋子里有100件产品，其中有10件次品，现依次不放回取出每次仅取一件，求第三次才取到正品的概率。
解：设事件AiA_{i}Ai为第iii次取到正品(i=1,2i=1, 2i=1,2)；事件A3A_3A3为第三次才取到正品；
P(A)=P(A‾1A‾2A3)=P(A‾1)P(A‾2∣A‾1)P(A3∣A‾1A‾2)=10100∗999∗9098=0.0835P(A)=P(\overline A_1 \overline A_2 A_3)=P(\overline A_1)P(\overline A_2|\overline A_1)P(A_3|\overline A_1\overline A_2)=\frac{10}{100}*\frac{9}{99}*\frac{90}{98}=0.0835P(A)=P(A1A2A3)=P(A1)P(A2∣A1)P(A3∣A1A2)=10010∗999∗9890=0.0835

1.5 全概率公式

全概率公式定义如下，设A1、A2…AnA_1、A_2\dots A_nA1、A2…An是互不相容的事件，且P(Ai)>0，(i=1,2,…n)P(A_i)>0，(i=1, 2, \dots n)P(Ai)>0，(i=1,2,…n)，B⊂(A1+A2⋯+An)B\subset(A_1+A_2\dots +A_n)B⊂(A1+A2⋯+An)，则有如下等式：
P(B)=∑i=1nP(Ai)P(B∣Ai)P(B)=\sum_{i=1}^{n}P(A_i)P(B|A_i)P(B)=i=1∑nP(Ai)P(B∣Ai)全概率公式的意义在于，直接计算P(B)P(B)P(B)较为困难，而P(Ai)P(A_i)P(Ai),P(B∣Ai)(i=1,2,...)P(B|A_i)(i=1,2,...)P(B∣Ai)(i=1,2,...)的计算较为简单时，则可以利用全概率公式计算P(B)P(B)P(B)
主要以例题的形式来帮助理解全概率公式，例题如下所示：
例1. 袋子中有10个阄，其中8个是白阄，2个是有物之阄，现甲、乙两人依次取一个，求每人抓到有物之阄的概率是多少？
解：设事件A表示甲抓到有物之阄；事件B表示乙抓到有物之阄
P(A)=210=15P(A)=\frac{2}{10}=\frac{1}{5}P(A)=102=51 因为甲、乙两人依次取，B只有在A发生或者A不发生的前提下发生；因此，B⊂(A+A‾)B \subset (A + \overline A)B⊂(A+A).
B=B(A+A‾)=BA+BA‾B = B(A + \overline A)=BA+B\overline AB=B(A+A)=BA+BA 结合乘法公式，则可得
P(B)=P(BA+BA‾)=P(BA)+P(BA‾)=P(A)P(B∣A)+P(A‾)P(B∣A‾)=15×19+45×15=15\begin{aligned} P(B)&=P(BA+B\overline A)\\ &=P(BA)+P(B\overline A)\\ &=P(A)P(B|A)+P(\overline A)P(B|\overline A)\\ &= \frac{1}{5}\times\frac{1}{9}+\frac{4}{5}\times\frac{1}{5}\\ &=\frac{1}{5}\end{aligned}P(B)=P(BA+BA)=P(BA)+P(BA)=P(A)P(B∣A)+P(A)P(B∣A)=51×91+54×51=51 结论：抽签概率与抽签的先后顺序无关。

例2. 一车间生产甲、乙、丙三种型号的产品，其中甲占%25\%25%25，乙占%35\%35%35，丙占%45\%45%45，甲、乙、丙三种产品的次品率分别为：%5，%4，%2\%5，\%4，\%2%5，%4，%2，现在车间中随机抽取一产品，求它是次品的概率？
解：A1、A2、A3A_1、A_2、A_3A1、A2、A3表示抽到的产品为甲、乙、丙三种产品；BBB表示抽到的产品为次品。因此，B⊂(A1+A2+A3)B\subset(A_1+A_2+A_3)B⊂(A1+A2+A3)，且A1+A2+A3A_1+A_2+A_3A1+A2+A3互不相容，则利用全概率公式可得：
P(B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+P(A3)P(B∣A3)=%25×%5+%35×%4+%45×%2=0.0345\begin{aligned} P(B)&=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+P(A_3)P(B|A_3)\\ &=\%25\times\%5+\%35\times\%4+\%45\times\%2\\ &=0.0345\end{aligned} P(B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+P(A3)P(B∣A3)=%25×%5+%35×%4+%45×%2=0.0345

1.6 贝叶斯公式

贝叶斯公式又被称为贝叶斯定理、贝叶斯规则是概率统计中的应用所观察到的现象对有关概率分布的主观判断（即先验概率）进行修正的标准方法。
所谓贝叶斯公式，是指当分析样本大到接近总体数时，样本中事件发生的概率将接近于总体中事件发生的概率。
1. 一车间生产甲、乙、丙三种型号的产品，其中甲占%25\%25%25，乙占%35\%35%35，丙占%45\%45%45，甲、乙、丙三种产品的次品率分别为：%5，%4，%2\%5，\%4，\%2%5，%4，%2，现再车间中随机抽取一产品，现已知抽取的产品是次品，求它分别属于甲、乙、丙类型次品的概率？(备注：对1.5小节中的例题2进行扩展)

解：A1、A2、A3A_1、A_2、A_3A1、A2、A3表示抽到的产品为甲、乙、丙三种产品；BBB表示抽到的产品为次品。由1.5可知P(B)=0.0345P(B)=0.0345P(B)=0.0345。
抽到的次品是甲类型次品的概率：P(A1∣B)=P(A1B)P(B)=%25×%50.0345≈0.362P(A_1|B)=\frac{P(A_1B)}{P(B)}=\frac{\%25\times\%5}{0.0345}\approx0.362P(A1∣B)=P(B)P(A1B)=0.0345%25×%5≈0.362
抽到的次品是乙类型次品的概率：P(A2∣B)=P(A2B)P(B)=%35×%40.0345≈0.406P(A_2|B)=\frac{P(A_2B)}{P(B)}=\frac{\%35\times\%4}{0.0345}\approx0.406P(A2∣B)=P(B)P(A2B)=0.0345%35×%4≈0.406
抽到的次品是丙类型次品的概率：P(A3∣B)=P(A3B)P(B)=%45×%20.0345≈0.232P(A_3|B)=\frac{P(A_3B)}{P(B)}=\frac{\%45\times\%2}{0.0345}\approx0.232P(A3∣B)=P(B)P(A3B)=0.0345%45×%2≈0.232
设A1、A2…AnA_1、A_2\dots A_nA1、A2…An是互不相容的事件，且P(Ai)>0，(i=1,2,…n)P(A_i)>0，(i=1, 2, \dots n)P(Ai)>0，(i=1,2,…n)，B⊂(A1+A2⋯+An)B\subset(A_1+A_2\dots +A_n)B⊂(A1+A2⋯+An)，P(B)>0P(B)>0P(B)>0，利用全概率公式和乘法公式则可以得到-贝叶斯公式：
P(Ai∣B)=P(AiB)P(B)=P(Ai)P(B∣Ai)∑i=1nP(Ai)P(B∣Ai)\begin{aligned} P(A_i|B)&=\frac{P(A_iB)}{P(B)}\\ &=\frac{P(A_i)P(B|A_i)}{\sum_{i=1}^{n}P(A_i)P(B|A_i)} \end{aligned} P(Ai∣B)=P(B)P(AiB)=∑i=1nP(Ai)P(B∣Ai)P(Ai)P(B∣Ai)

P(Ai)P(A_i)P(Ai)为先验概率(已知得病概率)，P(Ai)∣B)P(A_i)|B)P(Ai)∣B)为后验概率(例如，抽烟导致得病的概率)已知先验概率求后验概率。===>已知结果找原因

二、参考文献

1、四小时速成概率论
1、全概率公式的理解

概率论基础-条件概率、全概率公式、贝叶斯公式相关推荐

数学基础（1）~ 概率论基础知识
概率论基础出处:http://www.cnblogs.com/fanling999/p/6702297.html 参考:盛骤, 谢式千, 潘承毅. 概率论与数理统计, 第四版[M]. 高等教育出版社 ...
概率论基础（4）五种重要的分布（二项、泊松、均匀、指数、正态分布）
概率论对于学习 NLP 方向的人,重要性不言而喻.于是我打算从概率论基础篇开始复习,也顺便巩固巩固基础. 这是基础篇的第四篇知识点总结基础:下面前三篇的链接地址: 概率论基础(1)古典和几何概型及事 ...
【概率论基础】概率论的一些基础概念以及公式
概率论基础不确定性的来源: 被建模系统内在的随机性:如量子力学的粒子动力学描述. 不完全观测:不嫩观测到所有驱动系统行为的变量. 不完全建模:进行假设简化时必须舍弃某些观测信息,舍弃的信息导致魔性的 ...
概率论基础（7）数学期望、方差、协方差、切比雪夫不等式
概率论对于学习 NLP 方向的人,重要性不言而喻.于是我打算从概率论基础篇开始复习,也顺便巩固巩固基础. 这是基础篇的第七篇知识点总结基础:下面前六篇的链接地址: 概率论基础(1)古典和几何概型及事 ...
概率论基础知识（三）参数估计
概率论基础知识(三) 参数估计 1.矩矩是用来描述随机变量的某些特征的数字,即求平均值,用大写字母E表示. 矩是更具有一般意义的数字特征. 设有随机变量X,若 E ( ∣ X ∣ k ) < ...
概率论基础2----随机变量r.v.
1.Introduction 在概率论基础1里, 复习了如何计算某个事件的概率.以及如果不知直接获取在整个样本空间中,事件x的全部样本数,可以先统计在子样本集中的概率,再使用全概率公式,得到事件x在整 ...
文都计算机百度云盘,2018考研文都汤家凤面授概率论基础班
课件名称:2018考研文都汤家凤面授概率论基础班资源类型:大学生必备考研课程保存网盘:百度云网盘.高速下载. 资源说明: 该课程来源于网络,大家请支持正版课件, 考证资源实时在更新,若资源失效可以 ...
「Python数据分析系列」6. 概率论基础介绍
来源 | Data Science from Scratch, Second Edition 作者 | Joel Grus 译者 | cloverErna 校对 | gongyouliu 编辑 | ...
详解概率论基础: 从贝叶斯开始
转自:机器之心,侵删本文从最基础的概率论到各种概率分布全面梳理了基本的概率知识与概念,这些概念可能会帮助我们了解机器学习或开拓视野.这些概念是数据科学的核心,并经常出现在各种各样的话题上.重温基础知 ...

概率论基础-条件概率、全概率公式、贝叶斯公式

目录