1.3 条件概率、全概率公式、贝叶斯与独立性

本节摘要：条件概率 P(A|B) = P(A∩B)/P(B) 回答"已知 B 发生后 A 的概率如何更新"；全概率公式把复杂事件按原因分解求和；贝叶斯公式是它的逆运算，从结果反推原因；独立性 P(A∩B)=P(A)P(B) 则是"信息不更新"的特例。本节用赌场中的"换门游戏"与"体检误诊"两个案例，把条件概率的三种表达式（条件、全概率、贝叶斯）串成一条完整的推理链。

信息改变概率：条件概率的直觉

先看一个赌场场景。骰子掷出后，荷官看了一眼偷偷告诉你："点数比 3 大。"——信息来了，你的判断该更新了。原来 P(偶数)=1/2，现在已知点数 ∈ {4,5,6}，偶数占其中两个，所以 P(偶数 | 点数>3)=2/3。

这就是条件概率：在已知 B 发生的条件下重新评估 A 的概率。定义只有一个公式：

P(A|B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0

直观理解：B 已经发生，样本空间收缩成 B，A 在收缩后的空间里占的份额是 A∩B 相对 B 的比例。条件概率不是新概念，而是"换了一个样本空间"的普通概率——所有概率公理在条件概率下依然成立，这是它好用（也常被误用）的根源。

乘法公式与全概率公式：从条件到整体

把条件概率定义变形得到乘法公式：

P(A \cap B) = P(A|B)\,P(B)

这是求"两个事件同时发生"概率的通用武器——先发生一个，再在它的条件下发生另一个。赌场里的典型应用是"抽牌不放回"：从 52 张牌中连抽两张都是 A 的概率 = (4/52)×(3/51)。

乘法公式再往前推一步就是全概率公式。设 B₁,…,Bₙ 是样本空间的一个分割（互斥且并集为 Ω），则对任意事件 A：

P(A) = \sum_{i=1}^{n} P(A|B_i)\,P(B_i)

它把"求 A 的总概率"分解成"按原因 Bᵢ 分情况讨论再加权求和"。赌场版：一个轮盘有红、黑、绿三色，押"红"的玩家赢的概率，要分"落在红格""落在黑格""落在绿格"三种情况分别算再相加。全概率公式解决的是"从因到果"的正向问题。

贝叶斯公式：从结果反推原因

全概率公式的逆运算就是贝叶斯公式。已知结果 A 发生了，想知道它更可能来自哪个原因 Bᵢ：

P(B_i|A) = \frac{P(A|B_i)\,P(B_i)}{P(A)} = \frac{P(A|B_i)\,P(B_i)}{\sum_{j} P(A|B_j)\,P(B_j)}

分母正是全概率公式，分子是"该原因产生这个结果的贡献"。贝叶斯公式把先验概率 P(Bᵢ) 更新为后验概率 P(Bᵢ|A)——这是统计推断的发动机，第 6 章点估计、第 8 章贝叶斯学派都会反复用到。

案例：体检误诊——阳性不等于患病

设某种罕见病发病率 P(患病)=0.001（先验），检测灵敏度（患病者检出阳性）P(阳性|患病)=0.99，误报率（健康者检出阳性）P(阳性|健康)=0.05。体检结果阳性，真患病的概率是多少？直觉往往给出"很高"，贝叶斯公式给出准确答案：


# 贝叶斯公式：阳性条件下真患病的概率
p_dis, sens, fp = 0.001, 0.99, 0.05
p_pos = sens * p_dis + fp * (1 - p_dis)          # 全概率公式
post = sens * p_dis / p_pos                       # 贝叶斯公式
print("P(阳性) = %.4f" % p_pos)
print("P(患病|阳性) = %.4f  (%.2f%%)" % (post, post * 100))
# 输出约 0.0194，即不足 2%！

看起来反直觉的结果有清晰的机制：误报率 5% 落在 99.9% 的健康人身上，贡献了大量假阳性；真阳性被稀释。先验概率太低时，高灵敏度也救不回后验概率。这正是第 6 章讨论"检验功效与误判成本"时的数学基础。

蒙特卡洛复核这个结论：模拟一百万人的患病与检测过程，统计阳性人群中实际患病的比例。


import numpy as np
rng = np.random.default_rng(7)
N = 1_000_000
dis = rng.random(N) < 0.001                         # 患病
pos = np.where(dis,
               rng.random(N) < 0.99,                 # 患病者按灵敏度检出
               rng.random(N) < 0.05)                 # 健康者按误报率检出
print("模拟 P(患病|阳性) = %.4f" % (dis[pos].mean()))  # 约 0.019

模拟的 0.019 与手算 0.0194 一致——"先验压过似然"在几十万次模拟里被钉死。

独立性：信息不更新的特例

回到条件概率的定义式：什么时候"知道 B 发生"不会改变对 A 的判断？答案是 P(A|B) = P(A)。代入定义式得到独立性的标准定义：

P(A \cap B) = P(A)\,P(B)

独立 = 联合概率等于边缘概率的乘积。赌场里最典型的独立事件是"连续两局轮盘结果"——上一局红不影响下一局，P(红₂|红₁)=P(红₂)。注意独立性是定义在概率上的，不是"看起来没关系"；两个事件是否独立必须用乘法检验，不能凭直觉。

两个经典陷阱：

独立 ≠ 互斥。互斥指 P(A∩B)=0，若 A、B 概率都为正，则 P(A)P(B)>0，绝不独立。反过来，独立事件可以同时发生。轮盘"押红"和"押 17"互斥吗？不，17 是红的就同时发生。
两两独立 ≠ 相互独立。三个事件两两独立，未必三个同时独立的乘法也成立。经典反例：掷两枚硬币，A=第一枚正面，B=第二枚正面，C=两枚同面。A、B、C 两两独立，但 A∩B∩C 概率为 1/4，P(A)P(B)P(C)=1/8，不相等。这提醒我们：**独立性是全局性质，验证必须覆盖所有组合**。


# 两两独立 ≠ 相互独立：硬币反例
from itertools import product
omega = list(product("HT", repeat=2))
def P(ev): return len(ev) / len(omega)
A = {o for o in omega if o[0] == "H"}
B = {o for o in omega if o[1] == "H"}
C = {o for o in omega if o[0] == o[1]}
print("P(A)P(B)=%.3f P(A∩B)=%.3f" % (P(A)*P(B), P(A & B)))   # 0.25 = 0.25 独立
print("P(A∩B∩C)=%.3f P(A)P(B)P(C)=%.3f" % (P(A & B & C), P(A)*P(B)*P(C)))  # 0.25 ≠ 0.125

换门游戏：条件概率的终极考场

蒙特霍尔问题（三门问题）是条件概率的经典压轴题：三扇门，一扇后有车，两扇后有羊。你选 1 号门，主持人（知道车在哪）打开一扇有羊的门，问是否换到剩下的那扇。答案是换——因为 P(车在 2 号|开门 3 号) = 2/3，不换只有 1/3。


import numpy as np
rng = np.random.default_rng(3)
N = 200_000
car = rng.integers(0, 3, N)          # 车的位置
pick = rng.integers(0, 3, N)         # 玩家初选
# 不换胜率：初选即中
no_swap = (car == pick).mean()
# 换门胜率：初选没中（主持人打开另一扇羊门后，换门必中）
swap = (car != pick).mean()
print("不换胜率 %.4f  换门胜率 %.4f" % (no_swap, swap))   # 1/3 vs 2/3

模拟输出 0.333 / 0.667，与条件概率手算一致。换门问题的"反直觉"恰恰说明：信息改变概率，而条件概率是唯一正确的更新方式——主持人开门是信息，不是随机事件。

本节要点回顾

条件概率 = 换样本空间：P(A|B)=P(A∩B)/P(B)，所有公理在条件概率下依然成立
乘法公式：P(A∩B)=P(A|B)P(B)，"不放回"类问题的标准武器
全概率公式：按原因分解求和，解决"从因到果"
贝叶斯公式：从结果反推原因，先验→后验，统计推断的发动机
独立性：P(A∩B)=P(A)P(B)，信息不更新的特例；互斥≠独立、两两独立≠相互独立
信息改变概率：换门游戏与体检误诊，都是条件概率在真实决策中的发力点

作者与出处

原作者：灏天文库

来源：灏天文库

整理：灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流