1.4 条件概率

条件概率

在事件\(B\)已经发生的前提条件下，事件\(A\)发生的概率称为A对B的条件概率：\(P(A|B)\).


(资料图片)

通常，\(P(A)\)为无条件概率，对应的样本空间为\(\Omega\)。

而条件概率\(P(A|B)\)对应的样本空间为\(B\)，或者记为\(\Omega_B\).

所以：

\[P(A|B)=\frac{n_{AB}}{n_B}=\frac{\frac{n_{AB}}{n}}{\frac{n_B}{n}}=\frac{P(AB)}{P(B)}\]

乘法公式

根据\(P(A|B)=\frac{P(AB)}{P(B)}\)可以推导出：

  1. \(P(AB)=P(A)P(B|A)\)
  2. \(P(AB)=P(B)P(A|B)\)

其中要求\(P(A)>0,\ P(B)>0\).

乘法公式可以推广到任意有限个事件：

\[P(A_1A_2\cdots A_n)=P(A_1)P(A_2|P_1)P(A_3|A_1A_2)\cdots P(A_n|A_1A_2\cdots A_{n-1})\]

可以理解为逐步画圈，缩小范围直到精准命中指定交集：（这里用\(n=3\)为例）

全概率公式

则对于任意事件\(B\)，有：

\[P(B)=\sum\limits_iP(A_i)P(B|A_i)\]

事实上，\(\{A_i\}\)不需要是\(E\)的完备事件集，只需要满足\(\{A_i\}\)的并集能包住\(B\)即可。

贝叶斯公式

定义

则对于任意事件\(B\)，\(P(B)>0\)，有：

\[P(A_i|B)=\frac{P(A_iB)}{P(B)}=\frac{P(A_i)P(B|A_i)}{\sum\limits_iP(A_i)P(B|A_i)}\]

相关概念

贝叶斯公式的特点是由果推因，\(A_i\)是原因，\(B\)是结果。在已知\(B\)已经发生的情况下，推测“是\(A_i\)导致的”的可能性。

举例：

事件\(B\)是“头疼”，

事件\(\{A_i\}=\){

​"劳累过度",

​"普通感冒",

​"感染新冠",

​......

}

解析：不管事件\(B\)是否发生，事件\(A_i\)都有各自发生的可能性，也就是先验概率\(P(A_i)\)。在事件\(B\)发生之后，后验概率\(P(A_i|B)\)表示“已经头疼了，是由事件\(A_i\)导致的概率是多少”。

注：在这个例子中：

二者不能搞混。

使用教材：《概率论与数理统计》第四版 中国人民大学 龙永红 主编 高等教育出版社

推荐内容