条件概率：从依赖到独立

什么是条件概率？

条件概率是指事件A在事件B已经发生的条件下发生的概率，记为P(A|B)。其数学定义为：
P(A|B) = P(A∩B) / P(B)，前提是P(B) > 0。

想象一个简单的场景：从一副扑克牌中随机抽一张，已知抽到的是红色牌，那么抽到红心的概率是多少？这里事件B为“红色牌”，事件A为“红心”，则P(A|B)=13/26=1/2。条件概率缩小了样本空间，让我们能够在新的信息下重新评估概率。

乘法公式与全概率公式

由条件概率定义可直接推导出乘法公式：
P(A∩B) = P(B) * P(A|B)。

当需要计算一个复杂事件的概率时，全概率公式非常有用：
若事件{B₁, B₂, …}构成样本空间的一个完备事件组（两两互斥且并集为全集），则对任意事件A有：
P(A) = Σ P(Bᵢ) * P(A|Bᵢ)。

例如，某工厂有三条生产线，产量分别占30%、50%、20%，次品率依次为1%、2%、3%。则随机抽一个产品是次品的概率为：0.3×0.01 + 0.5×0.02 + 0.2×0.03 = 0.003+0.01+0.006=0.019。

贝叶斯定理：反方向的思考

贝叶斯定理是条件概率的逆用：
P(Bᵢ|A) = P(Bᵢ) * P(A|Bᵢ) / P(A)。

继续用上例，如果抽到一个次品，它来自第一条生产线的概率是多少？代入公式：P(B₁|A) = 0.3×0.01 / 0.019 ≈ 0.1579。贝叶斯定理广泛应用于垃圾邮件过滤、医学诊断等领域。

独立性：没有依赖的关系

如果事件A的发生与否不影响事件B的概率，即P(A∩B)=P(A)P(B)，则称A与B独立。独立时也有P(A|B)=P(A)。

注意：互斥与独立不同。互斥事件（如A与A的补集）往往不独立，因为一个发生则另一个必不发生。

经典例题

例1：罐中有3红球2白球，不放回取两次。已知第一次取到红球，求第二次取到白球的概率。
解：设A=第一次红，B=第二次白。则P(A)=3/5，P(AB)= (3/5)*(2/4)=3/10，所以P(B|A)= (3/10)/(3/5)=1/2。直观也可知，第一次取红后剩下2红2白，第二次取白概率为2/4=1/2。

例2：一种疾病患病率为0.1%，检测准确率99%。若某人检测阳性，实际患病的概率是多少？
解：设D=患病，T=阳性。则P(D)=0.001，P(T|D)=0.99，P(T|非D)=0.01。P(T)=0.001×0.99 + 0.999×0.01 ≈ 0.01098。P(D|T)=0.001×0.99/0.01098 ≈ 0.0902。即使检测准确率很高，阳性者真正患病的概率仍不足10%。

总结

条件概率是处理不确定性信息的有力工具。掌握它，你就掌握了概率论中许多高级主题（如马尔可夫链、贝叶斯网络）的基石。