在事件 B 已经发生的前提下，事件 A 发生的概率，它体现了“信息”如何改变我们的概率评估。
记作： P(A|B)
读作： “在 B 发生的条件下 A 发生的概率”，或简称“给定 B 时 A 的概率”。
直观理解与例子
经典例子：抽扑克牌 假设有一副标准的52张扑克牌。
- 事件 A：抽到一张 A。
- 事件 B：抽到一张红桃。
无条件概率（先验概率）：
P(A) = 4/52 = 1/13（因为总共有4张A）P(B) = 13/52 = 1/4（因为总共有13张红桃）
条件概率： 如果我们已经知道抽到的这张牌是 红桃（B 已发生），那么在这个新信息下，抽到 A 的概率是多少？
- 在红桃牌中,只有 1 张 是 A（即红桃A）。
- 红桃牌总共有 13 张。
P(A|B) = 1/13
你会发现,在这个例子中 P(A|B) = P(A)，这是因为在红桃这个子集中，A的比例和在全牌中的比例相同，这说明事件 A 和 B 是独立的（稍后会讲）。
再看一个不独立的例子：
- 事件 C：抽到一张人头牌（J， Q， K）。
- 事件 D：抽到一张红桃。
P(C) = 12/52 = 3/13 （因为有12张人头牌）
已知抽到的牌是红桃（D 已发生），它是人头牌的概率是多少？
- 在13张红桃中,人头牌有 3 张（红桃J， Q， K）。
P(C|D) = 3/13
P(C|D) = 3/13 ≈ 0.231，而 P(C) = 3/13 ≈ 0.231，咦？怎么又相等了？别急，我们算一下 P(D|C)。
已知抽到的牌是人头牌（C 已发生），它是红桃的概率是多少？
- 在12张人头牌中,红桃人头牌有 3 张。
P(D|C) = 3/12 = 1/4 = 0.25- 而
P(D) = 1/4 = 0.25
在这个特定构造的例子中,P(C|D) = P(C) 且 P(D|C) = P(D)，说明 抽到红桃 和 抽到人头牌 这两个事件也是独立的，这有点反直觉，但它确实独立，因为红桃中“人头牌的比例”(3/13)等于整副牌中“人头牌的比例”(12/52)，反之亦然。
让我们构造一个明显不独立的例子：
- 事件 E：抽到一张 A。
- 事件 F：抽到一张黑桃。
P(E) = 4/52 = 1/13 ≈ 0.0769
已知抽到的牌是黑桃（F 已发生），它是 A 的概率是多少？
- 在13张黑桃中,A 有 1 张。
P(E|F) = 1/13 ≈ 0.0769，天啊，又相等了！这说明“抽到A”和“抽到黑桃”也是独立的。
在一副洗匀的标准扑克牌中，“抽到某花色”和“抽到某种点数（如A或人头牌）”这两个事件确实是相互独立的，这是因为每种花色的牌中，各种点数的构成比例与整副牌完全一致。
为了理解不独立，我们换一个场景： 一个班级有 30 名学生。
- 15 名男生，15 名女生。
- 10 名学生戴眼镜（4 名男生，6 名女生）。
随机选一名学生。
- 事件 M：选到男生。
P(M) = 15/30 = 0.5 - 事件 G：选到戴眼镜的学生。
P(G) = 10/30 = 1/3
条件概率：
-
P(G|M)：已知选到的是男生，他戴眼镜的概率是多少？- 男生总共15人,其中4人戴眼镜。
P(G|M) = 4/15 ≈ 0.267- 而
P(G) = 0.333，P(G|M) ≠ P(G)。 - 信息“选到男生”降低了“戴眼镜”的概率。
-
P(M|G)：已知选到的学生戴眼镜，他是男生的概率是多少？- 戴眼镜的学生总共10人,其中4人是男生。
P(M|G) = 4/10 = 0.4- 而
P(M) = 0.5，P(M|G) ≠ P(M)。 - 信息“戴眼镜”降低了“是男生”的概率。
在这个例子中,“是男生”和“戴眼镜”这两个事件是不独立的，信息会改变概率。
计算公式
条件概率的核心公式（也是定义式）为：
P(A|B) = P(A ∩ B) / P(B)， P(B) > 0
解释：
P(A ∩ B)是事件 A 和 B 同时发生的概率（联合概率）。P(B)是事件 B 发生的概率。- 公式的含义是：在 B 发生的“世界”（样本空间缩至 B）里，A 也发生的情况（即
A ∩ B）占这个世界 (B) 的比例。
变形公式（乘法公式）：
由定义式可以直接得到：
P(A ∩ B) = P(B) * P(A|B) = P(A) * P(B|A)
这个公式非常有用,它可以将求两个事件同时发生的概率，分解为分步计算的乘积。
重要概念：独立事件
如果事件 B 的发生不影响事件 A 发生的概率，即：
P(A|B) = P(A)
那么称事件 A 和 B 是相互独立的。
根据乘法公式,独立性也等价于： *`P(A ∩ B) = P(A) P(B)`** 这是一个非常常用的判定和计算独立事件联合概率的公式。
注意： 不要把“互斥”和“独立”混淆。
- 互斥：A 和 B 不可能同时发生。
P(A ∩ B) = 0。 - 独立：A 的发生不影响 B 的概率。
P(A ∩ B) = P(A)P(B)。P(A)>0且P(B)>0，那么互斥事件一定不独立！因为一个发生，另一个必然不发生，影响是绝对的。
简单应用示例
问题： 一个盒子里有 5 个红球和 3 个蓝球，连续不放回地抽取两个球，求第一次抽到红球(A)且第二次抽到蓝球(B)的概率。
解法（使用条件概率/乘法公式）：
P(A) = 5/8- 在第一次抽走一个红球后,盒子里剩下 4 红 3 蓝，共7个球。
P(B|A) = 3/7（在A发生的条件下，抽到蓝球的概率）- 根据乘法公式：
P(A ∩ B) = P(A) * P(B|A) = (5/8) * (3/7) = 15/56
- 条件概率
P(A|B)：已知 B 发生，A 发生的概率。 - 核心公式：
P(A|B) = P(A ∩ B) / P(B)。 - 乘法公式：
P(A ∩ B) = P(B) * P(A|B)。 - 独立事件：
P(A|B)=P(A)或P(A ∩ B)=P(A)P(B)。 - 思维关键：条件概率意味着样本空间的缩小，我们不再考虑所有可能情况，只关注事件 B 所定义的“新世界”。
理解条件概率是学习贝叶斯定理、全概率公式等更高级概率概念的基础，希望这个解释对你有帮助！
