视角转换：信息如何改变概率
当我们说“给定B”，实际上是在进行认知裁剪。原始样本空间Ω被压缩为B。这种压缩不是物理上的，而是信息层面的。例如，已知某家庭至少有一个男孩，则另一个孩子也是男孩的条件概率从1/2变为1/3。这体现了条件概率公式推导中分母的规范化作用。
条件概率公式推导 · 深度解析
从P(A|B)的核心定义出发，拆解样本空间收缩与联合概率的内在逻辑。
? 核心概念拆解
? 定义与直觉
条件概率衡量在事件B已发生的前提下，事件A发生的可能性。公式 P(A|B) = P(A∩B) / P(B) 本质是重新标定样本空间。
基础定义? 分母P(B)的意义
分母P(B)将世界限定在B的范围内。只有B发生，我们才考虑A。这相当于把B作为新的“全集”。
样本空间收缩? 分子P(A∩B)
分子代表A和B同时发生的概率。在条件概率中，它表示在B的世界里，A所占据的那部分比例。
联合概率从频率到条件概率的演变
假设我们重复实验N次，事件B发生了n(B)次，而A和B同时发生n(A∩B)次。那么在B发生的条件下A的频率为 n(A∩B)/n(B)。当N→∞，该比值收敛于P(A|B)。
⭐ 示例：掷骰子。设B={点数大于3}，A={点数为偶数}。B={4,5,6}，A∩B={4,6}。则P(A|B)=2/3。
扑克牌抽牌场景
副52张牌，先抽一张红桃，不放回，再抽一张黑桃。计算条件概率时需注意顺序影响。
? 设B={第一张是红桃}，A={第二张是黑桃}。P(B)=13/52，P(A∩B)= (13/52)(13/51)。因此P(A|B)=13/51。
独立性与互斥的区别
若A与B独立，则P(A|B)=P(A)。若互斥，则P(A|B)=0。切勿混淆乘法公式与条件公式。
⚡ 抛硬币：A=正面，B=反面。互斥下P(A|B)=0。而独立事件如两次抛掷，前次结果不影响后次。
⏳ 条件概率理论演进
世纪 · 贝叶斯提出逆概率
托马斯·贝叶斯首次探讨条件概率的反向推理，奠定了P(A|B)与先验概率的关系。
世纪 · 拉普拉斯形式化
拉普拉斯将条件概率公式推广至连续情形，并用于天体力学误差分析。
世纪 · 柯尔莫哥洛夫公理化
在概率公理体系中，P(A|B)被严格定义为P(A∩B)/P(B)，要求P(B)>0。
? 深度扩展：条件概率的哲学与计算
连续变量下的条件密度
对于连续随机变量，条件概率由条件概率密度函数描述：f(x|y)=f(x,y)/f(y)。这在金融风险模型和信号处理中至关重要。推导过程与离散情形一致，但需要测度论支撑。
条件概率的链式法则
多个事件的联合概率可分解为条件概率乘积：P(A₁∩A₂∩...∩Aₙ)=P(A₁)P(A₂|A₁)P(A₃|A₁,A₂)... 这为时序预测和自然语言处理提供了基础。
常见误区：条件概率与因果
P(A|B) 仅表示关联，不代表B导致A。例如，冰激凌销量高与溺水事件相关，但条件概率高并不意味因果。理解这一点对正确应用条件概率公式推导至关重要。
? 实际数据：某疾病检测阳性条件下患病概率。设患病率P(D)=0.001，检测敏感度P(+|D)=0.99，假阳性P(+|¬D)=0.05。则P(D|+)=0.0194，远低于直觉。这正是条件概率的力量。