{
  "id": "conditional-probability",
  "title": "条件概率",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "条件概率是在已知某个事件发生或给定特定信息的情况下，另一个事件发生的概率。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/conditional-probability/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/conditional-probability/",
      "json": "https://aiwiki.page/en/conditional-probability.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "条件概率是在已知另一个事件发生或给定特定信息的情况下，赋予某个事件的概率。它记作 \\(P(A\\mid B)\\)，读作“给定 \\(B\\) 时 \\(A\\) 的概率”。取条件意味着只考虑与已知信息相符的结果，并相应调整这些结果的概率。条件概率是统计学中描述依赖关系和进行不确定性推理的基本工具。(pages.stat.wisc.edu)"
    },
    {
      "heading": "定义与解释",
      "text": "设 \\(A\\) 和 \\(B\\) 是概率空间 \\((\\Omega,\\mathcal F,P)\\) 中的事件。若 \\(P(B)>0\\)，则\n\n\\[P(A\\mid B)=\\frac{P(A\\cap B)}{P(B)}.\\]\n\n这里，\\(A\\cap B\\) 表示两个事件同时发生。分母对 \\(B\\) 内的概率进行重新归一化，使 \\(B\\) 本身的条件概率为一。换言之，此时 \\(B\\) 相当于新的样本空间。固定 \\(B\\) 后，映射 \\(A\\mapsto P(A\\mid B)\\) 满足通常的概率公理，包括非负性和可列可加性。(arxiv.org)\n\n例如，考虑一枚均匀的六面骰子。令 \\(A\\) 表示“点数大于三”，\\(B\\) 表示“点数为偶数”。在 \\(B=\\{2,4,6\\}\\) 中，三个等可能的结果有两个属于 \\(A\\)，因此 \\(P(A\\mid B)=2/3\\)，而 \\(P(A)=1/2\\)。这一计算体现了先限定结果范围、再进行归一化的过程。只有当相关结果等可能时，才能直接通过计数来计算概率。(live.ocw.mit.edu)"
    },
    {
      "heading": "乘法公式与全概率公式",
      "text": "对定义式进行变形，即可得到乘法公式：\n\n\\[P(A\\cap B)=P(A\\mid B)P(B).\\]\n\n反复应用这一公式可得\n\n\\[P\\!\\left(\\bigcap_{i=1}^{n}A_i\\right) =P(A_1)\\prod_{i=2}^{n} P\\!\\left(A_i\\mid\\bigcap_{j=1}^{i-1}A_j\\right),\\]\n\n前提是作为条件的事件均具有正概率。这种分解通过一系列条件概率来表示联合概率，并不要求事件之间相互独立。(arxiv.org)\n\n全概率公式将不同情形下的条件概率综合起来。若 \\(B_1,\\ldots,B_n\\) 是两两互斥且并集为整个样本空间的事件，并且各自的概率均为正，则\n\n\\[P(A)=\\sum_{i=1}^{n}P(A\\mid B_i)P(B_i).\\]\n\n因此，无条件概率是各个情形下概率的加权平均，权重为各情形发生的概率，不一定相等。(live.ocw.mit.edu)"
    },
    {
      "heading": "贝叶斯定理与条件方向的逆转",
      "text": "一般而言，\\(P(A\\mid B)\\) 与 \\(P(B\\mid A)\\) 并不相同。贝叶斯定理给出了两者之间的关系：\n\n\\[P(A\\mid B)=\\frac{P(B\\mid A)P(A)}{P(B)},\\]\n\n其中右侧各项须有定义。若可能的假设 \\(H_i\\) 构成一个划分，则\n\n\\[P(H_i\\mid E)= \\frac{P(E\\mid H_i)P(H_i)} {\\sum_j P(E\\mid H_j)P(H_j)}.\\]\n\n在贝叶斯推断中，先验分布表示纳入证据之前的不确定性，似然函数描述各个假设下证据出现的可能性，而后验分布表示以证据为条件之后的不确定性。(ocw.mit.edu)\n\n举一个具体的计算例子：假设从一枚均匀硬币和一枚总是掷出正面的硬币中，以相等的概率选取一枚。观察到一次正面后，所选硬币是那枚总出正面的硬币的概率为\n\n\\[\\frac{1\\cdot(1/2)} {1\\cdot(1/2)+(1/2)\\cdot(1/2)} =\\frac23.\\]\n\n尽管在这一假设下必然出现正面，但出现正面后，这一假设并不必然成立。若不考虑先验概率就逆转条件方向，便会混淆两个不同的问题。(ocw.mit.edu)"
    },
    {
      "heading": "独立性与条件独立",
      "text": "当事件满足\n\n\\[P(A\\cap B)=P(A)P(B)\\]\n\n时，它们具有统计独立性。在 \\(P(B)>0\\) 时，这等价于 \\(P(A\\mid B)=P(A)\\)：得知 \\(B\\) 已发生并不会改变 \\(A\\) 的概率。独立与互斥是不同的概念。两个概率均为正的互斥事件不可能独立，因为它们交集的概率为零。(pages.stat.wisc.edu)\n\n条件独立是指在给定信息的情况下成立的独立性。给定一个概率为正的事件 \\(C\\)，条件独立意味着\n\n\\[P(A\\cap B\\mid C)=P(A\\mid C)P(B\\mid C).\\]\n\n一般而言，普通独立性与条件独立性不能相互推出。因此，取条件可能揭示或消除统计依赖关系，而不只是保持原有的依赖关系。(live.ocw.mit.edu)"
    },
    {
      "heading": "条件分布",
      "text": "对于离散随机变量 \\(X\\) 和 \\(Y\\)，其联合概率分布决定了条件概率质量函数：\n\n\\[p_{X\\mid Y}(x\\mid y) =\\frac{p_{X,Y}(x,y)}{p_Y(y)}, \\qquad p_Y(y)>0.\\]\n\n对于每个满足条件的 \\(y\\)，这些条件概率之和为一。按 \\(Y\\) 的各取值概率对它们进行加权平均，即可得到 \\(X\\) 的概率分布。(ocw.mit.edu)\n\n若 \\(X\\) 和 \\(Y\\) 具有联合概率密度函数，则相应的条件密度为\n\n\\[f_{X\\mid Y}(x\\mid y) =\\frac{f_{X,Y}(x,y)}{f_Y(y)}, \\qquad f_Y(y)>0.\\]\n\n对这一密度在所关心的 \\(X\\) 的取值范围内积分，即可得到条件概率。当 \\(Y\\) 服从连续分布时，事件 \\(Y=y\\) 的概率为零，因此这种构造并不是直接应用初等的事件概率比值公式。条件分布还决定了条件期望 \\(E[X\\mid Y=y]\\)，即给定 \\(Y\\) 的这一取值时，\\(X\\) 的期望值。(ocw.mit.edu)"
    },
    {
      "heading": "测度论表述",
      "text": "在测度论中，信息由子σ代数 \\(\\mathcal G\\subseteq\\mathcal F\\) 表示。条件概率通过条件期望定义：\n\n\\[P(A\\mid\\mathcal G)=E[\\mathbf1_A\\mid\\mathcal G],\\]\n\n其中，\\(\\mathbf1_A\\) 在 \\(A\\) 上等于一，在其他地方等于零。它通常是一个随机变量，而不是一个单独的数值。它是 \\(\\mathcal G\\)-可测的，并满足\n\n\\[\\int_G P(A\\mid\\mathcal G)\\,dP=P(A\\cap G) \\quad\\text{对所有 }G\\in\\mathcal G.\\]\n\n除概率为零的集合上的取值可以不同外，它是唯一的。这一表述允许以随机变量为条件，而无须要求该随机变量的每个具体取值都有正概率；定义中的等式不能唯一确定它在零测集上的取值。(arxiv.org)"
    }
  ],
  "links": [
    "probability",
    "statistics",
    "probability-space",
    "sample-space",
    "law-of-total-probability",
    "bayes-theorem",
    "bayesian-inference",
    "prior-distribution",
    "likelihood-function",
    "posterior-distribution",
    "statistical-independence",
    "conditional-independence",
    "random-variable",
    "joint-probability-distribution",
    "probability-mass-function",
    "probability-distribution",
    "probability-density-function",
    "conditional-expectation",
    "expected-value",
    "measure-theory",
    "sigma-algebra"
  ],
  "sources": [
    {
      "title": "pages.stat.wisc.edu/~kdlevin/teaching/Fall2022/STAT340/lecs/L05_IndepCondBayes.…",
      "url": "https://pages.stat.wisc.edu/~kdlevin/teaching/Fall2022/STAT340/lecs/L05_IndepCondBayes.html"
    },
    {
      "title": "arxiv.org/pdf/2010.16280",
      "url": "https://arxiv.org/pdf/2010.16280"
    },
    {
      "title": "live.ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/d973…",
      "url": "https://live.ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/d973b10c2587781f86ca4f2aff49098f_MITRES_6_012S18_Textbook.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/6-1200j-mathematics-for-computer-science-spring-2024/mit6_1…",
      "url": "https://www.ocw.mit.edu/courses/6-1200j-mathematics-for-computer-science-spring-2024/mit6_1200j_s24_lec19.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-440-probability-and-random-variables-spring-2014/45b2b86…",
      "url": "https://ocw.mit.edu/courses/18-440-probability-and-random-variables-spring-2014/45b2b86ffc4234ef33d78b9cbda159e9_MIT18_440S14_Lecture26.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}