条件概率公式 条件概率公式怎么理解
\u6761\u4ef6\u6982\u7387\u516c\u5f0f\u4e2d\u7684P(AB)\u600e\u4e48\u6c42条件概率公式是：
公式中P(AB)为事件AB的联合概率，P(A|B)为条件概率，表示在B条件下A的概率，P(B)为事件B的概率。
如果事件B的概率 P(B) > 0，那么Q(A) = P(A | B) 在所有事件A上所定义的函数 Q 就是概率测度。 如果 P(B) = 0，P(A | B) 没有定义，条件概率可以用决策树进行计算。
扩展资料：
边缘概率
是某个事件发生的概率，而与其它事件无关。边缘概率是这样得到的：在联合概率中，把最终结果中不需要的那些事件合并成其事件的全概率而消失（对离散随机变量用求和得全概率，对连续随机变量用积分得全概率）。这称为边缘化（marginalization）。A的边缘概率表示为P(A)，B的边缘概率表示为P(B)。
需要注意的是，在这些定义中A与B之间不一定有因果或者时间顺序关系。A可能会先于B发生，也可能相反，也可能二者同时发生。A可能会导致B的发生，也可能相反，也可能二者之间根本就没有因果关系。例如考虑一些可能是新的信息的概率条件性可以通过贝叶斯定理实现。
若只有两个事件A，B，那么
基本性质
统计独立性
当且仅当两个随机事件A与B满足
P(A∩B)=P(A)P(B)
的时候，它们才是统计独立的，这样联合概率可以表示为各自概率的简单乘积。
同样，对于两个独立事件A与B有
P(A|B)=P(A)
以及
P(B|A)=P(B)
换句话说，如果A与B是相互独立的，那么A在B这个前提下的条件概率就是A自身的概率；同样，B在A的前提下的条件概率就是B自身的概率。
4互斥性
当且仅当A与B满足
P(A|B)=0
且P(A)≠0，P(B)≠0
的时候，A与B是互斥的。
因此，
P(A|B)=0
P(B|A)=0
换句话说，如果B已经发生，由于A不能和B在同一场合下发生，那么A发生的概率为零；同样，如果A已经发生，那么B发生的概率为零。
5其它
如果事件B的概率，P(B)>0
那么Q(A)=P(A|B)在所有事件A上所定义的函数Q就是概率测度。
如果P(B)=0，P(A|B)没有定义。
条件概率可以用决策树进行计算。
6著名谬论
条件概率的谬论是假设 P(A|B) 大致等于 P(B|A)。数学家John Allen Paulos 在他的《数学盲》一书中指出医生、律师以及其他受过很好教育的非统计学家经常会犯这样的错误。这种错误可以通过用实数而不是概率来描述数据的方法来避免。
P(A|B) 与 P(B|A)的关系如下所示：
P(B|A)=P(A|B)(P(B)/P(A))
下面是一个虚构但写实的例子，P(A|B) 与 P(B|A)的差距可能令人惊讶，同时也相当明显。
若想分辨某些个体是否有重大疾病，以便早期治疗，我们可能会对一大群人进行检验。虽然其益处明显可见，但同时，检验行为有一个地方引起争议，就是有检出假阳性的结果的可能：若有个未得疾病的人，却在初检时被误检为得病，他可能会感到苦恼烦闷，一直持续到更详细的检测显示他并未得病为止。而且就算在告知他其实是健康的人后，也可能因此对他的人生有负面影响。
这个问题的重要性，最适合用条件机率的观点来解释。
假设人群中有1%的人罹患此疾病，而其他人是健康的。我们随机选出任一个体，并将患病以disease、健康以well表示：
P(disease) = 1% = 0.01 and P(well) = 99% = 0.99. 假设检验动作实施在未患病的人身上时，有1%的机率其结果为假阳性（阳性以positive表示）。意即：
P(positive | well) = 1%，而且P(negative | well) = 99%. 最后，假设检验动作实施在患病的人身上时，有1%的机率其结果为假阴性（阴性以negative表示）。意即：
P(negative | disease) = 1%且P(positive | disease) = 99%。现在，由计算可知：
是整群人中健康、且测定为阴性者的比率。
P(positive|disease) = 99% 是整群人中得病、且测定为阳性者的比率。
是整群人中被测定为假阳性者的比率。
是整群人中被测定为假阴性者的比率。
进一步得出：
是整群人中被测出为阳性者的比率。
P(disease|positive) = 50% 是某人被测出为阳性时，实际上真的得了病的机率。
这个例子里面，我们很轻易可以看出 P(positive|disease)=99% 与 P(disease|positive)=50% 的差距：前者是你得了病，而被检出为阳性的条件机率；后者是你被检出为阳性，而你实际上真得了病的条件机率。由我们在本例中所选的数字，最终结果可能令人难以接受：被测定为阳性者，其中的半数实际上是假阳性。
每次从1-13号苹果按先后交叉顺序。挑8个苹果，8个苹果标号每次都不能完全重复。至少有一个苹果号码不一样。
这句不是很明白，既然标号不一样，挑出8个号码应该都不一样。那到底是怎么挑法？比如挑了1号，接着是不是挑3号，还是什么？
★★★如果是说允许重复，但不能完全重复，那么：
前面7个都有13个可选，第8个有6到12个可选，
则总可选方案数：
∑13^(8-n)*12!/(12-n)!(n取1，2，3，4，5，6，7)
选种8个苹果都是好的方案数为：
∑8^(8-n)*7!/(7-n)!(n取1，2，3，4，5，6，7)
★★★如果是不允许重复，那么总可选方案数为
C(13,8)=13!/(5!*8!)=1287种
而选8个完好的苹果的方案只有一种
首先说回答者很厉害……其次，提问者的问题本身有问题，其中问题：请问最多多少次一定会有一次8个苹果一定是好的。这句话的答案是正无穷，因为符合条件的概率不会因为计算次数的增加而增加。改题目吧……
因为8个苹果都是好的情况只有1种，
所以概率是13选8的组合分之一，即1/C8_13
即5*4*3*2*1/(13*12*11*10*9) = 1/1287
绛旓細鏉′欢姒傜巼璁＄畻鍏紡鏄細P(A|B) = P(A ∩ B) / P(B)锛屽叾涓璓(A|B)琛ㄧず浜嬩欢B鍙戠敓鐨勬儏鍐典笅浜嬩欢A鍙戠敓鐨勬鐜囷紝P(A ∩ B)琛ㄧず浜嬩欢A鍜屼簨浠禕鍚屾椂鍙戠敓鐨勬鐜囷紝P(B)琛ㄧず浜嬩欢B鍙戠敓鐨勬鐜囥傛潯浠舵鐜囨槸姒傜巼璁轰腑鐨勪竴涓噸瑕佹蹇碉紝鐢ㄤ簬鎻忚堪鍦ㄥ凡鐭ユ煇浜涙潯浠朵笅锛屾煇涓簨浠跺彂鐢熺殑鍙兘鎬с傛潯浠舵鐜囩殑璁＄畻...
绛旓細1銆鏉′欢姒傜巼鏄寚A鍦˙鍙戠敓鐨勬潯浠朵笅鍙戠敓鐨勬鐜囥傛潯浠舵鐜囪〃绀轰负锛歅锛圓|B锛夛紝璇讳綔鈥淎鍦˙鍙戠敓鐨勬潯浠朵笅鍙戠敓鐨勬鐜団濄傝嫢鍙湁涓や釜A锛孊锛岄偅涔堬紝P锛圓|B锛=P锛圓B锛/P锛圔锛夈2銆鍏紡涓璓(AB)涓篈B鐨鑱斿悎姒傜巼锛孭(A|B)涓烘潯浠舵鐜囷紝琛ㄧず鍦˙鏉′欢涓婣鐨勬鐜囷紝P(B)涓築鐨勬鐜囥
绛旓細P(AB锛夛紳P锛圓锛塒锛圔/A锛夛紳P锛圔锛塒锛圓/B锛夋潯浠舵鐜囪〃绀轰负锛歅锛圓|B锛锛岃浣溾滃湪B鐨勬潯浠朵笅A鐨勬鐜団濄傛潯浠舵鐜囧彲浠ョ敤鍐崇瓥鏍戣繘琛岃绠椼傛潯浠舵鐜囩殑璋鏄亣璁 P(A|B) 澶ц嚧绛変簬 P(B|A)銆傛暟瀛﹀John Allen Paulos 鍦ㄤ粬鐨勩婃暟瀛︾洸銆嬩竴涔︿腑鎸囧嚭鍖荤敓銆佸緥甯堜互鍙婂叾浠栧彈杩囧緢濂芥暀鑲茬殑闈炵粺璁″瀹剁粡甯...
绛旓細鏍规嵁鏉′欢姒傜巼鐨勫畾涔夛紝Y鍦╔鍙戠敓鏃跺彂鐢熺殑姒傜巼锛歅(Y/X) = P(X x Y)/ P(X)锛岄偅涔 P((A+B)/C) = P((A+B) x C)/P(C)= P(A x C + B x C)/ P(C)= (P(A x C) + P(B x C))/ P(C)= P(A x C)/ P(C) + P(B x C)/ P(C)= P(A/C)+P(B/C)渚嬪...
绛旓細鏉′欢姒傜巼涓夊ぇ鍏紡锛歅(A|B) = P(AB)/P(B)銆傚綋P(A)鍜孭(B)涓嶇浉鍏虫椂锛孭(AB)=P(A)*P(B)锛涘綋P(A)鍜孭(B)鐩稿叧鏃讹紝P(AB)=P(A|B)/P(B)鎴栬匬(AB)=P(B|A)/P(A)銆侾(A|B)鈥斺斿湪 B 鏉′欢涓 A 鐨勬鐜囥傚嵆浜嬩欢A 鍦ㄥ彟澶栦竴涓簨浠 B 宸茬粡鍙戠敓鏉′欢涓嬬殑鍙戠敓姒傜巼銆侾(AB)鈥斺斾簨浠...
绛旓細P(A/B)=P(AB)/P(B)锛屾剰涓猴細鍦ㄤ簨浠禕鍙戠敓鐨鏉′欢涓嬫眰浜嬩欢A鍙戠敓鐨姒傜巼銆
绛旓細P(A鎷擝鎷)=P[(A+B)鎷擼=1-P(A+B)銆鏉′欢姒傜巼涓殑P锛圓B锛夎〃绀轰簨浠禔鍦ㄥ彟澶栦竴涓簨浠禕宸茬粡鍙戠敓鏉′欢涓嬬殑鍙戠敓姒傜巼銆傛鐜囷紝鍙堢О鎴栫劧鐜囥佹満浼氱巼鎴栨満鐜囥佸彲鑳芥э紝鏄暟瀛︽鐜囪鐨勫熀鏈蹇碉紝鏄竴涓湪0鍒1涔嬮棿鐨勫疄鏁帮紝琛ㄧず涓涓簨浠跺彂鐢熺殑鍙兘鎬уぇ灏忕殑鏁帮紝鍙仛璇ヤ簨浠剁殑姒傜巼銆傚畠鏄殢鏈轰簨浠跺嚭鐜扮殑鍙兘鎬х殑...
绛旓細锛堜竴锛夋潯浠舵鐜囩殑鍏紡涓句緥 1銆佷竴瀹跺叕鍙镐腑锛屾湁60%鐨勫憳宸ユ槸鐢锋э紝40%鐨勫憳宸ユ槸濂虫с傚鏋滀粠涓殢鏈烘娊鍙栦竴涓憳宸ワ紝姹備粬/濂规槸濂虫х殑姒傜巼鏄灏戯紵2銆佽В绛旓細璁句簨浠禔涓烘娊鍙栫殑鍛樺伐鏄コ鎬э紝浜嬩欢B涓烘娊鍙栧憳宸ユ槸鐢锋с傚垯P锛圓锛=0.4锛孭锛圔锛=0.6銆傚彧鏈変袱绉嶆儏鍐碉紝鎵浠锛圓锛+P锛圔锛=1銆傛牴鎹鏉′欢姒傜巼鍏紡锛...
绛旓細P(A|B)鈥斺斿湪 B 鏉′欢涓 A 鐨勬鐜囥傚嵆浜嬩欢A 鍦ㄥ彟澶栦竴涓簨浠 B 宸茬粡鍙戠敓鏉′欢涓嬬殑鍙戠敓姒傜巼銆侾(AB)鈥斺斾簨浠禔銆 B鍚屾椂鍙戠敓鐨勬鐜囷紝鍗鑱斿悎姒傜巼銆傝仈鍚堟鐜囪〃绀轰袱涓簨浠跺叡鍚屽彂鐢熺殑姒傜巼銆侫 涓 B 鐨勮仈鍚堟鐜囪〃绀轰负 P(AB) 鎴栬 P(A,B)銆傚綋涓斾粎褰揂涓嶣婊¤冻 P(A鈭〣)=0 涓擯(A)鈮0锛孭(B)鈮...
绛旓細鍦ˋ鍙戠敓鐨勬潯浠朵笅锛孊鍙戠敓鐨鏉′欢姒傜巼 P(B|A)=P(AB)/P(A)=> P(AB)=P(A)*P(B|A)鎵╁睍锛歅(ABC)=P(A)*P(B|C)*P(C|AB)
