第4讲 条件概率与全概率公式——在已知信息下重新计算概率

从一个朴素的问题开始

医院做体检，你拿到一张化验单，上面写着「阳性」。你心跳加速，心想：我是不是得了这个病？

医生却告诉你：「别急，阳性不等于患病。还得看你得病的概率，以及这个检查在健康人身上出阳性的概率。」

你愣住了——不是说阳性就代表有病吗？怎么还要「算一算」？

这个场景，就是条件概率要解决的问题：当我们知道了一些信息之后，怎么重新计算某个事件发生的概率。

条件概率的定义

先从一个简单的例子入手。

假设一个班级有 30 名同学，其中男生 18 人，女生 12 人。男生中戴眼镜的有 6 人，女生中戴眼镜的有 3 人。现在从班级里随机选一名同学，求这名同学戴眼镜的概率。

这是古典概型：$P(\text{戴眼镜}) = \dfrac{6+3}{30} = \dfrac{9}{30} = 0.3$。

但如果问题变了：「已知选到的是男生，他戴眼镜的概率是多少？」

这时候，我们的样本空间变了——不再是从全班 30 人中选，而是从 18 名男生中选。18 名男生中有 6 人戴眼镜，所以概率是 $\dfrac{6}{18} = \dfrac{1}{3}$。

这个「在已知 B 发生的条件下，A 发生的概率」，就是条件概率。

$$P(A \mid B) = \dfrac{P(AB)}{P(B)}, \quad P(B) > 0 \qquad (1)$$

读法：「P of A given B」，意思是：在 B 发生的条件下，A 发生的概率。

从定义看，条件概率的本质是：把样本空间缩小到 B 里面，然后在 B 内部重新计算 A 的概率。

这就是为什么分母是 $P(B)$——我们在「归一化」，让 B 内部的概率之和变成 1。

示意图

乘法公式

从条件概率的定义（1）出发，直接可以得到一个重要的变形：

$$P(AB) = P(A) \cdot P(B \mid A), \quad P(A) > 0 \qquad (2)$$

这个式子叫做乘法公式。它告诉了我们两个事件同时发生的概率怎么算——先把 A 发生的概率算出来，再看在 A 已经发生的条件下 B 发生的概率，两者相乘就是 $AB$ 的概率。

乘法公式可以推广到多个事件的情况：

$$P(ABC) = P(A) \cdot P(B \mid A) \cdot P(C \mid AB) \qquad (3)$$

这三个式子看起来简单，但在解决实际问题时非常有用。

乘法公式的一个例子

一个袋子里有 5 个红球和 3 个白球，从中依次取两次，每次取一个（不放回）。求两次都取到红球的概率。

用乘法公式：

第一次取到红球的概率：$P(A) = \dfrac{5}{8}$。

在第一次取到红球的条件下，袋子里还剩 4 红 3 白，共 7 个球，所以第二次取到红球的概率：$P(B \mid A) = \dfrac{4}{7}$。

两次都取到红球的概率：

$$P(AB) = \dfrac{5}{8} \times \dfrac{4}{7} = \dfrac{5}{14} \qquad (4)$$

如果不放回，概率就是这样一步步乘下去的。如果是放回的话，第二次取到红球的概率还是 $\dfrac{5}{8}$，那就是 $\dfrac{5}{8} \times \dfrac{5}{8} = \dfrac{25}{64}$。

全概率公式

现在来看一个更复杂的问题。

还是那个班级，男生 18 人，女生 12 人。男生中戴眼镜的概率是 $\dfrac{6}{18} = \dfrac{1}{3}$，女生中戴眼镜的概率是 $\dfrac{3}{12} = \dfrac{1}{4}$。随机选一名同学，求他戴眼镜的概率。

这个问题乍一看可以用古典概型：戴眼镜的总共 9 人，概率 $\dfrac{9}{30} = 0.3$。但如果班级人数很多，或者分得更细（比如按性别、年级、班级等），全概率公式就是一个非常高效的工具。

我们引入完备事件组的概念：把样本空间 $\Omega$ 分成若干个互不相容（两两互斥）的事件 $B_1, B_2, \ldots, B_n$，满足 $B_1 \cup B_2 \cup \cdots \cup B_n = \Omega$，且 $P(B_i) > 0$。这些事件叫做完备事件组。

全概率公式：对任意事件 $A$，有

$$P(A) = P(B_1) \cdot P(A \mid B_1) + P(B_2) \cdot P(A \mid B_2) + \cdots + P(B_n) \cdot P(A \mid B_n) \qquad (5)$$

即

$$P(A) = \sum_{i=1}^{n} P(B_i) \cdot P(A \mid B_i) \qquad (6)$$

用班级问题来理解这个公式：

把全班按性别分为两组：男生 $B_1$、女生 $B_2$。

$$P(\text{戴眼镜}) = P(B_1) \cdot P(\text{戴眼镜} \mid B_1) + P(B_2) \cdot P(\text{戴眼镜} \mid B_2) = \dfrac{18}{30} \times \dfrac{1}{3} + \dfrac{12}{30} \times \dfrac{1}{4} = 0.3$$

这和直接数 9 除以 30 结果一致。但全概率公式的好处是：把一个复杂事件的概率，分解成几种「简单情况」下的概率的加权和。

深入理解

条件概率不是「因果」，而是「信息更新」

很多人看到 $P(B \mid A)$ 会误以为「A 导致了 B」或者「A 是 B 的原因」。但条件概率的本质是信息的更新——我们知道 A 发生了，于是重新评估 B 的可能性。

一个经典例子：掷一枚均匀的骰子，令 $A$ =「点数小于 4」，$B$ =「点数为偶数」。

• $P(B) = \dfrac{3}{6} = \dfrac{1}{2}$（不看任何信息时的概率）
• $P(B \mid A) = \dfrac{P(AB)}{P(A)} = \dfrac{1/3}{1/2} = \dfrac{2}{3}$（已知点数小于 4，在 {1, 2, 3} 中偶数有 2 个，概率变为 2/3）

注意：这里 $A$ 并没有「导致」$B$，而是告诉我们一些信息后，我们对 $B$ 的判断更新了。条件概率反映的是认知状态的改变，不是物理因果。

全概率公式的直观理解：分支图

把全概率公式想象成一棵决策树：

从根节点出发，先分两支：走到 $B_1$（概率 $P(B_1)$）或走到 $B_2$（概率 $P(B_2)$）。然后在每个分支上再分：到达 $A$（概率 $P(A \mid B_i)$）或不到达。

整个树所有到达 $A$ 的路径的概率之和，就是 $P(A)$。这就是全概率公式的几何意义：把所有能走到 $A$ 的路径的概率加起来。

条件概率的四条基本性质

和概率的公理一样，条件概率也有几条基本性质：

1. 非负性：$P(A \mid B) \ge 0$
2. 规范性：$P(\Omega \mid B) = 1$（在 B 发生的条件下，必然事件概率为 1）
3. 可加性：如果 $A_1, A_2$ 互斥，则 $P(A_1 \cup A_2 \mid B) = P(A_1 \mid B) + P(A_2 \mid B)$
4. 对立事件：$P(\bar{A} \mid B) = 1 - P(A \mid B)$

这四条性质说明：把条件概率 $P(\cdot \mid B)$ 本身看作一个概率函数，它满足概率的所有公理。也就是说，条件概率是一个「在这个新的样本空间 B 里」的概率。

典型例题：疾病检测的反直觉

回到开头的体检问题。这是一种疾病的检测结果分析，结论往往非常反直觉。

假设某种疾病的发病率是 $0.1\%$（即 $P(D) = 0.001$），一种检测方法的灵敏度是 $99\%$（患病的人检测出阳性的概率 $P(T^+ \mid D) = 0.99$），假阳性率是 $5\%$（健康的人检测出阳性的概率 $P(T^+ \mid \bar{D}) = 0.05$）。

现在你检测出了阳性，你患病的概率 $P(D \mid T^+)$ 是多少？

直觉上很多人会说「接近 99%」，但正确答案远没有这么乐观。我们用贝叶斯公式来算：

$$P(D \mid T^+) = \dfrac{P(T^+ \mid D) \cdot P(D)}{P(T^+)}$$

分母用全概率公式展开：

$$P(T^+) = P(T^+ \mid D) \cdot P(D) + P(T^+ \mid \bar{D}) \cdot P(\bar{D}) = 0.99 \times 0.001 + 0.05 \times 0.999 = 0.00099 + 0.04995 = 0.05094$$

所以：

$$P(D \mid T^+) = \dfrac{0.99 \times 0.001}{0.05094} = \dfrac{0.00099}{0.05094} \approx 0.0194$$

只有约 1.9% 的概率真的患病！

这个结果看起来很反直觉，但背后的道理很清楚：因为疾病的发病率很低（0.1%），而假阳性率相对较高（5%），所以绝大多数阳性结果其实是健康人的假阳性。

这个例子告诉我们：在已知检测结果的情况下，不能只看检测的准确度，还要考虑基础发病率（先验概率）的影响。 这在医学诊断、司法判断等领域都极为重要。

在高中数学体系里的位置

条件概率和全概率公式是概率统计的核心内容，在高考中占有重要地位。

思想延伸：条件概率体现了「用新信息更新概率」这一核心思想，它是贝叶斯统计的基础。从这个角度看，条件概率不只是高中课本里的一个公式，而是一种重要的思维方式。

运算练兵场：全概率公式和贝叶斯公式的运算，涉及排列组合、分类讨论、方程思想等，是考察学生综合运算能力的典型题材。

高考地位：条件概率和全概率公式通常出现在解答题中（12 分），背景可以是医学检测、产品质量检验、游戏策略等。题目设计越来越贴近实际，阅读量较大，要求学生能把实际问题转化为概率模型。

易错点：

1. 混淆条件概率的方向——$P(A \mid B)$ 和 $P(B \mid A)$ 一般不相等，很多人会把它们搞混
2. 全概率公式用错——完备事件组划分不清楚，漏掉了某些情况
3. 忽略先验概率——像疾病检测那样，只关注检测的准确性，忽视了基础发病率

思考与拓展

1. 一副扑克牌去掉大小王后共 52 张。先从中任取一张，不放回，再从剩下的 51 张中任取一张。求第二张是 A 的概率。（提示：用全概率公式，按第一张是不是 A 来分情况）
2. 某厂生产的产品中有 95% 合格，5% 不合格。合格品中有 90% 是一等品，不合格品中有 30% 是一等品（返工后可以当一等品卖）。随机取一件产品，求它是一等品的概率。
3. 上面疾病检测的例子中，如果发病率降到 0.01%（万分之一），那么检测阳性后患病的概率会变成多少？
4. 证明：如果 $P(A \mid B) > P(A)$，那么 $P(B \mid A) > P(B)$。这个不等式说明什么？

一句话总结

**条件概率用新信息重新定义概率，全概率公式把复杂事件拆成简单情况的加权和——关键是要搞清楚「在什么条件下」和「哪些情况要加起来」。