1 基本概念
1.1 条件概率的定义
1.1.1 事件已知发生时的概率含义
条件概率是指在某个事件已经发生的前提下，另一个事件发生的可能性。它强调“信息已更新”后的概率判断，即不再从原始情形出发，而是把已知条件纳入计算。
1.1.2 样本空间缩减后的解释
从集合角度看，条件事件发生后，原来的样本空间会被限制到该事件对应的范围内。此时讨论另一个事件的概率，相当于在缩小后的样本空间中重新衡量其占比。
1.2 条件概率的记号
1.2.1 \(P(A\mid B)\) 的读法与含义
\(P(A\mid B)\) 通常读作“在 \(B\) 发生条件下 \(A\) 的概率”。其中竖线表示条件，左侧是待考察事件，右侧是已知前提。
1.2.2 与联合概率的关系
条件概率并不是独立的概率概念，而是和联合概率紧密相连。它可以看作联合概率在已知条件下的归一化结果，因此常用于把复杂事件拆解为更易处理的部分。
1.3 条件概率的直观理解
1.3.1 “已知条件”对概率的影响
当获得新的信息后，原先对事件的判断往往会改变。例如，某件事在“随机抽取”时概率一般，而在“已知某个限制”后，其发生几率可能明显上升或下降。
1.3.2 用生活例子解释条件限制
日常中，若说“今天下雨的概率”，和“已经看到乌云后下雨的概率”并不相同。后者就是在附加信息约束下重新估计结果，这正是条件概率的核心思想。
2 数学定义与公式
2.1 基本公式
2.1.1 \(P(A\mid B)=\frac{P(A\cap B)}{P(B)}\)
条件概率的标准定义为： \[ P(A\mid B)=\frac{P(A\cap B)}{P(B)} \] 其中 \(A\cap B\) 表示两个事件同时发生。该公式说明，条件概率等于“同时发生的概率”除以“条件事件发生的概率”。
2.1.2 条件事件必须满足的前提
该定义成立的前提是 \(P(B)>0\)。若条件事件本身不可能发生，则无法用普通意义上的比例来定义条件概率。
2.2 几何与集合视角
2.2.1 事件集合的包含关系
在集合图像中，事件可视为样本空间中的子集。条件概率相当于在事件 \(B\) 的范围内考察 \(A\) 所占的部分，因此与集合的交集和包含关系密切相关。
2.2.2 面积模型中的条件概率
在面积模型中，样本空间可用总面积表示，事件概率对应区域面积。若已知 \(B\) 发生，就把总面积限制在 \(B\) 的区域内，再看 \(A\cap B\) 占其中的比例。
2.3 条件概率的扩展表达
2.3.1 多事件条件下的写法
条件概率也可以扩展为多个条件，例如 \(P(A\mid B,C)\)，表示在 \(B\) 和 \(C\) 同时成立时 \(A\) 的概率。此类写法常用于分层信息或多重约束场景。
2.3.2 连续型随机变量中的条件密度
对于连续型随机变量，条件概率通常通过条件密度来表述，而不是直接对单点赋值。此时需要借助联合密度与边缘密度的关系来定义和计算。
3 条件概率的性质
3.1 非负性与取值范围
3.1.1 概率值介于0与1之间
与普通概率一样，条件概率也满足非负性，且不超过 1。它本质上仍是一个概率量，因此必须落在 \([0,1]\) 区间内。
3.2 归一化性质
3.2.1 在已知条件下总概率为1
在给定条件 \(B\) 后，事件空间被重新划分。所有在该条件下可能发生的情形，其条件概率加总为 1，体现了概率分配的完整性。
3.3 加法性质
3.3.1 条件下互斥事件的概率相加
若在条件 \(B\) 下，事件 \(A\) 与 \(C\) 互斥，则有 \[ P(A\cup C\mid B)=P(A\mid B)+P(C\mid B) \] 这说明条件概率同样保留了对互斥事件的可加性。
3.4 乘法公式
3.4.1 联合概率的分解
条件概率可以用于分解联合概率： \[ P(A\cap B)=P(B)\,P(A\mid B) \] 或者写成 \[ P(A\cap B)=P(A)\,P(B\mid A) \] 这类分解在实际计算中非常常见。
3.4.2 链式法则的基础形式
对多个事件的联合概率，可连续使用条件概率逐步拆分，这构成链式法则的基本思想。它是高维概率建模中重要的计算框架。
4 条件概率相关定理
4.1 全概率公式
4.1.1 事件分割下的概率求和
若样本空间被一组互不相交且完备的事件划分，则某事件的总概率可表示为各分支概率的加权和。这种求和方式被称为全概率公式。
4.1.2 与条件概率的联动
全概率公式本质上依赖条件概率的分解。它把“在不同条件下发生的概率”汇总起来，形成整体事件的概率表达。
4.2 贝叶斯公式
4.2.1 先验概率与后验概率
贝叶斯公式把已知条件下的概率更新写成明确形式。先验概率表示在观测信息之前的判断，后验概率则是在新信息加入后得到的修正结果。
4.2.2 逆向推断的核心工具
当已知结果，反推原因时，贝叶斯公式尤为重要。它常用于从观测现象推断潜在状态，是逆向概率分析的基础。
4.3 独立性判定
4.3.1 条件概率与独立事件
若事件 \(A\) 与 \(B\) 独立，则有 \(P(A\mid B)=P(A)\)。这说明在独立情形下，已知另一个事件发生并不会改变原事件的概率。
4.3.2 条件独立的基本概念
条件独立是指在给定第三个条件后，两事件之间不再互相提供额外信息。它是更细致的依赖关系描述，常用于复杂概率模型。
5 计算方法
5.1 直接计算法
5.1.1 利用定义求解
最直接的方法是代入定义公式，先求交集概率，再除以条件事件概率。适用于事件结构清晰、概率已知的题目。
5.1.2 从样本空间中筛选结果
也可以先找出满足条件的样本，再在这些结果中统计目标事件所占比例。这种方式直观，特别适合有限样本空间。
5.2 枚举法
5.2.1 有限样本空间中的逐项统计
当样本空间规模不大时，可以逐个列出所有可能结果，再分别判断是否满足条件与目标事件。该方法简单明了，但在大规模问题中计算量较高。
5.2.2 事件计数与比例计算
枚举完成后，通过“符合条件的总数”与“同时满足条件和目标的数量”求比例，即可得到条件概率。此法常见于抽球、掷骰、选牌等问题。
5.3 图表与树状图方法
5.3.1 树状图中的路径概率
树状图能把分步事件展开成多条路径，每条路径的概率可通过沿途条件概率相乘得到。它适合多阶段随机过程的可视化分析。
5.3.2 分步条件计算
若一个问题包含若干连续步骤，可以先算第一步，再在其结果基础上计算后续条件概率。这样能够减少混乱，提高计算的条理性。
5.4 组合与计数方法
5.4.1 组合数在条件概率中的应用
当结果由“从若干对象中选取若干个”构成时，组合数是常用工具。通过统计总组合数与满足条件的组合数，可转化为条件概率问题。
5.4.2 排列问题中的条件约束
在排列情形中，条件往往体现为位置限制、顺序限制或相邻限制。此时需要先处理约束，再计算符合条件的排列占比。
6 条件概率与随机变量
6.1 离散随机变量的条件分布
6.1.1 条件概率质量函数
离散随机变量在给定另一事件或变量值时，会形成条件概率质量函数。它描述在特定条件下各离散取值的相对可能性。
6.1.2 条件期望的初步联系
条件概率分布进一步可以导出条件期望，即在已知信息下随机变量的平均水平。条件概率越精细，条件期望越能反映更新后的判断。
6.2 连续随机变量的条件分布
6.2.1 条件概率密度函数
连续情形下，条件分布通常通过密度函数描述。其构造方式与联合密度相关，反映在给定条件后变量取值的局部集中程度。
6.2.2 条件分布函数
条件分布函数表示在条件成立时，随机变量不超过某一值的概率。它是连续条件概率分析中的重要工具。
6.3 多维随机变量
6.3.1 联合分布与边缘分布
多维随机变量通常先由联合分布描述整体结构，再通过边缘分布提取单个变量的信息。条件概率则介于两者之间，体现变量间的依赖关系。
6.3.2 条件边缘化处理
在多维情形中，常需对部分变量做条件化处理，再对其他变量进行边缘化。这样可以在复杂系统中保留关键约束，同时降低计算维度。
7 典型应用
7.1 统计推断
7.1.1 参数估计中的条件信息
在参数估计中，观测数据会改变对未知参数的认识。条件概率为这种“根据样本更新判断”的过程提供了数学基础。
7.1.2 假设检验的概率解释
假设检验本质上是在某个假定成立的前提下，考察观测结果出现的可能性。其判断逻辑与条件概率密切相关。
7.2 风险分析
7.2.1 依赖事件下的风险更新
当一个风险事件发生后，后续风险往往不再独立。条件概率可以用来更新新的风险水平，从而更准确地描述连锁影响。
7.2.2 保险与可靠性评估
保险精算和设备可靠性分析中，经常需要根据已知故障、赔付或损伤信息重新估计后续发生概率。条件概率因此成为重要工具。
7.3 机器学习与数据分析
7.3.1 分类模型中的概率更新
许多分类方法都会根据特征信息估计类别概率。条件概率在其中承担“给定特征，判断类别”的角色。
7.3.2 特征条件下的预测
数据分析中常根据已知变量预测未知变量。条件概率使这种预测不只是经验判断，而是有明确的概率表达。
7.4 日常问题建模
7.4.1 抽签、摸球与牌局问题
抽签、摸球、牌局等经典场景常用条件概率建模。它们具有规则清晰、结果离散的特点，适合作为入门例题。
7.4.2 口语化场景中的条件判断
现实表达中，人们常说“如果已经知道……”或“在……情况下……”。这些说法实际上对应条件概率的思维方式，只是语言更自然。
8 常见误区
8.1 将条件概率误认为独立概率
8.1.1 “已知”与“无关”的区别
很多人会把“已知某事发生”误解为“它和目标事件没关系”。实际上，条件概率正是用来反映信息是否会改变判断的，不能直接等同于独立。
8.2 混淆 \(P(A\mid B)\) 与 \(P(B\mid A)\)
8.2.1 方向不同导致结果不同
条件概率具有明显方向性，\(P(A\mid B)\) 和 \(P(B\mid A)\) 通常并不相等。二者分别表示不同的信息前提，不能互相替代。
8.3 忽视条件事件为零的情况
8.3.1 定义适用前提的边界
若条件事件概率为零，普通定义中的分母就无法使用。因此在处理极端或连续型问题时，需要借助更严谨的概率框架。
8.4 过度依赖直觉判断
8.4.1 事件空间变化带来的误判
直觉常忽略“条件改变后样本空间也变了”这一事实，进而导致错误估计。较复杂的问题通常需要回到公式或图示进行核算。
9 相关概念
9.1 联合概率
9.1.1 与条件概率的转换关系
联合概率描述两个事件同时发生的可能性，而条件概率则是在已知其中一个事件发生后对另一个事件的重新估计。两者可通过乘法公式相互转换。
9.2 边缘概率
9.2.1 从联合分布中求单事件概率
边缘概率是从联合分布中抽取某一变量或事件的单独概率。它与条件概率共同构成对概率结构的基本刻画。
9.3 先验概率与后验概率
9.3.1 贝叶斯框架中的概率更新
先验概率表示更新前的信念，后验概率表示加入新证据后的结果。条件概率是连接二者的关键桥梁。
9.4 条件期望
9.4.1 从条件概率到随机变量平均值
条件期望是条件概率在随机变量层面的自然延伸。它不再只回答“是否发生”，而是进一步描述“在给定条件下平均会是多少”。