条件概率：信息会改变概率

体检报告显示某项检测为阳性，你会马上判断自己大概率患病吗？天气预报说“今天有雨”，你看到早晨云层很厚后，会不会改变带伞的决定？邮箱收到一封主题里有“免费”和“中奖”的邮件，系统为什么会把它推向垃圾箱？

这些问题的共同点是：我们不是在没有信息时猜测，而是在新信息出现后重新判断概率。条件概率研究的就是这种更新：当某件事已经发生、某条线索已经出现、某个检测结果已经知道时，原来的概率该怎么改。

一条新信息通常不会直接给出结论，它会改变我们看待各种可能性的权重。

---

一个阳性结果，说明了什么？

先看一个容易误判的情境。某疾病在人群中的患病率是 $1\%$。一种检测对真正患病者有 $95\%$ 的概率测出阳性，对未患病者有 $90\%$ 的概率测出阴性。现在一个人检测为阳性，他患病的概率是多少？

很多人会脱口而出“约 $95\%$”。这个答案把两件事混在了一起：

• $P(\text{阳性}|\text{患病})$：已经知道患病，检测阳性的概率。
• $P(\text{患病}|\text{阳性})$：已经知道阳性，真的患病的概率。

这两个概率方向相反，通常不相等。用 10000 人做自然频数会更清楚：

低患病率下，假阳性可能比真阳性多得多；阳性结果仍然重要，但不能脱离基础率解读。

这个结论不表示检测“没用”。阳性结果把患病概率从 $1\%$ 提高到了约 $8.8\%$，已经改变了判断。只是它没有把概率直接推到 $95\%$。现实医疗判断还会结合症状、复检、风险人群和其他证据，这里只是在说明条件概率的结构。

---

条件概率：换一个观察范围

如果事件 $B$ 已经发生，我们只在 $B$ 这个范围里讨论事件 $A$ 的概率，就得到条件概率，记作 $P(A|B)$，读作“在 $B$ 发生的条件下，$A$ 发生的概率”。

当 $P(B)>0$ 时，定义是：

$$P(A|B)=\frac{P(A\cap B)}{P(B)}$$

这个公式最重要的部分不是分子，而是分母。分母从“全部可能”换成了“已经满足 $B$ 的可能”。分子则是在这个新范围里同时满足 $A$ 的部分。

条件概率不是把 $A$ 单独拿出来看，而是在 $B$ 已经发生的新范围里看 $A$。

举一个简单例子。随机抽一名学生，设：

• $A$：这名学生参加校篮球队。
• $B$：这名学生是高二学生。

$P(A)$ 问的是全校随机抽一人参加篮球队的概率；$P(A|B)$ 问的是在高二学生中随机抽一人参加篮球队的概率。如果高二有专门的篮球训练班，这两个概率就可能差很多。

---

乘法公式：沿着路径算概率

条件概率公式可以改写为乘法公式：

$$P(A\cap B)=P(B)\cdot P(A|B)$$

也可以写成：

$$P(A\cap B)=P(A)\cdot P(B|A)$$

它的意思很朴素：要同时发生两件事，可以先走到第一件事，再从那里走到第二件事。沿着一条路径走，每一步都乘上对应的条件概率。

例如，某地早晨多云的概率是 $30\%$。如果早晨多云，下午下雨的概率是 $60\%$。那么“早晨多云且下午下雨”的概率是：

$$P(\text{多云}\cap \text{下雨})=0.30\times 0.60=0.18$$

也就是 $18\%$。

概率树里的每一条完整路径都表示一种联合情况，路径上的概率相乘。

条件概率树特别适合处理“先分组，再看结果”的问题。每个分叉都要问：这一段概率是在什么条件下给出的？如果分叉已经走到了“多云”，下一步的“下雨概率”就是 $P(\text{下雨}|\text{多云})$，不是无条件的下雨概率。

---

独立性：信息没有改变概率

如果知道 $B$ 发生后，$A$ 的概率没有改变，就说 $A$ 与 $B$ 独立。用公式表示：

$$P(A|B)=P(A)$$

在 $P(A)>0$ 且 $P(B)>0$ 的情况下，也可以等价地写成：

$$P(A\cap B)=P(A)\cdot P(B)$$

独立性的意思不是“两件事不能同时发生”，而是“知道其中一件事，对另一件事的概率没有帮助”。

抛两枚公平硬币时，第一枚是正面不会改变第二枚是正面的概率，所以两个结果独立。可是从一副牌中不放回抽两张，第一张是否为红桃会改变第二张为红桃的概率，所以两次抽牌结果不独立。

独立性看的是信息是否改变概率，不是看两个事件能不能同时发生。

---

全概率公式：从不同路径汇合

很多事件不是从一条路发生的，而是从几条不同来源汇合而来。比如下午下雨可能来自“早晨多云”的路径，也可能来自“早晨晴朗但午后转雨”的路径。总概率就是把这些互不重叠的路径加起来。

如果 $B_1,B_2,\ldots,B_n$ 把样本空间分成互不重叠且合起来完整的几部分，那么：

$$P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+\cdots+P(A|B_n)P(B_n)$$

也可以写成求和形式：

$$P(A)=\sum_{i=1}^{n}P(A|B_i)P(B_i)$$

这就是全概率公式。它适合处理“先看来源，再看结果”的问题。

继续天气例子。早晨多云的概率是 $0.30$，晴朗的概率是 $0.70$。多云后下雨概率是 $0.60$，晴朗后下雨概率是 $0.10$。那么下午下雨的总概率是：

$$P(\text{下雨})=0.60\times 0.30+0.10\times 0.70=0.25$$

所以，在没有进一步信息时，下午下雨概率是 $25\%$。

---

贝叶斯思想：把问题反过来

全概率公式常常和贝叶斯公式一起出现。贝叶斯公式解决的是“看到结果后，反推来源”的问题。

如果 $B_1,B_2,\ldots,B_n$ 是完整且互不重叠的来源，那么看到 $A$ 发生后，来源是 $B_j$ 的概率为：

$$P(B_j|A)=\frac{P(A|B_j)P(B_j)}{\sum_{i=1}^{n}P(A|B_i)P(B_i)}$$

这个公式看起来长，其实就是两句话：

• 分子：$B_j$ 这条来源路径产生 $A$ 的概率。
• 分母：所有来源路径产生 $A$ 的总概率。

所以贝叶斯思想不是神秘技巧，而是“某条解释路径占所有可能解释路径的比例”。

用垃圾邮件过滤来看。假设邮箱里垃圾邮件比例是 $20\%$。垃圾邮件含有“免费”这个词的概率是 $60\%$，正常邮件含有“免费”的概率是 $5\%$。一封新邮件出现“免费”，它是垃圾邮件的概率约为：

$$P(\text{垃圾}|\text{免费})=\frac{0.60\times 0.20}{0.60\times 0.20+0.05\times 0.80}=0.75$$

一个词把概率从 $20\%$ 提高到了 $75\%$。如果邮件里又出现“中奖”“限时”等词，系统会继续更新判断；如果出现“会议纪要”“课程安排”等词，判断可能又下降。实际垃圾邮件系统会处理更多线索，并会注意线索之间不一定独立。

每个线索都像一小段证据：它不直接等于结论，但会推高或拉低某个解释的概率。

---

常见误区：概率换方向会变

条件概率最常见的错误不是算术，而是读题方向。

把 $P(A|B)$ 当成 $P(B|A)$

“患病者检测阳性的概率很高”不等于“检测阳性者患病的概率很高”。前者从患病者中看检测结果，后者从阳性者中看真实状态。观察范围不同，分母不同。

忽略基础率

如果某个事件本来极少见，即使检测或线索很强，阳性后的概率也可能没有想象中高。基础率就是更新前的起点。没有起点，证据强度很容易被误读。

把“看起来有关”当成独立

独立性不能靠直觉喊出来，要看概率是否改变。雨天和带伞显然有关；抽卡不放回前后也有关。即使两个事件没有明显因果，也可能因为共同背景而相关。

把路径概率和条件概率混在一起

在概率树上，某一段分支上的 $60\%$ 可能是“多云条件下下雨”的概率；整条路径的 $18\%$ 才是“多云且下雨”的概率。读树时要分清“一段”和“一条完整路径”。

---

练习

练习 1：从表格读条件概率

某班 40 名学生中，18 人参加社团，22 人不参加社团；参加社团者中有 12 人喜欢统计课，不参加社团者中有 8 人喜欢统计课。随机选一名学生。

求 $P(\text{喜欢统计课}|\text{参加社团})$。

练习 2：判断是否独立

某活动中，随机抽一人。设 $A$ 为“此人报名摄影”，$B$ 为“此人报名写作”。已知 $P(A)=0.30$，$P(B)=0.40$，$P(A\cap B)=0.12$。判断 $A$ 与 $B$ 是否独立。

练习 3：条件概率树

某城市早晨堵车的概率是 $0.25$。如果早晨堵车，当天迟到的概率是 $0.50$；如果早晨不堵车，当天迟到的概率是 $0.08$。求当天迟到的总概率。

练习 4：反推来源

接着练习 3。如果某天已经知道这名同学迟到了，求早晨堵车的概率。

练习 5：医学检测再算一次

某病患病率为 $2\%$。检测对患病者测出阳性的概率是 $90\%$，对未患病者测出阴性的概率是 $95\%$。如果某人检测阳性，估计他患病的概率。

---

小结

条件概率的直觉可以压缩成一句话：新信息会换掉观察范围。只要范围变了，分母就变了，概率也可能随之改变。

本节需要带走的工具有五个：

• 条件概率用 $P(A|B)$ 表示，意思是在 $B$ 已经发生的范围里看 $A$。
• 乘法公式把“同时发生”拆成路径上的连续步骤。
• 独立性表示信息没有改变概率，而不是两件事不能同时发生。
• 全概率公式把不同来源路径产生同一结果的概率加起来。
• 贝叶斯思想把问题反过来：看到结果后，比较不同来源路径在所有解释中的占比。

学会这些以后，概率就不再只是静态数字。它更像一种更新判断的方法：先承认原来的不确定性，再认真处理新出现的信息。