条件概率：已知一些信息后的概率

可视化演示

通过条件概率韦恩图、全概率公式分割和贝叶斯定理概率反转三个模式，展示条件概率的核心概念与贝叶斯推断原理。

条件概率定义

侦探陈琳的名单是全市30万人。证人一句“戴眼镜”让她圈出3万人。在这3万人中，A=“张三是嫌疑人”的概率不再是原来的三百万分之一，而是变成了“张三戴眼镜且是嫌疑人”在3万中所占的份数。信息没有告诉你是谁，但它把范围缩小了。

设A和B是两个事件，P(B)>0，则称 P(A|B)=P(A∩B)/P(B) 为“在B发生的条件下A的条件概率”。它等于“同时满足A和B的概率”除以“B本身发生的概率”。分母B是新的样本空间；分子是B里面也属于A的那一部分。

举个数字：假设某楼100人，40人戴眼镜(B)，10人戴眼镜且是程序员(A)。则随机撞到一个人，已知戴眼镜，他是程序员的概率 P(A|B)=10/40=1/4。这比在所有人中抽中程序员的概率可能高得多。这就是信息的价值。

侦探记录的每一份证据，都在重新计算条件概率。B发生，原样本空间被压缩成B，比例变了——这正是“已知信息后的概率”的直观含义。

乘法公式

侦探要判断两个线索同时成立：A=嫌疑人在现场，B=嫌疑人戴眼镜。一个聪明的侦探不会直接估计“同时成立”的概率，而是先问“嫌疑人戴眼镜的概率”，再问“已知他戴眼镜，他在现场的概率”。两步相乘就是同时成立的概率。

由条件概率定义直接重排得到乘法公式：P(A∩B)=P(A|B)·P(B)。更一般地，P(A∩B∩C)=P(A)·P(B|A)·P(C|A∩B)。这称为链式法则，适合逐步收集证据。

例子：从一副牌中不放回抽两张，第一张是红心A的概率1/52，已知第一张是红心A后，第二张是黑桃A的概率1/51，所以两张分别抽到红心A和黑桃A的概率是(1/52)×(1/51)。顺序可以互换：用P(B|A)P(A)也一样。

侦探的线索收集遵循这条链条：每一步加一个条件，最终交集概率由一条“条件积木”搭成。一环扣一环，缺一不可。

独立性

侦探发现两个线索几乎毫无关联：嫌疑人是否戴眼镜，和嫌疑人的身高。知道一个信息并不会改变另一个信息的概率。这就是独立事件的直觉。

严格定义：如果 P(A|B)=P(A) 且 P(B|A)=P(B)，则称A与B独立。等价地，P(A∩B)=P(A)P(B)。独立意味着B的出现没有给A提供额外信息，因此条件概率退化为原始概率。

注意区分互斥：互斥是A与B不能同时发生，P(A∩B)=0，所以除非某个事件概率为0，否则互斥事件反而不独立。因为知道A发生，B就一定不发生，信息改变了B的概率。独立不是“无关”，而是“没有条件关系”。

侦探如果发现证据与嫌疑人的特征彼此独立，他会把两个线索的影响叠加为乘积；若发现二者关联，就必须回到条件概率。独立是简化推理的捷径，也是容易踩坑的滑梯。

贝叶斯思维

侦探不仅有证据，还有经验。经验告诉他：这个社区里每1000人有10人是惯偷（先验）。现在目击者说在案发地附近看到了“可疑男子”，若真是惯偷，目击到可疑男子的概率是60%；若不是惯偷，被误认成可疑男子的概率也有5%。看到“可疑男子”这个证据后，嫌疑人是惯偷的概率应该变成多少？这就是贝叶斯更新。

设A=“是惯偷”，B=“被目击为可疑男子”。已知 P(A)=0.01，P(B|A)=0.6，P(B|notA)=0.05。请求 P(A|B)。用贝叶斯公式，其中分母P(B)用全概率展开。

代入数值：分子=0.6×0.01=0.006，P(B)=0.006+0.05×0.99≈0.0555，所以 P(A|B)≈0.108。也就是说，即使目击者说可疑，真正是惯偷的概率也只有约10.8%。因为基础比例太低，误报的噪音淹没了真信号。

侦探的脑内就是一个小型贝叶斯引擎：每次收集到新证据，就在旧有信念上乘一个似然比，再归一化。条件概率不只是“缩小样本空间”，更是“信念更新”的数学。

医疗检测应用

把侦探故事搬到医院：你面前的“嫌疑人”是疾病D，“证据”是阳性检测结果。患者最关心的问题不是“检测准不准”，而是“我拿到阳性后，到底多大可能是真的病了？”答案由条件概率给出。

设患病率p=0.01，灵敏度Se=0.95（有病时检出阳性的能力），误报率FPR=0.05。套用贝叶斯公式：阳性后患病概率约16.1%。100个阳性者中只有约16人真的患病。不是因为检测不准，而是因为基础患病率低，假阳性数量相对可观。

这个概念在医疗器械和AI辅助诊断中至关重要。AI模型输出“阳性”时，临床系统需要结合先验患病率给出后验风险，而不只是模型分数。如果误报率降为1%，后验上升到约49%；如果先验升高到10%，后验更是大幅提升。

侦探在医院变成医生：一条阳性的线索不能定罪，必须结合“案底”（先验）和“线索的可靠性”（似然）。条件概率让医学判断从拍脑袋变成可计算的更新过程。

生活决策应用

侦探案件中的聪明直觉，还能用在游戏节目里。经典蒙提霍尔问题：三扇门后只有一扇有汽车，你选了1号门。主持人（知道车在哪）打开3号门，里面是羊，然后问你要不要换到2号门。多数人觉得剩下两扇门概率各半，但条件概率告诉我们：换门赢车概率是2/3。

设初始正确选择A=1号门有车，P(A)=1/3；初始选择错了B，P(B)=2/3。主持人刻意避开汽车打开一扇羊门，相当于把B这2/3的全部概率“浓缩”到另一扇未开的门。用条件概率表达：

这和生活判断类似：当你得到新信息，不要机械地认为各50%。要分析信息是怎么产生的。主持人的行为不是随机的，他故意不打开有车的门，所以他的“证据”被筛选过。条件概率提醒我们，证据的生成过程直接影响更新方向。垃圾邮件过滤也是同理：看到“免费”一词，直接用P（垃圾|免费）才会比P（免费|垃圾）更可信。

侦探在最终报告上写下：信息的价值不只是“告诉我们哪里可能”，还要看“可能如何被制造”。条件概率帮你在各种看似公平的选择里找出被隐藏的偏差。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-def positive_predictive_value(prevalence, sensitivity, false_positive_rate):    """    根据患病率、灵敏度和误报率计算阳性预测值    """    real_positive = prevalence * sensitivity    false_positive = (1 - prevalence) * false_positive_rate    return real_positive / (real_positive + false_positive) if __name__ == "__main__":    sensitivity = 0.95    false_positive_rate = 0.05    for prevalence in (0.001, 0.01, 0.1):        ppv = positive_predictive_value(prevalence, sensitivity, false_positive_rate)        print("患病率%.3f%%时，阳性后患病概率=%.1f%%" % (prevalence * 100, ppv * 100))

1. real_positive = prevalence * sensitivity计算真正病人中检测为阳性的比例，这是后验分子的主力。
2. false_positive = (1 - prevalence) * false_positive_rate计算健康人中被误报为阳性的比例，这是假阳性的来源。
3. return real_positive / (real_positive + false_positive)用真阳性除以所有阳性，得到阳性预测值。
4. for prevalence in (0.001, 0.01, 0.1):遍历低、中、高三种患病率，观察先验对后验的巨大影响。

常见误区

面试题