条件概率与乘法公式：从条件出发，重构概率空间
在考研数学一的概率统计中，条件概率是连接“静态概率”与“动态推断”的桥梁。它回答了一个核心问题：当已知部分信息（事件B已发生）时，事件A发生的可能性如何被修正？本章将系统梳理条件概率的定义、乘法公式、全概率公式与贝叶斯公式的推导逻辑，并通过典型题型展示其适用场景。理解这一节的关键，在于将“样本空间”的收缩视为条件概率的本质操作。
一、条件概率的定义与核心原理
定义：设A、B为两个事件，且P(B)>0，称 P(A|B) = P(AB) / P(B) 为事件B发生的条件下事件A发生的条件概率。这里的关键在于：条件概率不是一个新的概率测度，而是将原样本空间Ω收缩为B后，在B内部重新度量A所占的比例。从几何直观上看，若用面积表示概率，P(A|B)就是“A∩B的面积”占“B的面积”的比值。
在考研中，条件概率的考查往往与“缩减样本空间法”结合。例如，已知袋中有3红2白共5球，不放回取两次，求第一次取红球后第二次取白球的概率。直接使用定义：P(第二次白|第一次红) = P(第一次红且第二次白) / P(第一次红) = (3/5 × 2/4) / (3/5) = 1/2。而缩减样本空间法更直观：第一次取红后，袋中剩2红2白，故第二次取白概率为2/4=1/2。两种方法结果一致，但后者在复杂问题中往往更高效。
二、乘法公式：链式分解的利器
由条件概率定义直接变形可得乘法公式：P(AB) = P(A)P(B|A) = P(B)P(A|B)。其推广形式为：P(A₁A₂...Aₙ) = P(A₁)P(A₂|A₁)P(A₃|A₁A₂)...P(Aₙ|A₁A₂...Aₙ₋₁)。这个公式的价值在于：当多个事件同时发生的概率难以直接计算时，可以按照时间顺序或逻辑顺序逐步分解。
| 公式形式 | 适用场景 | 典型例题 |
|---|---|---|
| P(AB)=P(A)P(B|A) | 两个事件有先后顺序或逻辑依赖 | 不放回抽奖、连续射击命中 |
| P(ABC)=P(A)P(B|A)P(C|AB) | 三个及以上事件依次发生 | 多级系统可靠性、传染病传播链 |
| P(A₁...Aₙ)=P(A₁)ΠP(Aᵢ|A₁...Aᵢ₋₁) | n个事件链式发生 | n次不放回抽样、逐级质检 |
案例拆解：某工厂有三条生产线A、B、C，产量占比分别为50%、30%、20%，次品率分别为2%、3%、4%。现从总产品中随机抽取一件，求它是次品的概率。此题需用全概率公式（见下节），但若问“已知抽到次品，求它来自A线的概率”，则需用贝叶斯公式。若问“连续抽两件（不放回）都是次品的概率”，则需用乘法公式：P(两件次品) = P(第一件次品) × P(第二件次品|第一件次品)。这里第一件次品的概率需用全概率公式计算，第二件次品的条件概率则需根据第一件来自哪条线重新计算——这正是乘法公式与全概率公式的嵌套应用。
三、全概率公式：由因求果的分解工具
定义：若事件B₁, B₂, ..., Bₙ构成完备事件组（即两两互斥且并集为全集Ω），且P(Bᵢ)>0，则对任意事件A，有：P(A) = Σᵢ₌₁ⁿ P(Bᵢ)P(A|Bᵢ)。其本质是将复杂事件A按原因Bᵢ进行加权分解，权重为先验概率P(Bᵢ)。
实战场景：某地区人群中有0.1%的人患有某种罕见病。检测试剂的灵敏度为95%（患病者检出阳性的概率），特异度为90%（未患病者检出阴性的概率）。现随机抽取一人检测结果为阳性，求此人真正患病的概率。此题表面上是贝叶斯公式，但计算分母P(阳性)时需用全概率公式：P(阳性) = P(患病)P(阳性|患病) + P(未患病)P(阳性|未患病) = 0.001×0.95 + 0.999×0.10 ≈ 0.10085。这个结果说明：即使检测阳性，患病概率也仅为0.95×0.001/0.10085 ≈ 0.94%，远低于直觉。这就是全概率公式在医学检测中的典型应用——它揭示了“低患病率下阳性预测值偏低”的反直觉现象。
四、贝叶斯公式：由果溯因的推断引擎
贝叶斯公式是全概率公式的逆问题：已知结果A发生，反推各原因Bᵢ发生的概率。其形式为：P(Bᵢ|A) = P(Bᵢ)P(A|Bᵢ) / Σⱼ₌₁ⁿ P(Bⱼ)P(A|Bⱼ)。其中P(Bᵢ)称为先验概率（在获得新信息前对原因的概率估计），P(Bᵢ|A)称为后验概率（在观察到结果A后修正的概率）。
案例闭环：某通信系统发送信号0和1，发送0的概率为0.6，发送1的概率为0.4。由于信道噪声，发送0时接收为1的概率为0.05，发送1时接收为0的概率为0.02。现接收端收到信号1，求发送端实际发送1的概率。
- 明确事件：设B₁=发送0，B₂=发送1，A=接收1。已知P(B₁)=0.6，P(B₂)=0.4，P(A|B₁)=0.05，P(A|B₂)=0.98。
- 计算分母：P(A) = P(B₁)P(A|B₁) + P(B₂)P(A|B₂) = 0.6×0.05 + 0.4×0.98 = 0.03 + 0.392 = 0.422。
- 代入贝叶斯公式：P(B₂|A) = 0.4×0.98 / 0.422 ≈ 0.929。
- 结果解读：虽然发送1的先验概率只有0.4，但观察到接收1后，后验概率升至0.929。这说明接收信号1强烈支持“发送1”这一假设。
此案例展示了贝叶斯公式的完整流程：先验→似然→后验。在考研中，这类题目常与“敏感问题调查”“垃圾邮件过滤”“故障诊断”等场景结合，核心是准确识别先验概率和似然概率。
五、公式间的逻辑关系与综合应用
| 公式 | 已知条件 | 求解目标 | 思维方向 |
|---|---|---|---|
| 条件概率 | P(AB), P(B) | P(A|B) | 局部概率 |
| 乘法公式 | P(A), P(B|A) | P(AB) | 由因到果（正向） |
| 全概率公式 | P(Bᵢ), P(A|Bᵢ) | P(A) | 由因到果（整体） |
| 贝叶斯公式 | P(Bᵢ), P(A|Bᵢ), P(A) | P(Bᵢ|A) | 由果溯因（逆向） |
综合题型：某考生做选择题，会做的概率为0.7，不会做的概率为0.3。若会做，则答对概率为1；若不会做，则随机猜一个选项（4选1），答对概率为0.25。现已知该考生答对了，求他确实会做的概率。此题需用贝叶斯公式：设B=会做，A=答对。P(B|A) = 0.7×1 / (0.7×1 + 0.3×0.25) = 0.7/0.775 ≈ 0.903。这个结果说明：即使答对了，仍有约10%的概率是猜的。在考试中，这提醒我们“答对”并不等于“掌握”。