📌 二、2.1 Conditional Probability 条件概率
🔸 2.1.1 引入：信息会改变概率判断
以四人桥牌为例：一副 52 张牌洗匀后每人分得 13 张。在看到自己的牌之前，你的对家持有红桃 A 的概率为 $\frac{1}{4}$。但当你翻开自己的牌后，概率立即被新信息”修正”：
- 若红桃 A 在你手中，对家持有它的概率变为 $0$；
- 若红桃 A 不在你手中，剩余 3 人均分其余的牌，对家持有它的概率上升为 $\frac{1}{3}$。
同一个事件，概率判断前后不同，正是因为判断以额外信息为条件（conditioned on extra information）。现实中类似的问题非常多，例如”已知第一个孩子没有患某种遗传病，我是该疾病携带者的概率有多大？““如果父母都吸烟，子女吸烟的概率有多大？”——这就引出了条件概率的概念。
🔸 2.1.2 条件概率的定义
设 $A$、$B$ 是样本空间 $\Omega$ 中的两个事件，且 $P(B)\neq 0$，则称
$$
P(A\mid B):=\frac{P(A\cap B)}{P(B)}
$$
为事件 $A$ 在给定事件 $B$（条件 $B$）下的条件概率。
对称地，当 $P(A)\neq 0$ 时：
$$
P(B\mid A)=\frac{P(B\cap A)}{P(A)}
$$
💡 理解要点： 条件概率本质上是把样本空间”压缩”到事件 $B$ 内部后重新做归一化——分子 $P(A\cap B)$ 是 $A$、$B$ 共同发生的部分，分母 $P(B)$ 保证压缩后的样本空间总概率仍为 1。
🔸 Example 1：在限定范围内随机抽人
国内某大学数学系的学生人数分布如下表所示：
1_数学系学生人数统计表.png
1_数学系学生人数统计表.png
若从二年级学生中随机抽取一人，问该学生来自中国的概率是多少？
解： 样本空间被限定为全体二年级学生（共 $38$ 人），其中中国学生有 $20$ 人，故
$$
P(\text{中国}\mid\text{二年级})=\frac{\text{二年级中国学生数}}{\text{二年级学生总数}}=\frac{20}{38}=\frac{10}{19}.
$$
🔸 Example 2：掷两枚骰子的条件概率
掷两枚骰子，记事件 $A$ 为第一枚骰子的点数，事件 $B$ 为第二枚骰子的点数，求 $P(A=2\mid A+B\leq 5)$。
2_两枚骰子点数和条件区域表格.png
2_两枚骰子点数和条件区域表格.png
解： 按条件概率定义，
$$
P(A=2\mid A+B\leq 5)=\frac{P(A=2\ \text{且}\ A+B\leq 5)}{P(A+B\leq 5)}
=\frac{P(A=2\ \text{且}\ B\leq 3)}{P(A+B\leq 5)}.
$$
在全部 $36$ 个等可能结果中，满足 $A+B\leq 5$ 的结果有 $10$ 个；其中同时满足 $A=2$（即 $(2,1),(2,2),(2,3)$）的有 $3$ 个。因此
$$
P(A=2\mid A+B\leq 5)=\frac{3/36}{10/36}=\frac{3}{10}.
$$
📌 三、2.2 The Multiplication Principle 乘法原理
🔸 2.2.1 乘法原理（定理）
若 $A$、$B$ 是样本空间中的事件，且 $P(A)\neq 0$，$P(B)\neq 0$，则
$$
P(A\cap B)=P(A)\,P(B\mid A)=P(B)\,P(A\mid B).
$$
它直接由条件概率定义交叉相乘得到，意义是：两件事同时发生的概率 = 第一件事发生的概率 × 已知第一件事后第二件事发生的条件概率。
🔸 Example 3：螺丝同时存在两种缺陷
生产螺丝时，记 $A=\{\text{螺丝太细}\}$，$B=\{\text{螺丝太短}\}$。已知 $P(A)=0.1$，且”细螺丝同时也太短”的条件概率 $P(B\mid A)=0.2$。求任取一颗螺丝既太细又太短的概率。
解：
$$
P(A\cap B)=P(A)\,P(B\mid A)=0.1\times 0.2=0.02.
$$
🔸 2.2.2 链式法则（Chain Rule）
乘法原理可以不断嵌套，形成链式形式。对样本空间中的任意事件 $A_1,A_2,\cdots,A_n$：
$$
P(A_1\cap A_2\cap\cdots\cap A_n)
=P(A_1)\,P(A_2\mid A_1)\,P(A_3\mid A_1\cap A_2)\cdots P(A_n\mid A_1\cap A_2\cap\cdots\cap A_{n-1}).
$$
🔸 Example 4：不放回抽球与概率树
容器中有 $4$ 个红球、$2$ 个绿球，不放回地依次随机摸出两个球。记
- $A=\{\text{第一个球是红的}\}$；
- $B=\{\text{第二个球是红的}\}$；
- $A\cap B=\{\text{两个球都是红的}\}$。
解： 借助**树状图（Tree Diagram）**求解：树的每一条分支代表一个以前面事件为条件的事件，沿某条路径各分支概率的乘积就是对应交集事件的概率（乘法原理）。
3_不放回抽球概率树与韦恩图.png
3_不放回抽球概率树与韦恩图.png
各路径概率如下：
- $P(A)=\dfrac{4}{6}$，$P(\bar A)=\dfrac{2}{6}$；
- $P(B\mid A)=\dfrac{3}{5}$，$P(B^c\mid A)=\dfrac{2}{5}$；$P(B\mid A^c)=\dfrac{4}{5}$，$P(B^c\mid A^c)=\dfrac{1}{5}$；
- 四条路径的联合概率：
$$
P(A\cap B)=\frac{4}{6}\times\frac{3}{5}=\frac{12}{30},\qquad
P(A\cap B^c)=\frac{4}{6}\times\frac{2}{5}=\frac{8}{30},
$$
$$
P(A^c\cap B)=\frac{2}{6}\times\frac{4}{5}=\frac{8}{30},\qquad
P(A^c\cap B^c)=\frac{2}{6}\times\frac{1}{5}=\frac{2}{30}.
$$
求 $P(B)$ 时，把”第二个球为红”的两条路径（图中两个方框值）相加即可，这正是全概率思想：
$$
P(B)=P(A\cap B)+P(\bar A\cap B)=\frac{12}{30}+\frac{8}{30}=\frac{2}{3}.
$$
💡 易错提示： 不放回抽样中，第二次的概率受第一次结果影响，必须用条件概率；“放回”与”不放回”的根本区别就在于各次抽取是否独立。
📌 四、2.3 The Law of Total Probability 全概率公式
🔸 2.3.1 样本空间的划分（Partition）
若事件组 $\{C_1,C_2,\cdots,C_n\}$ 满足：每个样本点 $\omega\in\Omega$ 恰好属于其中一个事件（各 $C_i$ 两两互斥且并集为 $\Omega$），则称该事件组为样本空间的一个划分（Partition）。
4_样本空间划分Partition示意图.png
4_样本空间划分Partition示意图.png
对任意事件 $A\subseteq\Omega$，都可以被这组划分”切碎”为若干互斥部分：
$$
A=(A\cap C_1)\cup(A\cap C_2)\cup\cdots\cup(A\cap C_n).
$$
🔸 2.3.2 全概率公式（定理）
设 $\{C_1,C_2,\cdots,C_n\}$ 是样本空间 $\Omega$ 的一个划分，且 $P(C_i)\neq 0$（$i=1,2,\cdots,n$），则对任意事件 $A\subseteq\Omega$：
$$
P(A)=P(A\mid C_1)P(C_1)+P(A\mid C_2)P(C_2)+\cdots+P(A\mid C_n)P(C_n)
=\sum_{i=1}^{n}P(A\mid C_i)P(C_i).
$$
最常用的情形是把样本空间二分为 $\{B,\bar B\}$，此时公式化为：
$$
P(A)=P(A\mid B)P(B)+P(A\mid \bar B)P(\bar B).
$$
5_全概率公式两事件韦恩图.png
5_全概率公式两事件韦恩图.png
💡 使用思路： 当直接计算 $P(A)$ 困难时，寻找一个能把实验”分情况讨论”的事件 $B$（如第一阶段的不同结果），分别计算每种情况下 $A$ 的条件概率再加权求和。
🔸 Example 5：两瓮转移小球