定义

设 A 与 B 为样本空间 Ω 中的两个事件，其中 P ( B )>0。那么在事件 B 发生的条件下，事件 A 发生的条件概率为：

条件概率有时候也称为：后验概率。

统计独立性

当且仅当两个随机事件 A 与 B 满足

的时候，它们才是统计独立的，这样联合概率可以表示为各自概率的简单乘积。

同样，对于两个独立事件 A 与 B 有

以及

换句话说，如果 A 与 B 是相互独立的，那么 A 在 B 这个前提下的条件概率就是 A 自身的概率；同样， B 在 A 的前提下的条件概率就是 B 自身的概率。

互斥性

当且仅当 A 与 B 满足

且

的时候， A 与 B 是互斥的。

因此，

换句话说，如果 B 已经发生，由于 A 不能和 B 在同一场合下发生，那么 A 发生的概率为零；同样，如果 A 已经发生，那么 B 发生的概率为零。

其它

如果事件 B {\displaystyle B} 的概率 P ( B ) > 0 {\displaystyle P(B)>0} ，那么 Q ( A ) = P ( A | B ) {\displaystyle Q(A)=P(A|B)} 在所有事件 A {\displaystyle A} 上所定义的函数 Q {\displaystyle Q} 就是概率测度。

如果 P ( B ) = 0 {\displaystyle P(B)=0} ， P ( A | B ) {\displaystyle P(A|B)} 没有定义。

条件概率可以用决策树进行计算。

形式定义

考虑概率空间Ω(S, σ(S))，其中σ(S)是集S上的σ代数，Ω上对应于随机变量X的概率测度（可以理解为概率分布）为P X ；又A∈σ(S)，P X (A)≥0（这里可以理解为事件A，A不是零测集）。则∀E∈σ(S)，可以定义集函数P X|A 如下：

P X|A (E)=P X (A∩E)/P X (E)。

易知P X|A 也是Ω上的概率测度，此测度称为 X在A下的条件测度 （条件概率分布）。

独立性 ：设A，B∈σ(S)，称A，B在概率测度P下为相互 独立的 ，若P(A∩E)=P(A)P(E)。

条件概率谬论

条件概率的谬论是假设 P （ A | B ）大致等于 P （ B | A ）。数学家John Allen Paulos在他的《数学盲》一书中指出医生、律师以及其他受过很好教育的非统计学家经常会犯这样的错误。这种错误可以通过用实数而不是概率来描述数据的方法来避免。

P （ A | B ）与 P （ B | A ）的关系如下所示：

下面是一个虚构但写实的例子， P （ A | B ）与 P （ B | A ）的差距可能令人惊讶，同时也相当明显。

若想分辨某些个体是否有重大疾病，以便早期治疗，我们可能会对一大群人进行检验。虽然其益处明显可见，但同时，检验行为有一个地方引起争议，就是有检出假阳性的结果的可能：若有个未得疾病的人，却在初检时被误检为得病，他可能会感到苦恼烦闷，一直持续到更详细的检测显示他并未得病为止。而且就算在告知他其实是健康的人后，也可能因此对他的人生有负面影响。

这个问题的重要性，最适合用条件概率的观点来解释。

假设人群中有1%的人罹患此疾病，而其他人是健康的。我们随机选出任一个体，并将患病以disease、健康以well表示：

假设检验动作实施在未患病的人身上时，有1%的概率其结果为假阳性（阳性以positive表示）。意即：

最后，假设检验动作实施在患病的人身上时，有1%的概率其结果为假阴性（阴性以negative表示）。意即：

现在，由计算可知：

是整群人中健康、且测定为阴性者的比率。

是整群人中得病、且测定为阳性者的比率。

是整群人中被测定为假阳性者的比率。

是整群人中被测定为假阴性者的比率。

进一步得出：

是整群人中被测出为阳性者的比率。

是某人被测出为阳性时，实际上真的得了病的概率。

这个例子里面，我们很轻易可以看出P(positive|disease)=99%与P(disease|positive)=50%的差距：前者是你得了病，而被检出为阳性的条件概率；后者是你被检出为阳性，而你实际上真得了病的条件概率。由我们在本例中所选的数字，最终结果可能令人难以接受：被测定为阳性者，其中的半数实际上是假阳性。

参见

贝叶斯定理

最大似然函数

后验概率

概率论

Monty Hall problem

Prosecutor"s fallacy

条件期望

免责声明：以上内容版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。感谢每一位辛勤著写的作者，感谢每一位的分享。