掷骰子猜点数、抽扑克牌比大小、抛硬币猜正反——这些我们从小就会算概率的游戏，背后都依赖一个共同框架：古典概型。在学条件概率之前，我们先把概率的集合根基重新理一遍。

上页我们谈了概率的直觉，但「抽到合格零件」这类复杂事件的概率怎么算？它可能来自多条生产线——能不能拆开再相加？这就需要互斥和完备事件组这把刀。

体检报告写「阳性」——你想重新估一下得病的概率。和一小时前没看报告时的估计，明显不同。「已知」这两个字，把概率改写了。

刚摸一张牌朝下放着，'它是红桃吗？'——这种'已知某事发生后再估概率'的念头，就是上一节讲过的条件概率。但'觉得是这样'和'数学上严格是这样'是两回事。这一页我们要把直觉写成公式。

上页我们写下了 P(A|B)=P(A∩B)/P(B) 这个公式。这一页我们用两种直观视角去理解它——一个用图，一个用「缩小范围」的感觉。

左边是普通概率公理，右边是条件概率性质——结构完全平行：B 固定后，P(·|B) 就是一个新的概率测度。

从条件概率定义出发，一步一步推出乘法公式的两种写法。

把三事件概率拆成两次条件概率的叠加，逐步把 AB 内部的依赖剥出来。

用数学归纳法,把二元公式推广到任意n个事件

乘法公式告诉我们 P(AB)=P(B)P(A|B)，但这只是两个事件的关系。现实里我们经常遇到事件 A 的概率本身不好直接算，但通过一组中间事件却能拆解——这正是全概率公式要解决的问题。

从乘法公式与完备事件组的拆分出发，五步推出全概率公式。

树形图把 B 拆成 A₁∩B、A₂∩B、A₃∩B 三块，再把它们概率相加。

四步法：设事件→验证完备性→套公式→计算

用 Python 把甲乙两线次品问题从公式推到模拟,最后扩展到任意多条线的求和写法。

P(B)=ΣP(Ai)P(B|Ai) 在两线时退化为两项相加;蒙特卡洛验证数值,sum 写法展现公式的求和本质。

产品检验中，全概率公式让我们算出「抽到次品」的概率。但工厂真正关心的是反过来的问题：抽到一件次品，它最可能来自哪条产线？

从条件概率定义出发，分子用乘法公式、分母用全概率公式展开，拼出贝叶斯公式。

从前面推导出的贝叶斯公式出发，逐个拆解分子分母里每个概率的真实含义。贝叶斯公式的精髓不是运算，而是「看到证据后如何修正判断」。

用 Python 跑一遍经典医学诊断问题，看贝叶斯公式如何修正直觉。

把上一页的公式符号换成数字：先算 P(+) = 0.059，再代回贝叶斯公式求 P(D|+) ≈ 0.161。

全概率"由因求果"，贝叶斯"由果求因"——方向相反，是最容易混淆的两个公式。

上一节我们看到，不放回抽牌时，第一次抽到红牌会改变第二次抽到红牌的概率。但若每次抽完都放回去，第一次抽到什么，对第二次毫无影响。这种「毫无影响」有个正式名字。

上一页我们从直觉上认识了'独立'——一个事件的发生不改变另一个事件的不确定性。这一页把这种直觉翻译成精确的数学语言，看 P(AB)=P(A)P(B) 的三种等价表述。

上一页我们看到，独立的定义是 P(AB)=P(A)P(B)。那互斥呢？很多同学把'互斥'和'独立'当成一回事，这页来彻底澄清它们的关系。

验证两个条件等式的等价性：从 P(A|B)=P(A) 出发，一步步推出 P(B|A)=P(B)。

左侧看独立性层级关系，右侧反例验证为何反向不成立——关键差异在三元交集条件。

箭头方向即推导方向；实线表示直接推出，虚线表示条件或简化关系。

某工厂两条生产线生产同一种产品：甲线产量占 60%，乙线占 40%；甲线次品率 1%，乙线次品率 2%。现随机抽到一件次品，它来自甲线的概率约为？

• ✓条件概率 = 在缩小样本空间上重新计算概率，本质是信息更新
• ✓全概率公式"由因推果"，把复杂事件按完备组拆分累加
• ✓贝叶斯公式"由果推因"，由先验与似然推出后验
• ✓独立性的核心判据：P(A|B)=P(A)，B不提供A的信息
• ✓乘法公式是桥梁，连接条件概率与联合概率

先合上书自己想，再对照参考答案看思路是否走偏。