企业官网建设流程全解析

1. 先把三个符号的角色分配搞清楚

1.1 样本空间缩小：理解 P(A|B) 的唯一正确入口

刚接触条件概率的人，十个里有八个是这么想的：P(A|B) 不就是 P(A) 加了个竖线吗，跟 P(A) 差不了多少吧。真上手做题才发现完全不是一回事——P(A|B) 可以是 P(A) 的两倍、三倍，也可以直接变成 0 或者 1。根子在于，竖线不是装饰，它是一个"势力范围重划分"的开关。

我习惯用一句话概括：条件概率做的事情，是把样本空间从 Ω 换成了 B。原本我们在整个 Ω 里数事件 A 占多大比例，现在换了个规矩——这个人已经告诉你"B 发生了"，那么所有和 B 无关的样本点全部作废，剩下的舞台上只有 B，我们要算的是 A 在这个新舞台里占多大的地盘。新舞台的大小是 P(B)，而 A 和 B 重叠的那部分地盘是 P(AB)，所以比例就是 P(AB)/P(B)。

举个顺手就能验算的例子。掷一颗均匀骰子，样本空间 Ω = {1,2,3,4,5,6}，每个点的概率都是 1/6。设 A = "点数为偶数" = {2,4,6}，B = "点数大于 3" = {4,5,6}。不做任何假设时 P(A) = 3/6 = 1/2。现在有人告诉你"B 发生了"，也就是结果落在 {4,5,6} 里面——那么 {1,2,3} 这三个点全部作废，新样本空间只剩三个点。在这三个点里，属于 A 的只有 4 和 6，两个点。所以 P(A|B) = 2/3，比原来的 1/2 大了不少。

你可以自己动手数一遍：P(B) = 3/6，P(AB) = P({4,6}) = 2/6，2/6 ÷ 3/6 = 2/3，和直接缩小样本空间数出来的答案完全吻合。这不是巧合，这就是条件概率定义的来源——先数交集，再除以新舞台的大小。想通这一层，后面所有公式都是它的变形，不需要死记。

1.2 P(A|B)、P(AB)、P(B) 三个量各自是谁

很多人卡壳不是卡在计算，而是卡在"到底哪个是分子哪个是分母"。我建议先把三个符号的中文身份钉死：

• P(B)是"前提本身发生的概率"，也就是新舞台有多大。它是分母，取值范围永远在 (0, 1] 之间（因为公式要求 P(B) > 0）。
• P(AB)是"A 和 B 同时发生"的概率，它是交集在整个原样本空间 Ω 里的占比。它是分子，取值范围是 [0, min(P(A), P(B))]。
• P(A|B)是在"B 已经发生"这个前提下 A 发生的概率，是新舞台里交集所占的比例。它也是 [0, 1]。

三者之间只有一个核心等式：P(A|B) = P(AB) / P(B)。把它稍微移项，就得到另外两个变形：P(AB) = P(A|B) × P(B)，以及 P(B) = P(AB) / P(A|B)。做题时经常是已知其中两个求第三个，尤其是 P(AB) = P(A|B) × P(B) 这个形式，用得比原式还多。

这里有个特别容易搞混的点必须提前说清楚：P(AB) 和 P(A|B) 不是同一个东西，也不存在谁一定大谁一定小。P(AB) 永远小于等于 P(B)，因为交集不会超过 B 本身；P(A|B) 则可以是 0 到 1 之间的任何值。举个例子，P(B) = 0.1，P(AB) = 0.06，这时候 P(A|B) = 0.6，比 P(AB) 大；换个例子，P(B) = 0.8，P(AB) = 0.02，这时 P(A|B) = 0.025，比 P(AB) 小。所以别拿直觉去比较这两个量，唯一可靠的判断依据就是那个除法。

提示：写作业或者考试时，如果题目给了 P(A)、P(B)、P(A|B) 三个量中的任意两个，先别急着算，把 P(A|B) = P(AB)/P(B) 写在草稿纸最上面，把已知量圈出来，缺哪个求哪个。这个习惯能省掉大量"手一抖把分子分母写反"的失分。

1.3 为什么值得先啃这三者的关系，而不是直接背贝叶斯

我教过几个刚学的朋友，他们特别爱一步到位：直接记住贝叶斯公式，遇到题就往上套。结果十道题错六道，错的还不是公式本身，而是条件事件和后验事件搞反了。具体说就是题目问"已知检测阳性，真正患病的概率是多少"，他拿着 P(阳性|患病) 就直接当答案交上去了，完全没意识到这是两个完全不同的条件概率。

根因还是在最基础的地方没打牢。贝叶斯公式本质上就是三件事的排列组合：乘法公式把 P(AB) 拆成两个方向的乘积，全概率公式把分母 P(A) 拆成若干条路径之和，最后一步做除法。只要你把 P(A|B)、P(AB)、P(B) 的角色和换算关系彻底吃透，贝叶斯就是水到渠成的一个除法。反过来，如果这三者的关系是模糊的，你套贝叶斯就是在赌，一旦题目换了个叙述方式就翻车。

所以我个人建议的学习顺序是：先用骰子和摸球把 P(A|B) = P(AB)/P(B) 数明白，再用乘法公式把 P(AB) 拆开，然后用全概率把分母补全，最后才看贝叶斯。这个顺序走下来，公式不是背的，是自己一步步推出来的，考完试也不会忘。

2. 把公式掰开揉碎：每一块到底是什么

2.1 分母 P(B) 为什么不能等于零

课本上写条件概率定义的时候，几乎都会带一句"设 P(B) > 0"，很多人扫一眼就跳过去了。这句话不是客套，它是公式能不能成立的生死线。

回到"样本空间缩小"这个直觉上：条件概率是把舞台从 Ω 换到 B。如果 P(B) = 0，那相当于这个新舞台压根不存在，你没法在一个不存在的舞台上计算任何比例。数学上讲，就是分母为零，除法没有意义。这不是"我们规定不行"，而是"这件事本身就没定义"。

从应试的角度，这个限制还藏着一个很实用的判断技巧：如果题目让你求 P(A|B)，而算出来的 P(B) = 0，那答案不是 0，而是"该条件概率无定义"。这种情况在选择题里偶尔会出现，专门用来筛那些不看定义条件的人。我见过一道题，事件 B 是"从一批产品中抽到的次品数恰好是 -1 个"，这个事件本身就不可能发生，P(B) = 0，然后问 P(A|B)，正确选项是"无法确定/无定义"。很多人条件反射选了个 0，直接错。

顺带说一句，P(B) = 0 并不代表事件 B 一定不可能发生——在连续型随机变量里，单点事件的概率就是 0，但它确实可以取到那个值。这就是为什么定义里写的是 P(B) > 0 而不是"B 不是空集"。这个细节属于进阶，初学阶段知道有这个坑就行。

2.2 分子永远被分母"管着"：一个必须刻进肌肉记忆的大小关系

有件事我反复强调过很多次：P(AB) ≤ P(B)，且 P(AB) ≤ P(A)。原因特别朴素——AB 是 A 和 B 的交集，交集是 A 的子集，也是 B 的子集，子集的概率当然不会超过全集。

这个看似废话的结论，在实际做题里能救命。它带来的直接推论是P(A|B) = P(AB)/P(B) ≤ 1，也就是条件概率永远落在 [0, 1] 里。你要是算出来 P(A|B) = 1.5，不用检查别的，肯定错了，而且是"分子分母用错样本空间"这类结构性错误。

更值得记的是这个：P(A|B) + P(Aᶜ|B) = 1，这里 Aᶜ 表示 A 的对立事件。为什么？因为在新舞台 B 里，"A 发生"和"A 不发生"恰好把整个 B 劈成两半，两半的比例加起来必然是 1。这条性质在求"至少"类问题的时候特别好用，后面讲骰子那里会用到。

反过来说，P(A|B) 和 P(A|Bᶜ) 之间没有任何固定的数量关系，它们可以都是 0.5，也可以一个是 0.9 一个是 0.05，还可以一个是 0.2 一个是 0.7。很多人脑子里有个模糊的印象，觉得"条件变一下，概率也就动一动"，实际上完全不同。想验证的话，把 B 换成另一个事件，重算一遍分子分母就知道。

2.3 一张表锁定三个量的取值范围与常见误用

我把这三个量最容易搞混的维度整理成了一张表，建议直接抄到笔记首页：

表格里第三行那个"与 P(B|A) 互换"是最高频的错误，没有之一。举个具体数字感受一下差距：某地区某疾病患病率 0.1%，检测手段对患病者的检出率 99%（这就是 P(阳性|患病) = 0.99），对健康者的误报率 5%（即 P(阳性|健康) = 0.05）。那么一个人检测阳性后真正患病的概率 P(患病|阳性) 是多少？直觉会告诉你是 99%，实际算下来只有1.9% 左右，差了五十倍。这就是把 P(阳性|患病) 和 P(患病|阳性) 搞混的代价。

计算过程我不藏私，一步步写出来：

• P(患病) = 0.001，P(健康) = 0.999
• P(阳性|患病) = 0.99
• P(阳性|健康) = 0.05
• P(阳性) = P(阳性|患病)P(患病) + P(阳性|健康)P(健康) = 0.99 × 0.001 + 0.05 × 0.999 = 0.00099 + 0.04995 = 0.05094
• P(患病|阳性) = P(阳性|患病) × P(患病) / P(阳性) = 0.00099 / 0.05094 ≈ 0.0194

1.94%。这就是贝叶斯公式干的事，也是为什么我说基础关系必须先搞明白。

3. 四类经典场景手把手推演

3.1 骰子与"至少一次"：用条件概率做减法的场景

先从最简单的骰子开始，把所有细节都摊开。已知掷出点数大于 3，求点数为偶数的概率，这个前面算过是 2/3。现在换个问法：已知掷出点数大于 3，求点数不超过 3 的概率。答案是 0，因为在新舞台 {4,5,6} 里，一个不超过 3 的点都没有。这就是"不相交"在条件概率里的表现——A 和 B 交集为空时，P(A|B) = 0。

再换一个：连续掷两次硬币，已知至少出现一次正面，求两次都是正面的概率。设 A = "两次都正面"，B = "至少一次正面"。样本空间是 {正正、正反、反正、反反}，四个等概率。

• P(B) = 3/4
• P(AB) = P(两次都正面) = 1/4（因为"两次都正面"本身就已经满足"至少一次正面"，所以 AB = A）
• P(A|B) = (1/4) / (3/4) = 1/3

容易踩的坑在这里：有些人会答 1/2，理由是"已经确定有一次是正面了，另一次是正面还是反面各一半"。这个直觉错在哪儿？错在它默认了"某一次"是固定的。实际上"至少一次正面"包含三种情况，其中只有一种第二次也是正面，所以是 1/3。这个区别在"至少一次"类问题里极其常见。

顺手补一个"至少"问题的通用工具。n 次独立重复试验，某事件单次发生的概率为 p，求"至少发生一次"的概率，标准做法是用对立事件：1 - (1-p)ⁿ。比如掷 10 次硬币，至少一次正面的概率是 1 - 0.5¹⁰ ≈ 0.999。很多抽卡游戏里"十连至少出一张"的概率也是这么算的，后面会提。

3.2 不放回摸球：乘法公式的原产地

袋子里 3 个红球、2 个白球，共 5 个，不放回地摸两次，求两次都摸到红球的概率。这种题就是条件概率的主场。

先设 A = "第一次摸到红球"，B = "第二次摸到红球"。要求的是 P(AB)。用乘法公式拆开：P(AB) = P(A) × P(B|A)。

• P(A) = 3/5，第一次摸的时候袋子里 5 个球，3 个红。
• P(B|A) = 2/4，因为已经拿走一个红球，袋子里剩 2 红 2 白，共 4 个。

所以 P(AB) = 3/5 × 2/4 = 6/20 = 3/10。

你也可以用组合数直接验证：从 5 个球里不放回取 2 个，总共有 C(5,2) = 10 种取法，两次都红的取法是 C(3,2) = 3 种，所以是 3/10。两条路算出来一致，说明公式是对的。

现在重点来了——如果把题目改成"已知第一次摸到红球，求第二次也摸到红球的概率"，那答案就是刚刚那个条件概率本身：P(B|A) = 2/4 = 1/2。注意，这两个问题的答案完全不同，一个是 3/10，一个是 1/2，差了三倍。

注意：放到实际应用题里，"不放回"和"放回"是两种完全不同的模型。放回的话第二次摸的时候袋子里还是 5 个球 3 个红，P(B|A) = 3/5，这时 A 和 B 独立；不放回的话 P(B|A) = 2/4，A 和 B 不独立。看到题目一定要先确认是哪种。

我见过一道变形题：袋中 3 红 2 白，不放回摸两次，已知第二次摸到红球，求第一次也是红球的概率。这就反过来了，求 P(A|B)。用定义：P(A|B) = P(AB)/P(B)。分子还是 3/10，分母 P(B) 需要单独算——第二次摸到红球有两种路径：第一次红第二次红（3/5 × 2/4 = 3/10），第一次白第二次红（2/5 × 3/4 = 3/10），加起来 P(B) = 6/10 = 3/5。所以 P(A|B) = (3/10) / (3/5) = 1/2。

有意思的是，这里 P(A|B) = P(B|A) = 1/2，对称了。但这是这个具体题目凑出来的巧合，不是普遍规律，别当成结论用。

3.3 疾病筛查与抽检：反直觉场景的完整拆解

前面简单算过一次疾病筛查，这里把思考过程完整展开，因为这类题最能暴露对条件概率的理解深度。

场景设定：某工厂有一批产品，次品率 1%。有一台检测设备，对次品的识别率是 98%（次品被判为"不合格"的概率），对正品的识别率是 97%（正品被判为"合格"的概率）。现在随机抽一件产品，检测结果为"不合格"，问它真的是次品的概率。

先把事件定义清楚，这一步最关键：

• C = "产品是次品"，P(C) = 0.01，P(Cᶜ) = 0.99
• T = "检测结果为不合格"
• P(T|C) = 0.98（次品被检出）
• P(T|Cᶜ) = 1 - 0.97 = 0.03（正品被误判）

要求的是 P(C|T)。套贝叶斯：

• 分子 P(T|C) × P(C) = 0.98 × 0.01 = 0.0098
• 分母 P(T) = P(T|C)P(C) + P(T|Cᶜ)P(Cᶜ) = 0.0098 + 0.03 × 0.99 = 0.0098 + 0.0297 = 0.0395
• P(C|T) = 0.0098 / 0.0395 ≈ 0.248

只有大约 24.8%。也就是说，一台看起来"98% 准"的设备，判断"不合格"的产品里，四分之三其实是冤枉的。

这个结果第一次看到的人基本都不信。不信的根源在于：大家把 P(T|C) = 0.98 当成了 P(C|T)。前者说的是"次品里有多少被揪出来"，后者说的是"被揪出来的里面有多少是真次品"。因为原本次品就只占 1%，基数太小，误报虽然只有 3%，但 3% 乘上 99% 的正品基数，绝对数量就压过了真次品，这就是分母里那一大块的来源。

这里可以提炼一个很实用的判断法：当"前提事件"本身就是小概率事件时，反向条件概率通常会被拉得很低。你在做化学品检测、垃圾邮件过滤、金融风控、抽样质检的时候，只要遇到"某某特征的阳性结果"，先问一句：这个特征本身在总体里有多常见？如果是稀有事件，那就准备好被反直觉的结果打脸。

3.4 三门问题：条件概率最著名的一次翻车现场

这个场景我犹豫过要不要放，因为它被讨论得太多了。但它的价值在于：它是检验你是否真正理解"条件"的一次绝佳考试，所以我把它放在最后，作为前面所有内容的综合演练。

设定：三扇门，一扇后面有奖品，另外两扇后面是空的。你选了一扇，比如 1 号门。主持人知道奖品在哪，他打开了另一扇没有奖品的门（比如 3 号门），然后问你要不要换成 2 号门。

先算不换的胜率。奖品在 1 号门的概率是 1/3，这个从始至终没变过——因为你最初选的时候就是三选一，主持人开门这个动作并没有改变"奖品在 1 号门"的原始概率。关键就在于，主持人开门是受约束的行为，他永远只打开没有奖品的门，而且他永远不会打开你已经选的那扇。这两条约束决定了这个行为携带信息。

现在算换的胜率。奖品在 2 号门或 3 号门的初始概率是 2/3。主持人打开了 3 号门并且是空的，那么在"奖品不在 1 号门"这个条件下，奖品只能在 2 号门（因为 3 号已经确认是空的）。所以这部分 2/3 的概率全部集中到了 2 号门上。换成 2 号门，胜率是 2/3。

用条件概率的算式写一遍更干净。设初始选择为门 1，A = "奖品在门 2"，B = "主持人打开了门 3"。要求 P(A|B) = P(AB)/P(B)。

• P(A) = 1/3。如果奖品在门 2，主持人只能打开门 3（他不能开奖品门，也不能开你选的门 1），所以 P(B|A) = 1，P(AB) = 1 × 1/3 = 1/3。
• P(B) 可以用全概率拆：奖品在门 1 时（概率 1/3），主持人在门 2 和门 3 里随便开一扇，开 3 的概率是 1/2；奖品在门 2 时（概率 1/3），开 3 的概率是 1；奖品在门 3 时（概率 1/3），开 3 的概率是 0。所以 P(B) = 1/3 × 1/2 + 1/3 × 1 + 1/3 × 0 = 1/6 + 1/3 = 1/2。
• P(A|B) = (1/3) / (1/2) = 2/3。

算完你会发现，不换是 1/3，换是 2/3，换门翻倍。这个题的教训是：很多人算错不是因为公式不会，而是因为在建模的时候偷偷给主持人的行为加了错误的假设，比如误以为主持人是随机开门、误以为开门这个动作不携带任何信息。而一旦你把"主持人必定打开一扇空门"这个约束用条件概率写清楚，答案就自然浮出来了。

4. 乘法、全概率、贝叶斯：三个变形公式的统一视角

4.1 乘法公式：把"同时发生"拆成两步走

乘法公式其实就是条件概率定义的移项：P(AB) = P(A|B) × P(B) = P(B|A) × P(A)。两个方向都能用，选哪个取决于哪个条件概率更好算。

这个公式的意义在于：把一个"同时发生"的复合事件，拆成"先发生一个，再在它的条件下发生另一个"。摸球那道题就是标准应用——与其去数组合数，不如直接问自己：第一步有多大概率？第一步完成后再做第二步，概率是多少？两个数一乘就完事。

对多个事件的情况，公式可以链式展开：P(A₁A₂…Aₙ) = P(A₁) × P(A₂|A₁) × P(A₃|A₁A₂) × …。比如从一批产品里不放回抽 3 件全是合格品，就是第一件合格的概率 × 第一件合格后第二件合格的概率 × 前两件都合格后第三件合格的概率。这种方法在抽样检验、抽签、扑克牌问题里到处都是。

实操心得：用乘法公式的时候，每一步的分母都要问一句"现在还剩多少个"。不放回抽样里，分母每次减一；如果中间抽走了特定颜色或特定类别的对象，分子也要跟着变。我见过太多人第一步写 3/5 写得对，第二步顺手写成 3/5，然后整题崩掉。

4.2 全概率公式：把复杂的分母拼起来

全概率公式解决的是"分母怎么求"的问题。当 P(B) 不能直接算出来，但它可以通过若干种情况分别发生，就可以把它拆开：P(B) = Σ P(B|Aᵢ) × P(Aᵢ)，其中 A 是一组划分（互不相交且并为全集）。

用前面工厂质检的例子说：P(检测不合格) 没法直接数，但可以分成"次品被判不合格"和"正品被判不合格"两条路径，各自算出来再相加。这就是全概率的日常工作。

它的使用判断标准很直接：如果一个问题里存在"先分几种情况，每种情况下再发生某件事"的结构，那基本就是全概率公式。常见的触发词包括"甲生产线和乙生产线""晴天和雨天""来自 A 地区和 B 地区"等等。看到这种叙述，立刻在草稿纸上画一棵两层的树状结构：第一层是各种情况，第二层是每种情况下的结果，然后把每条路径的乘积加起来。

我个人的习惯是先画树再写式子，因为画树能防一个高频错误：漏掉某条路径。比如三种情况，很多人只写了两种，第三种因为在题目里描述得比较隐晦就被忘了。画完树之后数一数叶子节点的个数，和情况数对比，能立刻发现遗漏。

4.3 贝叶斯公式：把条件反过来求

把乘法公式和全概率公式拼在一起，就是贝叶斯公式：

P(Aᵢ|B) = P(B|Aᵢ) × P(Aᵢ) / Σ P(B|Aⱼ) × P(Aⱼ)

它的作用就一个：已知 P(B|A)，求 P(A|B)，也就是把条件方向反过来。

用的时候分三步走，这三步在纸面上写得很清楚：

1. 写分子：题目里给了哪一个"顺方向"的条件概率？把它乘上对应的先验概率，这就是分子。
2. 写分母：把所有可能产生 B 的路径全部列出来，各自相乘再相加。这一步就是全概率公式。
3. 做除法：分子除以分母，收工。

回到质检那道题，分子是 0.98 × 0.01，分母是 0.98 × 0.01 + 0.03 × 0.99，最后除一下得 0.248。整个过程没有任何需要"灵感"的地方，都是机械操作。

这里我再强调一遍第 2 章说过的那个坑：贝叶斯最容易错的地方不是计算，而是认出题目给的是哪个方向的条件概率。题目里遇到"准确率""检出率""灵敏度"这类词，绝大多数情况下它们描述的是 P(检测结果|真实状态)，而不是 P(真实状态|检测结果)。真正的答案要你自己算出来，而且往往和那个"准确率"数字差很远。

5. 常见错误与排查清单

5.1 五个高频错误逐条拆解

我把自己和身边人踩过的坑整理成了一份清单，每一条都附上了对应的自检方法：

错误一：把 P(A|B) 和 P(B|A) 当成同一个数。这是第一大错，出现频率高到离谱。自检方法：做完题之后，把题目问的"已知什么、求什么"用中文再读一遍，确认竖线左边是要求的事件、右边是已知的事件。如果读出来和题目不符，立刻反过来。

错误二：分子和分母用了不同的样本空间。典型表现是分子用"全体"层面的概率，分母却用了缩小后的样本空间，或者反过来。自检方法：确认 P(AB) 和 P(B) 都是在原样本空间 Ω 里算的，然后才做除法。只有做完除法之后，结果才是"在 B 里"这个新视角下的概率。

错误三：P(B) = 0 时硬套公式。自检方法：算完分母后看一眼是不是 0。是 0 就停下来，写"该条件概率无定义"，而不是写 0。

错误四：把 P(AB) 直接写成 P(A) × P(B)。这个式子只在 A、B 独立的时候成立。自检方法：题目里有没有说"放回""独立""互不影响"？没有的话，一律用 P(A) × P(B|A)。

错误五：把"互斥"和"独立"当成一回事。这两个概念完全相反。互斥是"A 发生则 B 一定不发生"，所以 P(AB) = 0；独立是"A 发生与否不影响 B 的概率"，所以 P(AB) = P(A)P(B)。如果 P(A) 和 P(B) 都大于 0，那互斥的事件一定不独立，独立的事件一定不互斥。自检方法：看到"不能同时发生"就想到互斥，看到"互不影响"就想到独立，别串台。

5.2 拿到条件概率题的四个自问

我现在做题还有一套固定流程，四句话问完，基本不会跑偏：

1. 竖线后面是谁？这个"已知条件"的事件，我有没有给它一个干净的定义？
2. 题目要的到底是 P(A|B) 还是 P(AB)？中文里"同时发生"对应 P(AB)，"在……的前提下"对应 P(A|B)，这两个描述不能混。
3. 分母是 P(B) 还是 P(A)？取决于竖线后面那个事件。
4. 有不放回或者依赖关系吗？有的话第二层的概率要重新数分子分母。

把这四问写在草稿纸边上，做完一题勾一遍。刚开始会觉得啰嗦，做二三十道题之后就成了条件反射，速度和准确率都能上去。

5.3 用几行代码验证答案：比翻答案更靠谱

纯手工算完之后，如果心里没底，我一般会用模拟跑一遍验证。Python 十几行就能搞定，比翻答案更让人放心，因为答案书也可能印错。

第一段，验证骰子那道题（P(B) = 3/6，P(AB) = 2/6，P(A|B) = 2/3）：

import random random.seed(42) N = 200000 cnt_b, cnt_ab = 0, 0 for _ in range(N): d = random.randint(1, 6) if d > 3: # 事件 B：点数大于 3 cnt_b += 1 if d % 2 == 0: # 事件 A：点数为偶数 cnt_ab += 1 print("P(B) ≈", round(cnt_b / N, 4)) # 期望 0.5 print("P(AB) ≈", round(cnt_ab / N, 4)) # 期望 0.3333 print("P(A|B) ≈", round(cnt_ab / cnt_b, 4)) # 期望 0.6667

注意最后一行，分母用的是cnt_b而不是N——这正是把样本空间从 Ω 换成 B 在代码里的体现。写代码的时候这个细节会自动逼你想清楚，比看公式管用。

第二段，验证不放回摸球（P(AB) = 3/10，P(B|A) = 1/2）：

import random random.seed(7) N = 200000 cnt_a, cnt_ab = 0, 0 for _ in range(N): bag = ['R', 'R', 'R', 'W', 'W'] first = bag.pop(random.randrange(len(bag))) if first == 'R': # 第一次摸到红 cnt_a += 1 second = bag.pop(random.randrange(len(bag))) if second == 'R': # 第二次也红 cnt_ab += 1 print("P(第一次红) ≈", round(cnt_a / N, 4)) # 期望 0.6 print("P(两次都红) ≈", round(cnt_ab / N, 4)) # 期望 0.3 print("P(第二次红|第一次红) ≈", round(cnt_ab / cnt_a, 4)) # 期望 0.5

第三段，验证质检那道贝叶斯题：

import random random.seed(1) N = 500000 cnt_positive, cnt_true_defect = 0, 0 for _ in range(N): is_defect = random.random() < 0.01 # 次品率 1% if is_defect: detected = random.random() < 0.98 # 次品被检出 else: detected = random.random() < 0.03 # 正品误报 if detected: cnt_positive += 1 if is_defect: cnt_true_defect += 1 print("P(不合格) ≈", round(cnt_positive / N, 4)) # 期望 0.0395 print("P(次品|不合格) ≈", round(cnt_true_defect / cnt_positive, 4)) # 期望 0.248

跑一遍对一下数量级，如果模拟结果和手算结果差距超过 1%，那基本就是手算错了。这个方法我在做数据分析相关工作时用得尤其多，因为它能快速暴露"分母用错样本空间"这类隐蔽错误。

6. 我的练习安排与几个做题习惯

6.1 三阶段练习法

条件概率这个知识点，练的方式比练的量更重要。我自己的节奏是这样分的。

第一阶段，只练数样本空间。找十道最基础的题，不做任何公式推导，就是画图、列样本点、数交集、数分母，写出 P(A|B) = (交集个数)/(分母个数)。这一阶段的目标是把"缩小样本空间"变成肌肉记忆，一旦看到竖线，脑子里自动切舞台。

第二阶段，练公式的双向换算。专门找那种"给了 P(A|B) 和 P(B) 求 P(AB)"、"给了 P(AB) 和 P(A|B) 求 P(B)"的题，来回倒。这一步的目的是让 P(AB) = P(A|B)P(B) 这条变形像乘法口诀一样顺手，做贝叶斯的时候就不用现推了。

第三阶段，做完整的应用题。疾病筛查、产品抽检、三门问题、扑克牌问题都属于这一层。这个阶段的重点不是套公式，而是定义事件的能力——能不能把题目里的一句话精确翻译成"A = ……，B = ……"。我见过太多人公式滚瓜烂熟，但一到应用题就不知道谁是 A 谁是 B，根子就在这一层没练。

三个阶段下来，大概六十到八十道题，条件概率这块基本就稳了。

6.2 几个我自己一直在用的习惯

第一个习惯，画两个圈。任何条件概率题，先在纸上画两个相交的圈代表 A 和 B，把已知的数字填进去。然后在 B 那个圈里画一圈线，告诉自己"现在只看这里面"。这个动作花不到十秒，但能挡住绝大多数的分子分母错位。

第二个习惯，把中文和符号对着写。比如"已知检测阳性"就写"已知 T 发生"，"求真正患病"就写"求 P(C|T)"。写完对照一下，确保符号没写反。这个习惯在做贝叶斯题时价值最大，因为贝叶斯的题面叙述往往很长，符号一错整题就废了。

第三个习惯，答案算完先做量级检查。如果题目里说某事的发生概率很小，那反向条件概率通常也不会很大，你要是算出 0.99 就得回头看一眼。反之如果算出 0.001 这种极小的值，也要确认是不是把分母里的大头给漏了。这个检查不需要重算，看一眼就有感觉。

最后一个习惯是关于笔记的。我自己整理条件概率的时候，把五个核心公式写在了一页纸上：定义式、乘法公式、全概率公式、贝叶斯公式、以及独立性的定义 P(AB) = P(A)P(B)。然后把它们之间的推导关系用箭头连起来——定义式移项得乘法公式，乘法公式配划分得全概率，乘法除以全概率得贝叶斯，独立性是乘法公式在 P(A|B) = P(A) 时的特例。这张图我到现在都还留着，比任何一本教材的排版都清楚，因为它是自己画的，逻辑线是自己理出来的。

真正的分水岭从来不在公式本身，而在于你能不能在任何一道题面前，稳稳地答出"谁是条件、谁是交集、分母是谁"这三个问题。这三个问题答对了，后面的全是算术；答错了，背再多公式都是在赌。