条件概率计算器 P(A|B)

条件概率是概率论和统计学的基石之一。它描述的是在另一个事件已经发生的前提下，某个事件发生的可能性，并支撑着科学、医学和机器学习中许多最重要的推理方法。 其形式定义为：P(A|B) = P(A ∩ B) / P(B)，前提是 P(B) > 0。这里，P(A|B) 读作“在 B 发生的条件下 A 发生的概率”，P(A ∩ B) 是 A 和 B 同时发生的联合概率，P(B) 是 B 的边际概率。把这个公式变形后可得到乘法法则：P(A ∩ B) = P(A|B) × P(B)，它常用于根据条件概率求联合概率。 一个经典例子是医学检测。假设某种疾病影响了 1% 的人群，而诊断测试有 5% 的假阳性率。随机抽取一个人检测为阳性的概率就是 P(B)。此人既患病又检测为阳性的概率是 P(A ∩ B)。两者相除得到的就是在阳性结果已知的情况下此人真正患病的条件概率——这通常比直觉低得多，这种现象被称为基率谬误。 条件概率也是贝叶斯定理的核心：P(A|B) = P(B|A) × P(A) / P(B)。贝叶斯定理让你可以根据新证据 B 来更新先验信念 P(A)，从而得到后验信念 P(A|B)。这种贝叶斯更新框架被用于垃圾邮件过滤、医学诊断、法证证据评估以及现代机器学习分类器。 本计算器支持三种模式。“求 P(A|B)” 使用联合概率 P(A ∩ B) 和边际概率 P(B) 作为输入并返回条件概率。“求 P(A ∩ B)” 使用 P(A|B) 和 P(B) 并应用乘法法则。“求 P(B)” 则根据条件概率和联合概率反推出边际概率。所有概率输入都必须介于 0 和 1 之间；当 P(B) 出现在分母中时，P(B) 不能为 0。