贝叶斯网络, 条件概率、全概率公式

全概率公式与贝叶斯公式
一、全概率公式
全概率公式是概率统计学中的重要概念，它系统地表达了事件发生的
几率，它建立在一定的概率论假设和条件概率的基础上。

全概率公式由它
的发明者布朗定理提出，它以下简称为B-公式，它定义了一个事件发生
条件的概率可以由该事件发生的总概率和该事件发生条件概率之间的关系
表示出来，具体地说，就是：
P(A)=P(A，B1)P(B1)+P(A，B2)P(B2)+···+P(A，Bn)P(Bn)
其中：P(A)是A发生的概率，P(B1)~P(Bn)是相互独立的事件B1~Bn
发生的概率；P(A，B1)~P(A，Bn)是A在B1~Bn发生后发生的条件概率，
以上关系可以看作是在n个事件B1~Bn中，A发生的概率就是在所有这些
事件发生时A发生的条件概率乘以其各自发生的概率，再相加，而本质上
它是一个分母的二项式展开。

贝叶斯公式是概率统计学中的重要概念，它描述了在已知其中一种情
况的概率后，观察到其中一种事件后，该情况发生的可能性，它利用事件
的先验概率和事件发生后的后验概率进行推断，它有一下公式发挥着作用：P(A，B)P(B)=P(B，A)P(A)
其中：P(A)是事件A发生的先验概率；P(B)是事件B发生的先验概率；P(A，B)是事件B发生后A发生的条件概率；P(B，A)是事件A发生后B发
生的条件概率。

贝叶斯公式和全概率公式贝叶斯公式是概率论中的重要公式，也就是所谓的贝叶斯定理。

贝叶斯定理是由十九世纪末英国数学家和统计家 Thomas Bayes 在 1763 年提出的，是概率论中最重要的原理之一，广泛应用于商业分析、医学诊断、决策分析、信息检索等多个领域中。

贝叶斯公式的公式表达形式为：<br/>P(A|B)=P(B|A)P(A)/P(B)其中，P（A|B）表示“在B条件下A的概率”，P（B|A）表示“在A条件下B的概率”，P（A）表示“A的概率”，P（B）表示“B的概率”。

从此公式中可以看到，贝叶斯公式通过将一个条件概率分解成两个条件概率的乘积，加以组合，使得概率计算变得更加简便容易。

贝叶斯公式也可以表述为一种胆怯结论，即根据已知的条件来推断未知的结果，而不是僵化地按照既定的规则来推断结果。

即可以通过已知的条件来推断未知的结果，而不是僵化地按照既定的规则来推断结果。

全概率公式是贝叶斯公式的推广，它的公式表达式如下：<br/> P(A)=ΣP(A|B_i)P(B_i)其中，P(A)表示A的概率，P(A|B_i)表示B_i条件下A的概率，P(B_i)表示B_i的概率。

从此公式中可以看到，全概率公式把一个概率分解成多个子概率的和，每个子概率都是一个条件概率，加以组合，使得概率计算更加简便容易。

全概率公式也可以表述为一种更加灵活的结论，即根据已知的概率来推断未知的结果，而不是僵化地按照既定的规则来推断结果。

即可以通过已知的概率来推断未知的结果，而不是僵化地按照既定的规则来推断结果。

因此可以看出，贝叶斯公式和全概率公式是概率论中重要的公式，它们可以帮助我们更加有效地推断出未知的结果，提高我们的决策质量，从而获得更好的结果。

全概率公式和贝叶斯公式的区别与联系全概率公式和贝叶斯公式是两个概率论中的重要公式，用于计算条件概率。

它们之间存在一定的区别和联系。

区别：1.针对的问题不同：全概率公式用于计算一个事件的概率，在已知相应条件下，求解它的概率；而贝叶斯公式则用于反向推理，已知事件发生的条件概率，来求解与之相关的条件概率。

2.公式形式不同：全概率公式的数学形式为P(A) =∑P(A|B_i)P(B_i)，其中B_i为互斥事件，且∑P(B_i) = 1；贝叶斯公式的数学形式为P(B|A) = P(A|B)P(B)/P(A)。

3.用途不同：全概率公式主要用于解决复杂事件的概率计算问题，将复杂事件分解为多个互斥事件的概率计算；贝叶斯公式则主要用于从已知的条件概率出发，反向计算待求条件概率。

联系：1.全概率公式是贝叶斯公式的基础，两者结合可以构成贝叶斯推断的完整过程。

2.贝叶斯公式可以通过全概率公式来推导得到，即根据全概率公式将条件概率表达式代入到贝叶斯公式中，可以得到贝叶斯公式的形式。

拓展：除了上述区别与联系之外，全概率公式和贝叶斯公式还能够应用于其他许多领域。

例如：1.在机器学习中，贝叶斯公式可以用于通过已知标签的数据集来计算新样本的后验概率，进而进行分类。

2.在信号处理中，贝叶斯滤波器可以通过贝叶斯公式将先验信息与测量得到的观测信息相结合，来实现对信号的滤波和估计。

3.在金融领域中，贝叶斯公式可以用于根据市场观测信息来更新关于资产价格走势的先验概率，从而进行风险度量和投资决策。

这些应用扩展了全概率公式和贝叶斯公式的应用范围，使得它们在不同领域中都能够有效地处理概率计算和推理问题。

全概率公式和贝叶斯公式（先验概率和后验概率）全概率公式（Law of Total Probability）和贝叶斯公式（Bayes' Theorem）是统计学中重要的概率公式，用于计算给定一些条件下的概率。

这两个公式是概率论和统计学中常用的工具，可以解决很多实际问题，从机器学习到社会科学中的调查研究。

P(A)=Σ[P(A，Bi)*P(Bi)]其中，P(A)表示事件A的概率，P(A，Bi)表示在给定事件Bi的条件下，事件A发生的概率，P(Bi)表示事件Bi的概率。

贝叶斯公式是在给定一些观察或证据的情况下，计算一个事件的概率的公式。

它基于条件概率的概念，将因果关系转化为条件概率的形式，并用于根据已知的先验概率更新为后验概率。

贝叶斯公式可以表示为：P(A，B)=[P(B，A)*P(A)]/P(B)其中，P(A，B)表示在观察到事件B发生的情况下，事件A发生的概率，P(B，A)表示在事件A发生的条件下，事件B发生的概率，P(A)和P(B)分别是事件A和事件B的先验概率。

全概率公式和贝叶斯公式经常一起使用，特别在机器学习和数据分析中被广泛应用。

通过使用全概率公式，可以将复杂问题分解为多个简单的条件概率问题，然后再使用贝叶斯公式根据已知的先验概率和条件概率计算后验概率。

这样可以更好地理解问题，并得到更准确的结果。

举个例子来说明这两个公式的应用：假设有两个工厂A和B，它们负责生产其中一种产品。

已知A工厂的产品次品率为20%，而B工厂的产品次品率为10%。

现在我们收到一批产品，但不知道是哪个工厂生产的。

一些产品是次品的概率是10%。

问这个产品是来自A工厂的概率是多少？首先，我们可以用全概率公式来计算得到：P(A)=0.5（因为两个工厂的概率相等）P(A，B)=[P(B，A)*P(A)]/P(B)P(B，A)是在A工厂生产的条件下产品是次品的概率P(A)已经计算得到为0.5P(B)=P(B，A)*P(A)+P(B，¬A)*P(¬A)=0.02*0.5+0.1*0.5=0.03将这些值代入贝叶斯公式，可以得到：P(A，B)=(0.02*0.5)/0.03≈0.33因此，基于给定的证据，这个产品是来自A工厂的概率约为33%。

全概率公式,贝叶斯公式的推广及其应用一、全概率公式全概率公式是概率论中的基本公式之一，也称作“条件概率公式”。

简单地说，它是用于计算一个事件发生的概率，而该事件可以发生在多个不同的情况下。

这个公式通常是这样表述的：P(A) = ΣP(A|B_i)*P(B_i)其中，A是要计算的事件，B_i 是 A 可以在其上发生的情况。

P(A|B_i) 是在给定的情况 B_i 下 A 发生的概率，P(B_i) 是情况B_i 发生的概率。

Σ 是对所有情况 B_i 求和。

换句话说，这个公式的含义是：要计算事件 A 发生的概率，我们需要把所有可能性下的条件发生的概率乘起来，再加起来，最终就得到了事件 A 发生的概率。

二、贝叶斯公式另一个常用的概率公式是贝叶斯公式，它与全概率公式有关。

贝叶斯公式是用于计算事件的后验概率（posterior probability），即已知某些证据的情况下再计算事件 A 发生的概率。

它经常用在统计学、机器学习等领域中。

贝叶斯公式通常表述为：P(B|A) = P(A|B)*P(B) / Σ(P(A|B_i)*P(B_i))在这个公式中，A 是已知的证据，B 是要计算的事件。

P(A|B) 是在事件 B 发生的情况下事件 A 发生的概率，P(B) 是事件 B 发生的先验概率（prior probability），即在没有任何证据的情况下事件B 发生的概率。

Σ(P(A|B_i)*P(B_i)) 是全概率公式中的求和项。

三、推广及应用全概率公式和贝叶斯公式可以相互推导，它们都是计算概率的重要工具，广泛应用于各种领域中。

例如：1、在医学诊断中，医生可以利用贝叶斯公式来计算某个病人患病的概率，而这个概率可以作为判断病人是否需要进一步检查或治疗的依据。

2、在自然语言处理中，贝叶斯公式可以用于计算文档中词汇的概率，从而实现文本分类、情感分析等任务。

3、在无人驾驶汽车中，全概率公式可以用于估计车辆在道路上的位置，贝叶斯公式可以用于预测其他车辆的行驶路线和速度，从而实现智能决策和避免碰撞。

杨鑫的数学课堂条件概率、全概率、贝叶斯公式、p(A|B)=P(A∩B)P(B)⇒p(A∩B)=p(A|B)×p(B)⇒p(A∩B)=P(B|A)×P(A)(1)p(A|B)=P(A∩B)P(B)=p(B|A)×P(A)p(B)(2)先举个例子，小张从家到公司上班总共有三条路可以直达（如下图），但是每条路每天拥堵的可能性不太一样，由于路的远近不同，选择每条路的概率如下：p(L1)=0.5,p(L2)=0.3,p(L3)=0.2(3)每天上述三条路不拥堵的概率分别为：p(C1)=0.2,p(C2)=0.4,p(C3)=0.7(4)其实不迟到就是对应着不拥堵，设事件Ｃ为到公司不迟到，事件Li为选择第i 条路，则：p(C)=p(L1)×p(C|L1)+p(L2)×p(C|L)+p(L3)×p(C|L3) p(C)=p(L1)×p(C1)+p(L2)×p(C2)+p(L3)×p(C3)p(C)=0.5×0.2+0.3×0.4+0.2×0.7=0.36(5)全概率计算公式p(C)=p(L1)p(C|L1)······p(L n)p(C|L n)=n∑i=1p(L i)p(C|L i)(6)三、贝叶斯公式仍旧借用上述的例子，但是问题发生了改变，问题修改为：到达公司未迟到选择第１条路的概率是多少？0.5这个概率表示的是，选择第一条路的时候并没有靠考虑是不是迟到，只是因为距离公司近才知道选择它的概率，而现在我们是知道未迟到这个结果，是在这个基础上问你选择第一条路的概率，所以并不是直接就可以得出的。

故有：p(L1|C)=p(C|L1)×p(L1)p(C)p(L1|C)=p(C|L1)×p(L1)P(L1)×p(C|L1)+P(L2)×p(C|L2)+P(L3)×p(C|L3)p(L1|C)=0.2×0.50.2×0.5+0.3×0.4+0.2×0.7=0.28(7)1。

全概率公式和贝叶斯公式一、全概率公式（法）全概率公式是概率论中一条基本的公式，用于计算一个事件的概率。

假设A1、A2、…、An是样本空间Ω的一个划分，即A1、A2、…、An是两两互斥且并起来等于Ω的一组事件。

那么对于任意一个事件B来说，全概率公式（法）可以表示为：P(B)=P(B，A1)P(A1)+P(B，A2)P(A2)+…+P(B，An)P(An)其中，P(B，Ai)表示事件B在事件Ai发生的条件下发生的概率，P(Ai)表示事件Ai的概率。

全概率公式可以用来计算一个事件的概率，即通过对所有可能的事件Ai的发生概率以及事件B在这些事件发生的条件下的概率进行加权平均。

贝叶斯公式是概率论中另一条重要的公式，用于修正一个事件的概率，当已知相关证据时。

贝叶斯公式可以表示为：P(A，B)=P(B，A)P(A)/P(B)其中，P(A，B)表示在已知事件B发生的条件下事件A发生的概率，P(B，A)表示在已知事件A发生的条件下事件B发生的概率，P(A)和P(B)分别表示事件A和事件B的概率。

贝叶斯公式的核心在于将已知的事件B对事件A发生的概率进行修正，即在已知事件B发生的情况下，重新估计事件A发生的概率。

贝叶斯公式在实际应用中具有广泛的应用，特别是在数据分析和机器学习领域。

例如，在文本分类中，可以使用贝叶斯公式计算给定一个词汇出现的情况下，文档属于一些类别的概率；在推荐系统中，可以使用贝叶斯公式计算给定用户的历史行为和其他用户的行为信息的情况下，用户对一些产品的偏好。

总结起来，全概率公式和贝叶斯公式是概率论中两个重要的计算公式。

全概率公式用于计算一个事件的概率，当已知所有可能事件的发生概率以及该事件在这些事件发生的条件下的概率。

贝叶斯公式是在已知相关证据的情况下，修正一个事件的概率。

这两个公式在实际问题中被广泛应用，对于理解和解决概率问题具有重要意义。

第二章条件概率与统计独立性•条件概率，全概率，贝叶斯公式•事件独立性•贝努利试验与直线上的随机游动•二项分布与泊松分布2.1 条件概率全概率公式与贝叶斯公式一、条件概率二、全概率公式三、贝叶斯公式一、条件概率☐问题1 一个家庭有两个孩子，问两个都是女孩的概率是多少？(假定生男生女是等可能的)☐问题2 一个家庭有两个孩子，已知其中一个是女孩，问另一个也是女孩的概率是多少？(假定生男生女是等可能的)☐问题3 一个家庭有两个孩子，已知老大是女孩，问另一个也是女孩的概率是多少？(假定生男生女是等可能的)(,,),,()0,,()(|)()(|).P B P B A P AB P A B P B P A B B A Ω∈>∈= 设是一个概率空间且则对任意的记称为在事件发生的条件下事2件发义生的条 定 2.1.件概率1ΩA B AB 说明若事件B 已发生,则为使A 也发生,试验结果必须是既在B 中又在A 中的样本点,即此点必属于AB .由于我们已经知道B 发生,故B 变成了新的样本空间.从概率的直观意义出发：若B已经发生,则要使A发生试验的结果既属于A又属于B,即属于AB。

因此，条件概率应理解为P(AB)在P(B)中的“比重”。

从几何概型的角度出发：如果在单位正方形内等可能的投点，若已知B 发生，这时A 发生的概率为:BAB S S P =BAABΩΩΩ=S S S S B AB //)()(B P AB P =“条件概率”是“概率”吗？容易验证，条件概率具有概率的公理化定义中的三个条件);()()()( )3(212121B A A P B A P B A P B A A P -+= ).(1)( )4(B A P B A P -=则有件是两两不相容的事设可加可列性, , , ,: )5(21 B B 11().i i i i P A B P A B ∞∞==⎛⎫= ⎪⎝⎭∑ 3. 性质(1) :()0;P A B ≥负非性 (|)1,(|)0P B P B Ω=∅=规同时；(2)范性2)从加入条件后改变了的情况去算4. 条件概率的计算1) 用定义计算:,)()()|(B P AB P B A P P (B )>0掷骰子例：A ={掷出2点}，B ={掷出偶数点}P (A |B ）=31B 发生后的改变样本空间所含样本点总数在改变样本空间中A 所含样本点个数例掷两颗均匀骰子,已知第一颗掷出6点,问“掷出点数之和不小于10”的概率是多少? 解法1: )()()|(B P AB P B A P =解法2: 2163)|(==B A P 解: 设A ={掷出点数之和不小于10}B ={第一颗掷出6点}应用定义在B 发生后的改变样本空间中计算21366363==-=⨯12121312121()()()()().n n n P A A A P A P A A P A A A P A A A A 则有且,0)(121>-n A A A P ,2,,,,21≥n n A A A n 个事件为设推广 则有且为事件设,0)(,,,>AB P C B A ()()()().P ABC P A P B A P C AB =).()()(,0)(A P A B P AB P A P =>则有设5. 乘法定理条件概率与乘法公式1996年，中国围棋大师马晓春在与韩国大师李昌镐争夺围棋世界冠军的五番棋决赛前，马晓春说了这么一句话，他说，如果前面两盘棋能够下成平手，那么他夺冠的概率就有51%.由于马晓春前一年夺得的两个世界冠军都不是从公认为世界围棋第一人的李昌镐手中赢得的，因此那一年他们两个之间的决赛非常令人期待.果然，前面两盘下成了一比一.于是，媒体根据此前马晓春的那一句话，开始了乐观的预测.例一盒子装有4 只产品,其中有3 只一等品,1只二等品.从中取产品两次,每次任取一只,作不放回抽样.设事件A 为“第一次取到的是一等品”,事件B 为“第二次取到的是一等品”,试求条件概P (B |A ).解.4;3,2,1,号为二等品为一等品将产品编号则试验的样本空间为号产品第号第二次分别取到第表示第一次以,),(j 、i 、j i )},3,4(),2,4(),1,4(,,)4,2(),3,2(),1,2(),4,1(),3,1(),2,1{( =Ω)},4,3(),2,3(),1,3(),4,2(),3,2(),1,2(),4,1(),3,1(),2,1{(=A )},2,3(),1,3(),3,2(),1,2(),3,1(),2,1{(=AB 由条件概率的公式得)()()(A P AB P A B P =129126=.32=例某种动物由出生算起活20岁以上的概率为0.8, 活到25岁以上的概率为0.4, 如果现在有一个20岁的这种动物, 问它能活到25岁以上的概率是多少?设A 表示“能活20 岁以上”的事件; B 表示“能活25 岁以上”的事件,则有,8.0)(=A P 因为.)()()(A P AB P A B P =,4.0)(=B P ),()(B P AB P =.218.04.0==)()()(A P AB P A B P =所以解例五个阄, 其中两个阄内写着“有”字, 三个阄内不写字, 五人依次抓取,问各人抓到“有”字阄的概率是否相同?解.5,4,3,2,1=i 则有,52)(1=A P )()(22Ω=A P A P ))((112A A A P =抓阄是否与次序有关?,""的事件人抓到有字阄第表示设i A i333121212()()(())P A P A P A A A A A A A =Ω= )()()(321321321A A A P A A A P A A A P ++=42534152⨯+⨯=,52=)()()()(121121A A P A P A A P A P +=)(2121A A A A P =)()(2121A A P A A P +=)()()(213121A A A P A A P A P =)()()(213121A A A P A A P A P +)()()(213121A A A P A A P A P +324253314253314352⨯⨯+⨯⨯+⨯⨯=,52=依此类推.52)()(54==A P A P 故抓阄与次序无关.波利亚罐模型=121.,,,,-b r c n n n n n 罐中有只黑球只红球每次自袋中任取一只球观察其颜色然后放回并再放入只与所取出的那只球同色的球若在袋中连续取球次试求前面次摸出黑球，后面次摸出红球的概率.例 解1(1,2,,)""i A i n i = 设为事件第次取到黑球11(1,2,,)""j A j n n n j =++ 为事件第次取到红球因此所求概率为11(1)22(1)b n c b b c b cb r b rc b r c b r n c+-++=⋅⋅⋅⋅+++++++- 此模型被波利亚用来作为描述传染病的数学模型.121211211122()()()()().n n n n n P A A A P A P A A P A A A A P A A A A ---=⨯211(1)(1)(1)r n c r r cb r nc b r n c b r n c+-+⋅⋅⋅+++++++- 当c=0时，对应有放回模型，当c=-1时，对应不放回模型，此模型是一般摸球模型1. 样本空间的分割1A 2A 3A 1-n A nA 二、全概率公式121212,,,,,(1),,,1,2,,;(2),,,,.n i j n n E A A A E A A i j i j n A A A A A A ΩΩΩ=∅≠=⋃⋃⋃⋃= 定义设为试验的样本空间为的一组事件若，则称，为样本空间的一个分割2. 全概率公式全概率公式1211221,,),,,,,,()(|)()(|)()(|)()()(|)n n n i i i P B A A A P B P B A P A P B A P A P B A P A P A P B A ΩΩ∞=∈=++++=∑ 设(为一概率空间,为的一义个分割则定i j A A =∅由()()i j BA BA ⇒=∅12()()()()n P B P BA P BA P BA ⇒=++++ 证明12.n BA BA BA = 图示B1A 2A 3A 1-n A nA 化整为零各个击破12()n B B B A A A Ω== 1122()()(|)()(|)()(|)n n P B P A P B A P A P B A P A P B A ⇒=++++说明全概率公式的主要用处在于它可以将一个复杂事件的概率计算问题,分解为若干个简单事件的概率计算问题,最后应用概率的可加性求出最终结果.B1A 2A 3A 1n A nA例有一批同一型号的产品,已知其中由一厂生产的占30% , 二厂生产的占50% , 三厂生产的占20%, 又知这三个厂的产品次品率分别为2%, 1%, 1%,问从这批产品中任取一件是次品的概率是多少?设事件A 为“任取一件为次品”,.3,2,1,""=i i B i 厂的产品任取一件为为事件123,B B B =Ω 解.3,2,1,,=∅=j i B B j i由全概率公式得,2.0)(,5.0)(,3.0)(321===B P B P B P Ω30%20%50%2%1%1%112233()()()()()()().P A P B P A B P B P A B P B P A B =++.013.02.001.05.001.03.002.0=⨯+⨯+⨯=,01.0)(,01.0)(,02.0)(321===B A P B A P B A P 112233()()()()()()()P A P B P A B P B P A B P B P A B =++故（由因求果）1A 2AnA B11()()P A P B A 22()()P A P B A ()()n n P A P B A结果原因1()()()i i i P B P A P B A ∞=∑=={}A 第1次设取到黄球，()()()())(P A P B A P A P P B B A =+20193020+504950492=5=⨯⨯20(),50P A =由题意，30()50P A =19(),49P B A =20()49P B A =利用全概率公式={}B 第2次取到黄球解：例设袋中有50只乒乓球，其中20只黄球，30只白球，现从中依次不放回地任取两个，则第二次取得黄球的概率？例设袋中有50只乒乓球，其中20只黄球，30只白球，现从中依次不放回地任取两个，则第二次取得黄球的概率？有放回抽奖和无放回抽奖一样公平！若采取有放回抽取，则第二次取得黄球的概率？2（）52（）5例设袋中有50只乒乓球，其中20只黄球，30只白球，现从中依次不放回地任取两个，则第二次取得黄球的概率？抽签或者抓阄都和先后顺序无关！若采取不放回抽取，则第三次取得黄球的概率？2（）52（）5例送检的两批灯管在运输中各打碎一支，若每批10支，而第一批中有1支次品，第二批有两支次品，现在从剩下的灯管中任取一支，问抽得次品的概率是多少？({},{}{},A AB ===解解法一）设灯管来自第一批灯管来自第二批，任取一支，抽的次品1911(|)01010910P B A =⨯+⨯=21822(|)10910910P B A =⨯+⨯=3()()(|)()(|)20P B P A P B A P A P B A =+=()918P A =()918P A =AAB考虑打碎的是次品还是正品两种情形：1234 ({},{}{}{}{},A A A AB =====解解法二）设两批打碎的都是次品两批打碎的分别是次品、正品，两批打碎的分别是正品、次品，两批打碎的都是正品，任取一支，抽的次品1234281872(),(),(),()100100100100P A P A P A P A ====123122(|),(|),(|),181818P B A P B A P B A ===413()()(|)20i i i P B P A P B A ===∑43(|),18P B A =1A 2A 3A 4A B说明由例可以看出，同一个题目，都用到了全概率公式，但方法各异。

全概率公式、贝叶斯公式推导过程（1）条件概率公式设A,B是两个事件，且P(B)>0,则在事件B发生的条件下，事件A发生的条件概率（conditional probability)为：P(A|B)=P(AB)/P(B)（2）乘法公式1.由条件概率公式得：P(AB)=P(A|B)P(B)=P(B|A)P(A)上式即为乘法公式；2.乘法公式的推广：对于任何正整数n≥全概率公式、贝叶斯公式推导过程（1）条件概率公式设A,B是两个事件，且P(B)>0,则在事件B发生的条件下，事件A发生的条件概率（conditional probability)为：P(A|B)=P(AB)/P(B)（2）乘法公式1.由条件概率公式得：P(AB)=P(A|B)P(B)=P(B|A)P(A)上式即为乘法公式；2.乘法公式的推广：对于任何正整数n≥2，当P(A1A2...A n-1) > 0 时，有：P(A1A2...A n-1A n)=P(A1)P(A2|A1)P(A3|A1A2)...P(A n|A1A2...A n-1)（3）全概率公式1. 如果事件组B1，B2，.... 满足1.B1，B2....两两互斥，即B i ∩ B j = ∅，i≠j ，i,j=1，2，....，且P(B i)>0,i=1,2,....;2.B1∪B2∪....=Ω ，则称事件组B1,B2,...是样本空间Ω的一个划分设 B1,B2,...是样本空间Ω的一个划分，A为任一事件，则：上式即为全概率公式（formula of total probability)2.全概率公式的意义在于，当直接计算P(A)较为困难,而P(B i),P(A|B i) (i=1,2,...)的计算较为简单时，可以利用全概率公式计算P(A)。

思想就是，将事件A分解成几个小事件，通过求小事件的概率，然后相加从而求得事件A的概率，而将事件A进行分割的时候，不是直接对A进行分割，而是先找到样本空间Ω的一个个划分B1,B2,...B n,这样事件A就被事件AB1,AB2,...AB n分解成了n部分，即A=AB1+AB2+...+AB n, 每一B i发生都可能导致A发生相应的概率是P(A|B i)，由加法公式得P(A)=P(AB1)+P(AB2)+....+P(AB n)=P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|B n)P(PB n)3.实例：某车间用甲、乙、丙三台机床进行生产，各台机床次品率分别为5%，4%，2%，它们各自的产品分别占总量的25%，35%，40%，将它们的产品混在一起，求任取一个产品是次品的概率。