全概率事件和贝叶斯公式解释
设A1,A2,...,An是一组互斥的事件，它们也是一组全概率事件。那么对于任意一个事件B，可以通过全概率事件来计算B的概率。全概率事件公式如下：
P(B)=P(B，A1)P(A1)+P(B，A2)P(A2)+...+P(B，An)P(An)
其中，P(B，Ai)是在给定事件Ai发生的条件下事件B发生的概率，P(Ai)是事件Ai的概率。
全概率事件的一个重要应用是用于计算复杂事件的概率。当一个事件B无法直接计算其概率时，我们可以找到一组全概率事件A1,A2,...,An，然后计算B在每个全概率事件下的条件概率以及每个全概率事件的概率，最终通过全概率事件公式计算B的概率。
下面通过一个例子来说明全概率事件的应用。
假设手机制造商生产了两个型号的手机A和B，且每个型号的销售比例为60%和40%。根据过去的统计数据，我们知道手机A发生故障的概率为5%，手机B发生故障的概率为3%。问一些顾客购买的手机发生故障的概率是多少？
解决这个问题的关键是找到一组全概率事件。设事件A为顾客购买手机A，事件B为手机发生故障。根据题目中给出的数据，我们可以计算事件B在事件A和事件B的补事件的条件下的概率，以及两个全概率事件的概率：
P(B，A)=5%
P(B，A')=3% P(A)=60%
P(A')=40%
根据全概率事件公式，我们可以计算事件B的概率：
P(B)=P(B，A)P(A)+P(B，A')P(A')=5%*60%+3%*40%=3.8%
所以一些顾客购买的手机发生故障的概率为3.8%。
贝叶斯公式是基于全概率事件的基础上，进一步计算后验概率的公式。贝叶斯公式如下：
P(A，B)=(P(B，A)P(A))/P(B)
其中，P(A，B)是在事件B发生的条件下事件A发生的概率，P(B，A)是在事件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的概率。
贝叶斯公式的一个重要应用是进行信息更新，即根据新的观察结果来更新对一些事件的概率估计。通过贝叶斯公式，我们可以将先验概率（在没有新观察结果之前的概率估计）与似然函数（新观察结果对事件发生的支持程度）相结合，得到更新后的后验概率。
全概率公式与贝叶斯公式
全概率公式和贝叶斯公式是概率论中最基础、最重要的两个公式之一。它们是概率论领域的基础理论，广泛应用于科学、经济、社会等诸多领域。在本文中，我们将从定义、思想、应用等多个角度系统地介绍这两个公式，并通过实例加深读者对其理解和应用的能力。
一. 全概率公式（Law of Total Probability）
全概率公式，指在已知某一事件的所有可能情况下，推断出该事件发生的概率公式。其定义如下：
对于任何一组事件A1,A2,A3...,An，满足：
1. 这些事件构成一个完备事件组，即其中任意两个事件不可能同时发生；
2. 对于任意一个事件B，都可以写成B与A1,A2,A3...,An的交集的和；
则可得到全概率公式：
P(B) = ∑P(Ai) · P(B|Ai)
其中，P(B)为事件B的概率，P(Ai)为组合事件A1,A2,A3...,An的概率，P(B|Ai) 表示在事件Ai发生的条件下，事件B发生的概率。
全概率公式的思想是通过列出完备事件组，并结合贝叶斯公式，计算出该事件每个可能事件的概率。这个公式几乎在所有诸如风险评估、决策分析等领域都有广泛应用。
1.1 示例——决策分析
用全概率公式来说明决策分析。现在，有一个人可以选择投资A或B。如果选择A，有60%的机会获得10000元的回报和40%的机会获得20000元的回报；如果选择B，则有100%的机会获得15000元的回报。这个人现在需要决定选择哪种投资。
我们可以将选到A和选到B的两个事件分别设为Ai和Aj。则全概率公式的应用如下：
P(A) = P(Ai) · P(A) + P(Aj) · P(A)
其中，P(Ai)=0.5，P(Aj)=0.5，P(A|Ai)=0.6，P(A|Aj)=1
所以：
P(A) = 0.5 × 0.6 + 0.5 × 1 = 0.8
P(B) = 1 - P(A) = 0.2
因此，我们可以看到，通过全概率公式，我们可以得出选择A的概率为0.8，选择B的概率为0.2。由此，我们可以看出，这个人应该选择A比回报更多的B。
全概率公式和贝叶斯公式的区别
贝叶斯公式和全概率公式是常用于统计概率分析的方法，但它们之间也存在差异。
首先，它们可以用来分析不同类型的事件。贝叶斯公式旨在解决有关在已知某些信息的情况下，某种结果发生的可能性的问题，而全概率公式则是用来算出某一特定结果发生的概率。
其次，两种公式的计算方式也不尽相同。贝叶斯公式是一种结果的概率可以根据已知条件来确定的“条件概率”，而全概率公式则可以实现统计试验结果与给定事件发生的概率。
最后，它们用于表示概率也有所不同，贝叶斯公式使用形如P(A|B)的表示形式，表示在A事件发生的条件下B事件发生的概率，而全概率公式则使用形如P(A)的表示方式，表示A事件发生的概率。
总之，贝叶斯公式和全概率公式都是常用的统计概率分析方法，但它们的应用和表示方式并不完全相同。贝叶斯公式用于表示结果的概率，全概率公式用于表示事件发生的概率，帮助我们看出不同的事件的可能性，从而分析出最终的结果。
【概率论与数理统计】全概率公式和贝叶斯公式
注：很久以前就知道这两个公式，但⼀直仅限于了解。直到最近学习edx上的课程，才对这两个公式有了新的理解，记录于此。
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)
条件概率是理解全概率公式和贝叶斯公式的基础，可以这样来考虑，如果P(A|B)⼤于P(A)则表⽰B的发⽣使A发⽣的可能性增⼤了。
在条件概率中，最本质的变化是样本空间缩⼩了——由原来的整个样本空间缩⼩到了给定条件的样本空间。
2. 乘法公式
2.1 乘法公式
由条件概率公式得：
P(AB) = P(B)·P(A|B) = P(A)·P(B|A)
上⾯的式⼦就是乘法公式。
2.2 乘法公式的推⼴
对于任何正整数n≥2，当P(A1A
2...A
n-1) > 0 时，有：
P(A
1A
2...A
n-1A
n) = P(A
1)P(A
2|A
1)P(A
3|A
1A
2)...P(A
n|A
1A
2...A
n-1)
3. 全概率公式
3.1 前提假设
设B1，B2，....为有限或⽆限个事件，它们两两互斥且在每次试验中⾄少发⽣⼀个，即：
不重，Bi ∩ B
j = ∅（不可能事件）i≠j ,
不漏，B1∪B
2∪.... = Ω（必然事件）.
图1：B
1 - B
n是对S的⼀个划分
这时，称事件组 B1, B
2,...是样本空间S的⼀个划分，把具有这些性质的⼀组事件称为⼀个“完备事件组”。
设 B1, B
2,...是样本空间S的⼀个划分，A为任⼀事件（图1中红圈内部区域），则：
$$P(A) = \displaystyle \sum_{ i = 1 }^{ n } P(B_i)P(A|B_i) \hspace{ 10pt } (1)$$
上式即为全概率公式（formula of total probability)
也可以分为两步来看全概率公式：
