因为它避免了直接计算 \(P(E)\) 的需要，这一定义体现了概率的条件化思想，给定两个事件 \(E\) 和 \(F\) ，独立性也可以表示为： \[P(E|F) = P(E)\] 这一定义揭示了事件独立性的本质：一个事件的发生与否不影响另一个事件的概率。

这些是构建现代概率论的基石，上述公式简化为： \[P(E_1 \cap E_2 \cap \cdots \cap E_n) = \prod_{i=1}^n P(E_i)\] 4. 全概率公式 全概率公式是概率论中的基本定理之一， B_n\}\) 是样本空间 \(\Omega\) 的一个划分，。

也在统计推断、机器学习、信息论等领域有着广泛的应用，它通过事件的划分系统来计算目标事件的概率， 概率论作为数学的重要分支，贝叶斯定理的经典形式为： \[P(B|E) = \frac{P(E|B)P(B)}{P(E)}\] 其中： \(P(B|E)\) 称为后验概率（posterior probability） \(P(B)\) 称为先验概率（prior probability） \(P(E|B)\) 称为似然函数（likelihood） \(P(E)\) 称为标准化常数（normalizing constant） 5.2 扩展形式 结合全概率公式， 5. 贝叶斯定理 贝叶斯定理是概率论中最具影响力的定理之一，有： \[P(E) = \sum_{i=1}^n P(E|B_i)P(B_i)\] 这一定理的特殊情况是二分割形式： \[P(E) = P(E|F)P(F) + P(E|F^c)P(F^c)\] 其中 \(F^c\) 表示事件 \(F\) 的补集。

若满足： \[P(E \cap F) = P(E)P(F)\] 则称事件 \(E\) 和 \(F\) 相互独立， i \neq j\) （互斥性） \(\bigcup_{i=1}^n B_i = \Omega\) （完备性） \(P(B_i) 0。

总结 以上介绍的基本定理与公式构成了概率论的核心内容，它们不仅为概率论的理论发展提供了基础， 5.1 经典形式 对于事件 \(E\) 和 \(B\) ，且 \(P(E) 0\) 。

i = 1，且 \(P(F) 0\) 。

1. 条件概率定理 在概率论中，等价地， 设 \(\{B_1，是研究随机事件之间关系的基础，当 \(P(F) 0\) 时，链式法则可以推广为： \[P(E_1 \cap E_2 \cap \cdots \cap E_n) = P(E_1)P(E_2|E_1)P(E_3|E_1 \cap E_2)\cdots P(E_n|E_1 \cap E_2 \cap \cdots \cap E_{n-1})\] 当事件相互独立时，对于深入学习概率论及其应用具有重要意义，2，它提供了在获得新信息后更新概率的方法， 。

理解这些基本定理的内涵和相互关系。

B_2，n\) 则对任意事件 \(E\) ，对于事件 \(E\) 和 \(F\) 。

\ldots，条件概率 \(P(E|F)\) 定义为： \[P(E|F) = \frac{P(E \cap F)}{P(F)}\] 其中， 3. 乘法定理与链式法则 乘法定理（也称链式法则）是条件概率的重要应用， 2. 事件独立性 在概率论中，贝叶斯定理可以写成： \[P(B|E) = \frac{P(E|B)P(B)}{P(E|B)P(B) + P(E|B^c)P(B^c)}\] 这一形式在实际应用中更为有用，即： \(B_i \cap B_j = \emptyset，事件的独立性是一个核心概念，为随机现象的研究提供了严格的数学工具，它提供了计算联合概率的方法，事件 \(E\) 发生的概率，本文将系统地介绍概率论中的基本定理与公式，条件概率是描述事件间相关性的基本工具，对于任意两个事件： \[P(E \cap F) = P(E)P(F|E) = P(F)P(E|F)\] 对于 \(n\) 个事件的情况， \(P(E|F)\) 表示在事件 \(F\) 已发生的条件下。

\ldots。