概率论作为数学的重要分支，为随机现象的研究提供了严格的数学工具。本文将系统地介绍概率论中的基本定理与公式，这些是构建现代概率论的基石。
1. 条件概率定理
在概率论中，条件概率是描述事件间相关性的基本工具。给定两个事件 \(E\) 和 \(F\)，且 \(P(F) > 0\)，条件概率 \(P(E|F)\) 定义为：
\[P(E|F) = \frac{P(E \cap F)}{P(F)}
\]
其中，\(P(E|F)\) 表示在事件 \(F\) 已发生的条件下，事件 \(E\) 发生的概率。这一定义体现了概率的条件化思想，是研究随机事件之间关系的基础。
2. 事件独立性
在概率论中，事件的独立性是一个核心概念。对于事件 \(E\) 和 \(F\)，若满足：
\[P(E \cap F) = P(E)P(F)
\]
则称事件 \(E\) 和 \(F\) 相互独立。等价地，当 \(P(F) > 0\) 时，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。
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，它提供了计算联合概率的方法。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，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，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，它通过事件的划分系统来计算目标事件的概率。
设 \(\{B_1, B_2, \ldots, B_n\}\) 是样本空间 \(\Omega\) 的一个划分，即：
\(B_i \cap B_j = \emptyset, i \neq j\) （互斥性）
\(\bigcup_{i=1}^n B_i = \Omega\) （完备性）
\(P(B_i) > 0, i = 1,2,\ldots,n\)
则对任意事件 \(E\)，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。
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，它提供了在获得新信息后更新概率的方法。
5.1 经典形式
对于事件 \(E\) 和 \(B\)，且 \(P(E) > 0\)，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，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，因为它避免了直接计算 \(P(E)\) 的需要。
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，也在统计推断、机器学习、信息论等领域有着广泛的应用。理解这些基本定理的内涵和相互关系，对于深入学习概率论及其应用具有重要意义。