方法进阶概率论与随机变量
全概率公式
也叫：Total Probability Rule
用互斥遍历事件拆分，把复杂事件的概率化为加权之和。
核心讲解
全概率公式：P(B)=Σ P(A_i)P(B|A_i)，其中 A_1,…,A_n 是一组互斥且遍历的事件。它把一个直接求很困难的复杂事件B，按一组“互斥且遍历”的情景 A_i 拆开，再分别加总。
直观理解可以借助维恩图：圆形B的面积可以拆成 B 与各 A_i 交集面积之和；每个交集就是联合概率 P(A_iB)，用乘法法则写成 P(A_i)P(B|A_i)，最后全部加起来。
书里的例子很典型：假设美联储加息概率0.4，加息条件下经济衰退概率0.7；不加息条件下衰退概率0.1。则衰退概率=0.7×0.4+0.1×0.6=0.34。直接求“经济衰退”无从下手，但按“是否加息”分成两种情形，就变得容易了。
全概率公式还是贝叶斯公式分母的来源，也是多情景期望的基础，属于概率计算的核心工具之一。
费曼版：用大白话再讲一遍
想知道“明天会不会迟到”，可以按“堵车”和“不堵车”两种情况分别估。再把两种情况按各自发生的可能性合到一块，就得到总的迟到概率——把一件难算的事拆成几件好算的事。
要点
- P(B)=Σ P(A_i)P(B|A_i)，A_i互斥且遍历。
- 把复杂事件按情景拆开再加权。
- 例：0.7×0.4+0.1×0.6=0.34。
- 是贝叶斯公式分母的来源。
常见误区
- 拆分的情景不满足“互斥且遍历”，导致漏算或重算。
- 把权重与条件概率写反。
- 以为各情景概率必须相等。