2个事件同时发生的概率：
P(a, b) = P(a | b) * P(b)
其中：P(a, b)表示 a和b事件同时发生的概率， P(a | b)是一个条件概率，表示在b事件发生的条件下，a发生的概率
3个事件的概率链式调用：
P(a, b, c) = P(a | b, c) * P(b, c)
= P(a | b, c) * P(b | c) * P©
推广到N个事件，概率链式法则长这样：
P(X1, X2, … Xn) = P(X1 | X2, X3 … Xn) * P(X2 | X3, X4 … Xn) … P(Xn-1 | Xn) * P(Xn)
那这个链式法则有什么用处呢？
要知道链式法则的用处，先要了解一下什么叫事件相互独立。事件相互独立就是：一个事件的发生与否，不会影响另外一个事件的发生。
当a和b两个事件互相独立时，有：
P(a | b) = P(a)
推广到3个事件就有下面这个公式：
P(a | b, c) = P(a | c)
其中：P(a | b, c)表示在b和c事件都发生的情况下，a事件发生的概率
既然a与b相互独立，那b就不是a是否发生的条件，a就只与c有关
链式调用的例子，假设有事件ABCDE，它们之间的关系是这样的：
技术分享图片
所有的事件，只与它们的父节点有依赖关系，其中，E只和B有关，B只和AC有关，D只与C有关，A和C不依赖其他任何事件，
求ABCDE同时发生的概率 P(A, B, C, D, E) 是多少？
答：
P(A, B, C, D, E) = P(E | B, D, C, A) * P(B, D, C, A)
= P(E | B, D, C, A) * P(B | D, C, A) * P(D, C, A)
= P(E | B, D, C, A) * P(B | D, C, A) * P(D | C, A) * P(C, A)
= P(E | B, D, C, A) * P(B | D, C, A) * P(D | C, A) * P(C | A) * P(A)
我们根据前面说的相互独立的事件关系，来分析下最后那个长长的式子：
E只与B有关，则 P(E | B, D, C, A) = P(E | B)
B只和AC有关，则 P(B | D, C, A) = P(B | C, A)
D只与C有关, 则 P(D | C, A) = P(D | C)
C与A无关，则 P(C | A) = P©
所以最后的式子简化成了这样：
P(A, B, C, D, E) = P(E | B) * P(B | C, A) * P(D | C) * P© * P(A)
内容部分借鉴网易公开课的麻省理工学院公开课：人工智能
