La probabilité conditionnelle est une composante fondamentale des probabilités qui permet de modéliser des situations où l'information est partielle. En pratique, elle est utilisée pour réévaluer la probabilité d'un événement lorsque de nouvelles informations deviennent disponibles. Par exemple, dans un jeu de cartes, la probabilité de tirer un carreau après avoir tiré un cœur modifie les calculs initiaux basés sur l'ensemble complet des cartes. Cette notion est particulièrement utile dans le contexte d'événements séquentiels ou d'espaces d'échantillonnage conditionnés.

La règle du produit pour deux événements A et B stipule que P(A ∩ B) = P(A|B)P(B). Cette relation permet de décomposer la probabilité conjointe d'événements en termes de probabilité conditionnelle. Dans le cas d'événements indépendants, la relation se simplifie puisque P(A|B) = P(A), réaffirmant ainsi que P(A ∩ B) = P(A)P(B). Cette simplification reflète le fait que, pour des événements indépendants, la connaissance de l'occurrence de l'un ne fournit aucune information supplémentaire sur l'occurrence de l'autre.

L'indépendance conditionnelle est une extension du concept d'indépendance d'événements adaptée aux contextes où des variables supplémentaires influent. Deux événements A et B sont indépendants conditionnellement à un troisième événement C si P(A ∩ B | C) = P(A | C)P(B | C). Cette notion est cruciale dans l'analyse de réseaux bayésiens et en statistiques lorsque des variables intermédiaires influencent les probabilités. Ainsi, même si deux événements ne sont pas indépendants globalement, ils peuvent l'être sous condition d'évolution dans un cadre plus restreint.