# 条件概率与贝叶斯定理

> IB 数学：分析与方法 HL · 统计学与概率
> 来源: https://www.owlsprep.com/zh/study/ib-math-aa-hl-u4-conditional-probability-and-bayes-theorem/

本模块涵盖条件概率定义、树状图应用、全概率公式，以及适用于单个和多个事件的贝叶斯定理，并提供IB考试常见题型的例题讲解。

**先修:** [基础概率法则与集合符号](https://www.owlsprep.com/zh/study/ib-math-aa-hl-u4-basic-probability/); [树状图构建](https://www.owlsprep.com/zh/study/ib-math-aa-hl-u4-probability-tree-diagrams/)

## 学习目标

- 利用定义和受限样本空间计算条件概率
- 将全概率公式应用于序列概率问题
- 使用贝叶斯定理对单个和多个事件反转条件概率
- 解决IB考试常见问题，包括医学检测和可靠性问题

## 条件概率：定义与基本法则

**条件概率** — 已知事件$B$已经发生的前提下，事件$A$发生的概率。它将样本空间限制为仅包含$B$发生的结果。

*记法:* P(A|B)

*例:* 已知从一副牌中抽出的第一张牌是A，求抽出的第二张牌是A的概率。

根据定义，条件概率的核心公式可直接由$A$和$B$的联合概率推导得出：

$$P(A|B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0$$

**例题:** 一个袋子中有5个红色弹珠和3个蓝色弹珠，无放回抽取两个弹珠。已知第一个是蓝色，求第二个是红色的概率是多少？

1. 定义事件: $A = \{\text{第二个弹珠是红色}\}$, $B = \{\text{第一个弹珠是蓝色}\}$
2. 计算联合概率和边缘概率：
3. $$P(A \cap B) = \frac{3}{8} \times \frac{5}{7} = \frac{15}{56}, \quad P(B) = \frac{3}{8} = \frac{21}{56}$$
4. 应用条件概率公式：
5. $$P(A|B) = \frac{15/56}{21/56} = \frac{15}{21} = \frac{5}{7}$$

## 树状图与全概率公式

树状图非常适合解决序列概率问题。每个分支都标注了该步骤在所有先前步骤发生前提下的条件概率。全概率公式允许我们从所有可能路径计算某个结果的总概率。

1. 将每条路径上的概率相乘得到联合概率
2. 对所有通向所求结果的路径的联合概率求和
3. 确认所有联合概率的和等于1

**例题:** 两台机器生产零件：A机器生产60%的零件，其中2%是次品；B机器生产40%的零件，其中5%是次品。随机抽取一个零件是次品的概率是多少？

1. 定义事件: $A = \{\text{零件来自A机器}\}$, $B = \{\text{零件来自B机器}\}$, $D = \{\text{零件是次品}\}$
2. 给树状图标注已知条件概率: $P(D|A) = 0.02$, $P(D|B) = 0.05$
3. 应用全概率公式：
4. $$P(D) = P(D|A)P(A) + P(D|B)P(B) = (0.02 \times 0.6) + (0.05 \times 0.4) = 0.012 + 0.02 = 0.032$$

*计算器:* allowed

## 两个事件的贝叶斯定理

**贝叶斯定理** — 反转条件概率的公式，利用已知的先验概率和条件概率，计算观测到结果后先验事件的后验概率。

$$P(B|A) = \frac{P(A|B) P(B)}{P(A)}, \quad P(A) = P(A|B)P(B) + P(A|B')P(B')$$

**例题:** 某种疾病影响总人口的1%。针对该疾病的检测对95%的患病者给出阳性结果，对10%的未患病者给出阳性结果。求检测结果为阳性的人确实患有该疾病的概率是多少？

1. 定义事件: $D = \{\text{患病}\}$, $+ = \{\text{检测阳性}\}$。给定: $P(D) = 0.01$, $P(+|D) = 0.95$, $P(+|D') = 0.10$
2. 计算检测阳性的总概率：
3. $$P(+) = P(+|D)P(D) + P(+|D')P(D') = (0.95 \times 0.01) + (0.10 \times 0.99) = 0.1085$$
4. 应用贝叶斯定理：
5. $$P(D|+) = \frac{P(+|D)P(D)}{P(+)} = \frac{0.0095}{0.1085} \approx 0.088$$

> **出人意料的结果**
>
> 即使检测准确率达到95%，对于罕见疾病，阳性结果中也只有约9%是真阳性。这是IB考试非常常见的考题。

## 适用于多个事件的扩展贝叶斯定理

对于$n$个互斥且穷尽的事件$B_1, B_2, ..., B_n$，贝叶斯定理可以直接扩展，用于计算任意单个事件的后验概率：

$$P(B_i|A) = \frac{P(A|B_i) P(B_i)}{\sum_{k=1}^n P(A|B_k) P(B_k)}$$

**例题:** 三个盒子装有计数筹码：盒子1：1红，2蓝；盒子2：2红，1蓝；盒子3：3红，6蓝。随机均匀选择一个盒子，然后抽出一个红色筹码，求这个红色筹码来自盒子2的概率是多少？

1. 定义事件: $B_i = \{\text{选中盒子} i \}$, $R = \{\text{抽出红色筹码}\}$。给定: $P(B_1) = P(B_2) = P(B_3) = \frac{1}{3}$
2. 条件概率: $P(R|B_1) = \frac{1}{3}$, $P(R|B_2) = \frac{2}{3}$, $P(R|B_3) = \frac{3}{9} = \frac{1}{3}$
3. 计算分母（抽出红色的总概率）：
4. $$\sum P(R|B_k)P(B_k) = \frac{1}{3} \left( \frac{1}{3} + \frac{2}{3} + \frac{1}{3} \right) = \frac{4}{9}$$
5. 应用扩展贝叶斯定理：
6. $$P(B_2|R) = \frac{P(R|B_2)P(B_2)}{4/9} = \frac{(2/3)(1/3)}{4/9} = \frac{1}{2}$$

*计算器:* allowed

## 常见错误

- **错误做法:** 计算$P(A|B)$时分母除以$P(A \cap B)$而非$P(B)$
  - 原因: 混淆了哪个是限制样本空间的已知事件
  - 正确做法: 永远记住：分母是你已知已经发生的事件的概率，即$P(\text{已知事件})$
- **错误做法:** 无放回抽样的树状图中，概率没有调整
  - 原因: 把相关抽取当作独立事件，导致联合概率错误
  - 正确做法: 无放回抽取后，调整每个后续分支的计数和概率
- **错误做法:** 不应用贝叶斯定理就假设$P(A|B) = P(B|A)$
  - 原因: 忽略基础比率，混淆条件概率的方向
  - 正确做法: 当反转条件概率方向时，永远明确应用贝叶斯定理
- **错误做法:** 对非穷尽或重叠事件使用扩展贝叶斯定理
  - 原因: 贝叶斯定理的分母依赖于包含所有可能结果且不重叠的条件
  - 正确做法: 计算前确认所有事件是互斥的，且覆盖整个样本空间

## 速查表

| 概念 | 公式 | 常见应用场景 |
| --- | --- | --- |
| 条件概率 | $P(A\|B) = \frac{P(A \cap B)}{P(B)}, \, P(B) > 0$ | 已知B发生，求A的概率 |
| 全概率公式 | $P(A) = P(A\|B)P(B) + P(A\|B')P(B')$ | 从两种情况计算A的总概率 |
| 贝叶斯定理（两个事件） | $P(B\|A) = \frac{P(A\|B)P(B)}{P(A)}$ | 反转条件概率 |
| 扩展贝叶斯定理（n个事件） | $P(B_i\|A) = \frac{P(A\|B_i)P(B_i)}{\sum P(A\|B_k)P(B_k)}$ | 多个竞争先验事件 |

## 下一步

条件概率和贝叶斯定理是几乎所有统计与概率高级主题的基础，包括离散概率分布、期望值和统计推断。该主题经常出现在IB AA HL考试的试卷1和试卷2中，通常与树状图或二项式概率概念结合。掌握这些内容也能为你大学阶段学习统计学、数据科学和量化领域做好准备。

- [离散概率分布](https://www.owlsprep.com/zh/study/ib-math-aa-hl-u4-discrete-probability-distributions/)
- [二项分布](https://www.owlsprep.com/zh/study/ib-math-aa-hl-u4-binomial-distribution/)
- [连续概率分布与PDF](https://www.owlsprep.com/zh/study/ib-math-aa-hl-u4-continuous-probability-distributions-and-pdfs/)

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/ib-math-aa-hl-u4-conditional-probability-and-bayes-theorem/