条件概率与贝叶斯定理

IB 数学：分析与方法 HL· Topic 4.4 Probability· 20 分钟阅读

1. 条件概率：定义与基本法则★★☆☆☆⏱ 5 min

📘 定义

条件概率

P(A|B)

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。

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: $A = {第二个弹珠是红色}$ , $B = {第一个弹珠是蓝色}$
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
$P(A|B) = \frac{15/56}{21/56} = \frac{15}{21} = \frac{5}{7}$

2. 树状图与全概率公式★★☆☆☆⏱ 6 min

✓ 计算器

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。

将每条路径上的概率相乘得到联合概率
对所有通向所求结果的路径的联合概率求和
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: $A = {零件来自 A 机器}$ , $B = {零件来自 B 机器}$ , $D = {零件是次品}$
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
$P(D) = P(D|A)P(A) + P(D|B)P(B) = (0.02 \times 0.6) + (0.05 \times 0.4) = 0.012 + 0.02 = 0.032$

3. 两个事件的贝叶斯定理★★★☆☆⏱ 7 min

📘 定义

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: $D = {患病}$ , $+ = {检测阳性}$ 。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
$P(D|+) = \frac{P(+|D)P(D)}{P(+)} = \frac{0.0095}{0.1085} \approx 0.088$

4. 适用于多个事件的扩展贝叶斯定理★★★☆☆⏱ 6 min

✓ 计算器

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: $B_{i} = {选中盒子 i}$ , $R = {抽出红色筹码}$ 。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
$P(B_2|R) = \frac{P(R|B_2)P(B_2)}{4/9} = \frac{(2/3)(1/3)}{4/9} = \frac{1}{2}$

5. 常见陷阱

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 $P (已知事件)$

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

6. 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

7. 常见问题

什么时候应该使用贝叶斯定理，而不是基础条件概率？

当你已知作为条件的事件，需要求结果的概率时，使用基础条件概率。当情况反过来：你已知结果，需要求导致该结果的先验事件的概率时，使用贝叶斯定理。

真题中的出现

AI 根据考纲规律估算的考点位置,请对照官方真题核实准确性。仅作复习重点参考。

2021 · 1
结合树状图的贝叶斯定理
2022 · 2
假阳性概率计算
2023 · 1
多个事件的条件概率

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。