🔢 高中数学选择性必修第三册第七章 随机变量及其分布条件概率乘法公式相互独立全概率公式贝叶斯公式

条件概率与全概率公式

理解条件概率是缩小样本空间后的概率,掌握乘法公式、独立性与全概率公式,能借助树状图分层计算并进行逆向概率判断。

难度:★★★★★

💡得知新信息后,概率为什么会改变

某批产品来自两条生产线,两线次品率不同。随机抽到一件产品时,它是次品的概率由两线产量共同决定;如果已经知道它来自某条生产线,计算就只需在该线产品中进行。新信息缩小了可考虑的范围,概率随之更新。

条件概率处理“已知某事发生”的问题,全概率公式则把若干来源的条件概率汇总成总体概率。

🎯学习目标与考查重点
  • 掌握条件概率定义及分母非零条件。
  • 会用条件概率的乘法公式计算事件交集。
  • 能区分相互独立与互斥事件。
  • 会选择完备事件组并使用全概率公式。
  • 能用树状图和贝叶斯公式处理来源反推问题。

一、条件概率

对事件 A,BA,B,在 P(B)>0P(B)\gt0 的条件下,已知 BB 发生时 AA 发生的条件概率定义为

P(A∣B)=P(A∩B)P(B).P(A\mid B)=\frac{P(A\cap B)}{P(B)}.

条件 BB 成为新的样本空间,因此分母是 P(B)P(B)。P(A∣B)P(A\mid B) 与 P(B∣A)P(B\mid A) 通常不同:前者问已知 BB 后出现 AA 的比例,后者问已知 AA 后出现 BB 的比例。

由定义可得乘法公式

P(A∩B)=P(B)P(A∣B)=P(A)P(B∣A),P(A\cap B)=P(B)P(A\mid B)=P(A)P(B\mid A),

相应条件概率存在时成立。多阶段试验可继续展开,例如

P(A∩B∩C)=P(A)P(B∣A)P(C∣A∩B).P(A\cap B\cap C)=P(A)P(B\mid A)P(C\mid A\cap B).

树状图中一条完整路径的概率由沿途条件概率相乘得到。

二、相互独立与互斥

若

P(A∩B)=P(A)P(B),P(A\cap B)=P(A)P(B),

则称 A,BA,B 相互独立。当 P(B)>0P(B)\gt0 时,这等价于 P(A∣B)=P(A)P(A\mid B)=P(A),即得知 BB 不改变 AA 的概率。

互斥是 A∩B=∅A\cap B=\varnothing,表示两事件不能同时发生;独立表示一个事件发生不改变另一个事件的概率。若两个事件概率都为正且互斥,则 P(A∩B)=0P(A\cap B)=0,而 P(A)P(B)>0P(A)P(B)\gt0,所以它们不独立。不要把“没有交集”误解成“互不影响”。

独立性必须来自题设、试验机制或计算验证,不能因事件名称看似无关就自行假设。无放回抽样中,前一次结果会改变剩余构成,通常不独立;有放回并充分随机的重复抽样才常具有独立性。

🔑

条件概率改变了参照范围;独立性意味着条件化后概率不变;互斥则意味着不能同时发生。三者分别回答不同问题,公式使用前必须先核对条件。

三、全概率公式

若事件 B1,B2,…,BnB_1,B_2,\ldots,B_n 两两互斥,且并集为整个样本空间,并且 P(Bi)>0P(B_i)\gt0,则它们构成完备事件组。对任意事件 AA,

P(A)=∑i=1nP(Bi)P(A∣Bi).P(A)=\sum_{i=1}^nP(B_i)P(A\mid B_i).

因为 AA 被分解为互斥事件 A∩BiA\cap B_i 的并集。全概率公式可以理解为条件概率的加权平均,权重 P(Bi)P(B_i) 非负且总和为一。

最简单的二分形式取 BB 与其对立事件 B‾\overline B:

P(A)=P(B)P(A∣B)+P(B‾)P(A∣B‾).P(A)=P(B)P(A\mid B)+P(\overline B)P(A\mid\overline B).

选分组时必须不重不漏。若来源类别有交叉,路径概率相加会重复;若漏掉一种来源,结果不是总体概率。

四、由结果反推来源

已知结果 AA 已发生,反推它来自 BjB_j 的概率,可用

P(Bj∣A)=P(Bj)P(A∣Bj)∑i=1nP(Bi)P(A∣Bi),P(B_j\mid A)=\frac{P(B_j)P(A\mid B_j)} {\sum_{i=1}^nP(B_i)P(A\mid B_i)},

其中分母 P(A)>0P(A)\gt0。这就是贝叶斯公式。分子是“来自 BjB_j 且出现 AA”的联合概率,分母是所有来源产生 AA 的总概率。

即使某来源的条件发生率较高,也不代表观察到结果后最可能来自该来源;还要考虑该来源原本所占比例。低基数类别即使条件概率高,对总体结果的贡献也可能较小。

例 1原创基础例题:无放回抽球的条件概率

袋中有 33 个红球、22 个白球,无放回依次取两球。求第二球为红球的概率,以及已知第一球为白球时第二球为红球的概率。

✏️ 查看分步解析

由对称性,第二个位置为红球的概率与任一位置相同,为

P(R2)=35.P(R_2)=\frac35.

若已知第一球为白球,袋中剩 33 红 11 白,共 44 球,因此

P(R2∣W1)=34.P(R_2\mid W_1)=\frac34.

条件信息改变了剩余构成,所以 3/4≠3/53/4\ne3/5。两次抽取不是独立的;若误把第二次仍按原比例计算,就忽略了无放回条件。

例 2原创进阶例题:全概率与来源反推

甲、乙两线分别生产某厂 60%60\%、40%40\% 的产品,次品率分别为 1%1\%、3%3\%。随机抽一件,求它为次品的概率;若已知是次品,求来自乙线的概率。

✏️ 查看分步解析

设 DD 为次品。按生产线构成完备事件组,全概率公式给出

P(D)=0.6×0.01+0.4×0.03=0.018.P(D)=0.6\times0.01+0.4\times0.03=0.018.

乙线且为次品的概率为 0.4×0.03=0.0120.4\times0.03=0.012,所以

P(乙∣D)=0.0120.018=23.P(\text{乙}\mid D)=\frac{0.012}{0.018}=\frac23.

乙线只生产 40%40\% 的产品,却贡献了三分之二的次品,因为其条件次品率较高。反推时不能直接回答 3%3\%。

⚠️易错点
  • P(A∣B)P(A\mid B) 的分母是 P(B)P(B),且必须有 P(B)>0P(B)\gt0。
  • 条件顺序不能交换,P(A∣B)P(A\mid B) 通常不等于 P(B∣A)P(B\mid A)。
  • 互斥与独立含义不同;正概率互斥事件不可能独立。
  • 无放回抽样通常会改变后续概率,不能默认独立。
  • 全概率的分组必须两两互斥并覆盖全部样本空间。
🌏生活应用:检测结果的正确解读

医学筛查或质量检测中,阳性率不仅取决于检测对异常对象的识别率,还取决于异常在总体中的基础比例以及正常对象被误判的概率。即使检测灵敏度很高,当异常极少时,阳性者中也可能有不少是假阳性。解释结果时应报告条件方向和基础率,不能把“异常时阳性的概率”直接当成“阳性时异常的概率”。

五、自测与解析

1. 条件概率定义

已知 P(A∩B)=0.2P(A\cap B)=0.2,P(B)=0.5P(B)=0.5,求 P(A∣B)P(A\mid B)。

✏️ 查看答案

P(A∣B)=0.2/0.5=0.4P(A\mid B)=0.2/0.5=0.4。

2. 独立性检验

若 P(A)=0.4P(A)=0.4,P(B)=0.5P(B)=0.5,P(A∩B)=0.2P(A\cap B)=0.2,两事件是否独立?

✏️ 查看答案

P(A)P(B)=0.4×0.5=0.2=P(A∩B)P(A)P(B)=0.4\times0.5=0.2=P(A\cap B),所以独立。

3. 二分全概率

P(B)=0.3P(B)=0.3,P(A∣B)=0.8P(A\mid B)=0.8,P(A∣B‾)=0.2P(A\mid\overline B)=0.2,求 P(A)P(A)。

✏️ 查看答案

P(A)=0.3×0.8+0.7×0.2=0.38P(A)=0.3\times0.8+0.7\times0.2=0.38。

📺B 站视频讲解去 B 站观看「条件概率与全概率公式视频讲解」优质讲解视频 →