💡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,B,在 P(B)>0 的条件下,已知 B 发生时 A 发生的条件概率定义为
P(A∣B)=P(B)P(A∩B).
条件 B 成为新的样本空间,因此分母是 P(B)。P(A∣B) 与 P(B∣A) 通常不同:前者问已知 B 后出现 A 的比例,后者问已知 A 后出现 B 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),
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).
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),
则称 A,B 相互独立。当 P(B)>0 时,这等价于 P(A∣B)=P(A),即得知 B 不改变 A 的概率。
互斥是 A∩B=∅,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)=0,而 P(A)P(B)>0,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,…,Bn 两两互斥,且并集为整个样本空间,并且 P(Bi)>0,则它们构成完备事件组。对任意事件 A,
P(A)=i=1∑nP(Bi)P(A∣Bi).
因为 A 被分解为互斥事件 A∩Bi 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) 非负且总和为一。
最简单的二分形式取 B 与其对立事件 B:
P(A)=P(B)P(A∣B)+P(B)P(A∣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 A 已发生,反推它来自 Bj 的概率,可用
P(Bj∣A)=∑i=1nP(Bi)P(A∣Bi)P(Bj)P(A∣Bj),
其中分母 P(A)>0。这就是贝叶斯公式。分子是“来自 Bj 且出现 A”的联合概率,分母是所有来源产生 A 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 3 个红球、2 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)=53.若已知第一球为白球,袋中剩 3 红 1 白,共 4 球,因此
P(R2∣W1)=43.条件信息改变了剩余构成,所以 3/4=3/5。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%、40% 的产品,次品率分别为 1%、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 D 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.乙线且为次品的概率为 0.4×0.03=0.012,所以
P(乙∣D)=0.0180.012=32.乙线只生产 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%。
⚠️易错点
- P(A∣B) 的分母是 P(B),且必须有 P(B)>0。
- 条件顺序不能交换,P(A∣B) 通常不等于 P(B∣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)=0.2,P(B)=0.5,求 P(A∣B)。
✏️ 查看答案
P(A∣B)=0.2/0.5=0.4。
2. 独立性检验
若 P(A)=0.4,P(B)=0.5,P(A∩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),所以独立。
3. 二分全概率
P(B)=0.3,P(A∣B)=0.8,P(A∣B)=0.2,求 P(A)。
✏️ 查看答案
P(A)=0.3×0.8+0.7×0.2=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 →