M1 统计学：条件概率与贝叶斯定理

大家好！欢迎来到香港中学文凭考试（HKDSE）M1 统计学中最核心课题之一——条件概率与贝叶斯定理的学习笔记。如果这些名称听起来有点吓人，请不用担心！背后的概念其实非常合乎逻辑，而且在甲部和乙部的传统题中都经常出现。

在本章中，我们将学习如何计算条件概率、检验独立事件、应用乘法法则，以及使用全概率公式和贝叶斯定理来反转条件事件。让我们马上开始吧！


1. 什么是条件概率？

条件概率的核心概念是：在另一个事件已经发生的前提下，某事件发生的概率。我们基本上是根据新资讯来更新概率。

快速回顾：基本概率

还记得事件 \(A\) 的基本概率是：

\(P(A) = \frac{\text{Number of favourable outcomes for } A}{\text{Total number of possible outcomes}}aggedright\)

例子：掷一枚均匀的六面骰子掷出“4”的概率是 \(P(\text{rolling a 4}) = \frac{1}{6}\)，因为只有一个“4”，而总共有六个可能结果。

核心思想：缩小了的样本空间

条件概率缩小了我们的样本空间。当我们知道事件 \(B\) 已经发生时，我们可以忽略 \(B\) 以外的所有结果。

类比：在学校里寻找特定学生。
想象一下，你的学校有 1000 名学生。随机选出一名高三女生的概率是 \(P(\text{Form 6 Girl})\)。
现在，假设你得到新资讯：“选出的学生是高三学生。”
你的样本空间立即从 1000 名学生缩小到只剩下高三学生。在该学生是高三学生的前提下选到女生的概率，只会在全体高三学生中评估。

符号表示与公式

我们将“在事件 \(B\) 已发生的前提下，事件 \(A\) 发生”的条件概率写作 \(P(A|B)\)。

垂直线 \(|\) 代表“在……前提下”或“给定”。因此，\(P(A|B)\) 读作“在 \(B\) 的前提下 \(A\) 的概率”。

基本公式是：

\(P(A|B) = \frac{P(A \cap B)}{P(B)}\quad \text{其中 } P(B) > 0\)

让我们分解每个部分：

• \(P(A|B)\)：在 \(B\) 条件发生的情况下，\(A\) 发生的概率。

• \(P(A \cap B)\)：\(A\) 和 \(B\) 同时发生的概率（\(A\) 与 \(B\) 的交集）。

• \(P(B)\)：给定条件 \(B\) 的概率（缩小了的样本空间）。

逐步例子：双向列联表

一项对 100 名中学生的调查按他们参与的运动进行分类：

踢足球 (\(F\)) | 不踢足球 (\(F'\)) | 总计
打篮球 (\(B\))：20 | 25 | 45
不打篮球 (\(B'\))：30 | 25 | 55
总计：50 | 50 | 100


问题：在随机选出的学生有踢足球的前提下，求该学生有打篮球的概率。

步骤 1：确定所需的概率。
我们想找出 \(P(B|F)\)。

步骤 2：从表格提取概率。
\(P(B \cap F) = \frac{20}{100} = 0.2\)
\(P(F) = \frac{50}{100} = 0.5\)

步骤 3：应用条件概率公式。
\(P(B|F) = \frac{P(B \cap F)}{P(F)} = \frac{0.2}{0.5} = 0.4\)

或者，直接观察踢足球学生的那一行：在 50 名踢足球的学生中，有 20 人打篮球，得出 \(\frac{20}{50} = 0.4\)。

应避免的常见错误：

• 一般而言 \(P(A|B) \neq P(B|A)\)。例如，\(P(B|F) = \frac{20}{50} = 0.4\)，但 \(P(F|B) = \frac{20}{45} \approx 0.444\)。
• 分母永远必须是给定条件事件的概率：对于 \(P(A|B)\)，除以 \(P(B)\)。


2. 独立事件

如果一个事件的发生不会影响另一个事件发生的概率，则事件 \(A\) 和 \(B\) 为独立事件。

独立性的正式条件

事件 \(A\) 和 \(B\) 独立当且仅当以下任何一个等价语句成立：

• \(P(A|B) = P(A)\)（其中 \(P(B) > 0\)）

• \(P(B|A) = P(B)\)（其中 \(P(A) > 0\)）

• 独立事件的乘法法则：\(P(A \cap B) = P(A) \times P(B)\)

HKDSE M1 提示：若要证明两个事件是否独立，请计算 \(P(A \cap B)\) 并将其与积 \(P(A) \times P(B)\) 进行比较。如果 \(P(A \cap B) = P(A)P(B)\)，则它们是独立的；否则，它们是相关的（不独立的）。


3. 一般乘法法则与树状图

一般乘法法则

重新整理条件概率公式可得出一般乘法法则，对任何两个事件 \(A\) 和 \(B\) 均适用：

\(P(A \cap B) = P(A) \times P(B|A) = P(B) \times P(A|B)\)

顺序试验（不放回）

例子：一个袋子里有 5 个红球和 3 个蓝球（共 8 个球）。从袋中随机连续抽取两个球，不放回。抽出的两个球都是红色的概率是多少？

步骤 1：第一次抽取。
第一次抽出红球的概率：\(P(R_1) = \frac{5}{8}\)。

步骤 2：第二次抽取（在第一次抽取的条件下）。
抽出 1 个红球后，剩下 4 红 3 蓝（共 7 个球）。
\(P(R_2 | R_1) = \frac{4}{7}\)。

步骤 3：应用乘法法则。
\(P(R_1 \cap R_2) = P(R_1) \times P(R_2|R_1) = \frac{5}{8} \times \frac{4}{7} = \frac{20}{56} = \frac{5}{14}\)


4. 全概率公式与贝叶斯定理

全概率公式

设事件 \(A_1, A_2, \dots, A_k\) 构成样本空间的一个划分（即它们互斥，当 \(i \neq j\) 时 \(A_i \cap A_j = \emptyset\)，且完备，\(A_1 \cup A_2 \cup \dots \cup A_k = S\)）。

对任何事件 \(B\)：

\(P(B) = \sum_{i=1}^k P(B \cap A_i) = \sum_{i=1}^k P(A_i)P(B|A_i)\)

对于两个对立事件 \(A\) 和 \(A'\)，这简化为：

\(P(B) = P(A)P(B|A) + P(A')P(B|A')\)

贝叶斯定理

贝叶斯定理允许我们反转条件概率（当我们知道条件似然 \(P(B|A_i)\) 时求 \(P(A_j|B)\)）：

\(P(A_j|B) = \frac{P(A_j \cap B)}{P(B)} = \frac{P(A_j)P(B|A_j)}{\sum_{i=1}^k P(A_i)P(B|A_i)}\)

对于两个划分 \(A\) 和 \(A'\)：

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

逐步解题范例

工厂内的两条生产线 \(A\) 和 \(B\) 生产灯泡。生产线 \(A\) 生产所有灯泡的 60%，生产线 \(B\) 生产 40%。已知来自生产线 \(A\) 的灯泡有 2% 是次品，而来自生产线 \(B\) 的灯泡有 5% 是次品。

问题：如果随机选出的灯泡是次品，求它来自生产线 \(A\) 的概率。

步骤 1：定义事件并确定已知数值。
设 \(A\) = 灯泡来自生产线 \(A\)，\(B\) = 灯泡来自生产线 \(B\)，\(D\) = 灯泡是次品。
\(P(A) = 0.60\)，\(P(B) = 0.40\)
\(P(D|A) = 0.02\)，\(P(D|B) = 0.05\)

步骤 2：求灯泡是次品的总概率 \(P(D)\)。
应用全概率公式：
\(P(D) = P(A)P(D|A) + P(B)P(D|B)\)
\(P(D) = (0.60)(0.02) + (0.40)(0.05) = 0.012 + 0.020 = 0.032\)

步骤 3：应用贝叶斯定理。
\(P(A|D) = \frac{P(A \cap D)}{P(D)} = \frac{P(A)P(D|A)}{P(D)} = \frac{0.012}{0.032} = 0.375 = \frac{3}{8}\)


章节总结：快速回顾

• 条件概率：\(P(A|B) = \frac{P(A \cap B)}{P(B)}\)，其中 \(P(B) > 0\)。

• 乘法法则：\(P(A \cap B) = P(A)P(B|A) = P(B)P(A|B)\)。

• 独立事件：\(A\) 和 \(B\) 独立当且仅当 \(P(A \cap B) = P(A)P(B)\)（或 \(P(A|B) = P(A)\)）。

• 全概率公式：\(P(B) = \sum_{i=1}^k P(A_i)P(B|A_i)\)。

• 贝叶斯定理：\(P(A_j|B) = \frac{P(A_j)P(B|A_j)}{\sum_{i=1}^k P(A_i)P(B|A_i)}\)。