day7概率论---条件概率、贝叶斯定理、独立性
1. 条件概率
定义：在事件 B 已经发生的条件下，事件 A 发生的概率。记作 P(A|B)。
核心公式：
P(A|B) = P(A ∩ B) / P(B)
其中，P(A ∩ B) 是事件 A 和 B 同时发生的概率（联合概率），且要求 P(B) > 0。
直观理解：条件概率的本质是缩小样本空间。原本我们在整个样本空间中考虑 A 发生的概率，现在已知 B 发生了，我们的样本空间就缩小到了 B，所以分母变成了 P(B)，分子则是 A 和 B 同时发生的部分。
举例：一副扑克牌（52张），随机抽一张。
- 事件 A：抽到红桃。
- 事件 B：抽到红色牌。
- P(A) = 13/52 = 1/4（在全部牌中抽到红桃的概率）。
- P(A|B) = 13/26 = 1/2（已知是红色牌，则红桃占红色牌的一半）。
2. 贝叶斯定理
定义：贝叶斯定理是用来根据新的信息（证据）更新我们对某个假设（事件）发生概率的信念。它本质上是条件概率公式的逆用，从“结果”反推“原因”。
核心公式：
P(A|B) = [ P(B|A) × P(A) ] / P(B)
其中：
- P(A)：先验概率，即在看到证据 B 之前，我们对 A 发生的概率估计。
- P(A|B)：后验概率，即在看到证据 B 之后，我们对 A 发生的概率的更新。
- P(B|A)：似然度，即在假设 A 为真的前提下，观察到证据 B 的概率。
- P(B)：证据的总概率，通常用全概率公式计算：P(B) = P(B|A) × P(A) + P(B|非A) × P(非A)。
直观理解：贝叶斯定理就像是一个学习机器。你有一个初始判断（先验），然后你观察到了新证据，你用这个证据来修正你的判断，得到一个新的、更准确的判断（后验）。
举例：某种疾病的检测。
- 事件 A：某人患有该病。发病率 P(A) = 0.01（先验）。
- 事件 B：检测结果为阳性。
- 检测的灵敏度：P(B|A) = 0.99（有病且检测出阳性）。
- 误报率：P(B|非A) = 0.05（没病但检测出阳性）。
问题：如果一个人检测结果为阳性，他真正患病的概率 P(A|B) 是多少？
计算：
P(A|B) = (0.99 × 0.01) / (0.99 × 0.01 + 0.05 × 0.99)
P(A|B) = 0.0099 / (0.0099 + 0.0495)
P(A|B) = 0.0099 / 0.0594
P(A|B) ≈ 0.1667
结论：即使检测为阳性，他真正患病的概率也只有约 16.67%。这打破了很多人“检测阳性=患病”的直觉，充分体现了先验概率（发病率低）的重要性。
3. 独立性
定义：如果事件 A 的发生与否，完全不影响事件 B 发生的概率，那么我们就说事件 A 和 B 是相互独立的。
核心公式（两个等价条件）：
- 概率乘积公式：P(A ∩ B) = P(A) × P(B)
- 条件概率形式：P(A|B) = P(A) 或 P(B|A) = P(B) （前提是分母不为0）
直观理解：独立性意味着“知道 B 发生”这个信息，对于预测 A 没有任何帮助。它们之间没有因果关系，也没有任何关联。
举例：
- 独立：抛两次硬币。第一次正面朝上（事件 A），第二次正面朝上（事件 B）。这两次的结果互不影响，所以是独立的。P(A ∩ B) = 1/2 × 1/2 = 1/4。
- 不独立：从一副牌中连续抽两张牌（不放回）。第一张是红桃（事件 A），第二张是红桃（事件 B）。因为第一张抽走后，剩余的牌中红桃的比例变了，所以它们不独立。P(A ∩ B) = 13/52 × 12/51，显然不等于 13/52 × 13/52。
三者关系总结
| 概念 | 核心问题 | 关键公式 | 关系 |
|---|---|---|---|
| 条件概率 | 已知 B 发生，A 的概率？ | P(A | B) = P(A ∩ B) / P(B) |
| 贝叶斯定理 | 已知结果 B，反推原因 A 的概率？ | P(A | B) = [ P(B |
| 独立性 | A 的发生是否影响 B？ | P(A ∩ B) = P(A) × P(B) | 是条件概率的特殊情况。如果独立，则 P(A |
一句话总结：条件概率是工具，贝叶斯定理是工具的高级应用，而独立性是让这个工具变简单的一种特殊性质。
抽扑克牌（贝叶斯定理版）
背景设定：
- 有一副完整的扑克牌，共 52 张，其中红牌 26 张（红桃 13 张 + 方块 13 张），黑牌 26 张（黑桃 13 张 + 梅花 13 张）。
- 事件 A：抽到红桃。
- 事件 B：抽到红色牌（红桃或方块）。
已知条件（先验概率）：
- P(A) = 13/52 = 1/4（在所有牌中抽到红桃的概率，即先验概率）。
- P(非A) = 39/52 = 3/4（抽到非红桃的概率，包括方块、黑桃、梅花）。
似然度（在假设 A 为真的前提下，观察到 B 的概率）：
- P(B|A) = 1（如果抽到的是红桃，那它一定是红色牌，所以概率是 100%）。
- P(B|非A) = 13/39 = 1/3（如果抽到的不是红桃，那它可能是方块、黑桃或梅花。其中只有方块是红色牌，方块有 13 张，非红桃总共有 39 张，所以抽到红色牌的概率是 13/39 = 1/3）。
问题：现在你随机抽了一张牌，已知它是红色牌（事件 B 发生），那么它是红桃的概率 P(A|B) 是多少？
贝叶斯定理公式（文字版）
P(A|B) = [ P(B|A) × P(A) ] ÷ [ P(B|A) × P(A) + P(B|非A) × P(非A) ]
代入数值计算
第一步：计算分子
P(B|A) × P(A) = 1 × 1/4 = 1/4
第二步：计算分母（即抽到红色牌的总概率）
P(B) = P(B|A) × P(A) + P(B|非A) × P(非A)
P(B) = (1 × 1/4) + (1/3 × 3/4)
P(B) = 1/4 + 1/4
P(B) = 1/2
（这个结果很直观：一副牌中红色牌确实占一半，即 26/52 = 1/2）
第三步：代入公式
P(A|B) = (1/4) ÷ (1/2)
P(A|B) = 1/2
结果
P(A|B) = 1/2 = 50%
也就是说，已知抽到的是红色牌，那么它是红桃的概率是 50%。
关键在于分母 P(B) 是怎么来的。
- 在简化形式中，P(B) 代表“事件 B 发生的总概率”。
- 但在实际计算中，我们往往不知道 P(B) 的直接值，而只知道 P(A)、P(非A)、P(B|A)、P(B|非A) 这些条件概率。
- 这时，我们就用全概率公式来把 P(B) 拆开：
P(B) = P(B|A) × P(A) + P(B|非A) × P(非A)
含义是：事件 B 发生，只有两种可能路径：
- 在 A 发生的情况下，B 也发生（贡献 P(B|A) × P(A)）。
- 在 A 不发生的情况下，B 也发生（贡献 P(B|非A) × P(非A)）。
把这两部分加起来，就是 B 发生的总概率。
浙公网安备 33010602011771号