first commit

This commit is contained in:
2026-10-04 11:44:56 +08:00
commit e7cbe2cdae
265 changed files with 52919 additions and 0 deletions
@@ -0,0 +1,116 @@
# 题型五:全概率公式与贝叶斯公式 ⭐⭐⭐
## 识别特征
- **全概率**:题目有**多阶段**结构("原因 → 结果")
- 例如:3 台机器生产产品,已知产量占比和次品率,求总次品率
- **贝叶斯**:已知**结果**,求**原因**的概率
- 例如:已知产品是次品,求"它来自第几台机器"
- 题干必有**完备事件组**($B_1, B_2, \ldots, B_n$)作为"原因"
## 解题流程
```mermaid
flowchart TD
A[识别:多阶段问题] --> B{求什么?}
B -->|"原因已知, 求结果"| C[全概率公式]
B -->|"结果已知, 求原因"| D[贝叶斯公式]
C --> E[1. 识别完备事件组 Bi]
E --> F[2. 写先验 P Bi 和似然 P A|Bi]
F --> G[3. P A = Σ P Bi P A|Bi]
D --> H[1. 先用全概率求 P A]
H --> I[2. P Bi|A = P Bi P A|Bi / P A]
```
## 通法步骤
### 一、全概率公式
**前提**:$\{B_1, B_2, \ldots, B_n\}$ 是 $\Omega$ 的**完备事件组**(两两互斥 + 穷尽),$P(B_i) > 0$。
$$
P(A) = \sum_{i=1}^n P(B_i) \cdot P(A | B_i)
$$
**应用步骤**:
1. 识别**原因**:找出"原因"的完备事件组 $B_i$(往往是"按某种标准分类")
2. 写**先验**:$P(B_i)$(各原因的概率)
3. 写**似然**:$P(A | B_i)$(每种原因下结果 $A$ 的概率)
4. **加权求和**:$P(A) = \sum P(B_i) P(A | B_i)$
### 二、贝叶斯公式
$$
P(B_i | A) = \frac{P(B_i) \cdot P(A | B_i)}{P(A)} = \frac{P(B_i) \cdot P(A | B_i)}{\sum_{j=1}^n P(B_j) \cdot P(A | B_j)}
$$
**应用步骤**:
1. 先用**全概率**算 $P(A)$
2. 套**贝叶斯**公式:分子 $= P(B_i) P(A | B_i)$,分母 $= P(A)$
## 常见陷阱
- **完备事件组漏项**:$B_1, B_2, \ldots, B_n$ 必须**穷尽** $\Omega$
- **混淆全概率和贝叶斯**:前者正向(原因→结果),后者逆向(结果→原因)
- 贝叶斯公式的**分子分母不对应**:分母是 $P(A)$(全概率公式的结果),不是某个 $P(A|B_j)$
- 多阶段问题(嵌套):每层都需识别完备事件组
## 经典母题
> **题目**:某厂有三台机床生产同种产品,产量分别占 $45\%$、$35\%$、$20\%$。各机床的次品率分别为 $4\%$、$2\%$、3\%$。现随机取一件产品,
>
> (1) 求它是次品的概率;
> (2) 若发现是次品,求它最有可能是哪台机床生产的。
**解析**:
设 $B_i = $"第 $i$ 台机床生产"($i=1,2,3$),$A = $"次品"。
- 先验:$P(B_1) = 0.45, P(B_2) = 0.35, P(B_3) = 0.20$
- 似然:$P(A | B_1) = 0.04, P(A | B_2) = 0.02, P(A | B_3) = 0.03$
**(1) 全概率公式**:
$$
P(A) = 0.45 \times 0.04 + 0.35 \times 0.02 + 0.20 \times 0.03 = 0.018 + 0.007 + 0.006 = 0.031
$$
**(2) 贝叶斯公式**(比较三个 $P(B_i | A)$):
$$
P(B_1 | A) = \frac{0.018}{0.031} \approx 0.581, \quad
P(B_2 | A) = \frac{0.007}{0.031} \approx 0.226, \quad
P(B_3 | A) = \frac{0.006}{0.031} \approx 0.194
$$
**结论**:
- 次品率 $P(A) = 3.1\%$
- 次品最可能来自第 1 台机床(58.1%)
**复盘**:本题完整演示了"全概率 → 贝叶斯"的两步流程。**核心要义**:先算"边际概率"(全概率),再做"后验推断"(贝叶斯)。
---
> **变式 1**:假设工厂每天生产的次品来自白天或夜班。白天产量 60%,次品率 1%;夜班产量 40%,次品率 2%。求随机取一件为次品的概率,以及该次品来自白天的概率。
**解**:
- $P(\text{白天}) = 0.6, P(\text{夜班}) = 0.4$
- $P(\text{次品} | \text{白天}) = 0.01, P(\text{次品} | \text{夜班}) = 0.02$
- 全概率:$P(\text{次品}) = 0.6 \times 0.01 + 0.4 \times 0.02 = 0.006 + 0.008 = 0.014$
- 贝叶斯:$P(\text{白天} | \text{次品}) = 0.006 / 0.014 \approx 0.429$
---
> **变式 2**:选择题(概念辨析)
设 $B_1, B_2$ 是 $\Omega$ 的完备事件组,$P(B_1) = 0.6, P(A | B_1) = 0.1, P(A | B_2) = 0.3$。下列哪个是 $P(B_2 | A)$?
(A) $\dfrac{0.4 \times 0.3}{0.6 \times 0.1 + 0.4 \times 0.3}$ (正确)
(B) $\dfrac{0.6 \times 0.1}{0.6 \times 0.1 + 0.4 \times 0.3}$
(C) $\dfrac{0.4 \times 0.3}{0.6 + 0.4 \times 0.3}$
(D) $\dfrac{0.6 \times 0.1}{0.4 \times 0.3}$
**答案**:(A)。**常见错选 (D)**——分子分母搞反。
> **口诀速记**:
> - "**先原因,后结果** → 全概率"
> - "**先结果,后原因** → 贝叶斯"
> - "贝叶斯公式 = 分子 / 分母(分母是全概率公式结果)"