概率论期末考试真题精讲：贝叶斯公式在实际问题中的应用

概率论期末考试真题精讲：贝叶斯公式在实际问题中的应用

题目描述

在大学概率论课程中，贝叶斯公式（Bayes’ Theorem）是处理逆向推理问题的核心工具。这类题目不仅考查学生对基本公式的掌握程度，更注重其逻辑推理能力与实际问题建模能力。以下是一道极具代表性的大学概率论期末考试真题，出自某高校2023年秋季学期《概率论与数理统计》期末试题。

T29.某同学做一道选择题，已知：

• 他知道正确答案的概率为30 % 30\%30%
• 如果他不知道答案，他会随机猜测，且猜对的概率为25 % 25\%25%
• 现在他做对了这道题

求：他在做对的前提下，确实知道正确答案的概率。

这道题看似简单，实则深刻地考察了学生对贝叶斯公式的理解与应用能力。通过本题，我们可以系统地掌握如何将现实问题转化为数学模型，并利用概率的基本原理进行精确计算。

本篇文章将围绕这道题目展开深入讲解，从具体解题过程出发，逐步引出并深化对相关核心概念的理解，最终形成一套完整的知识体系框架，帮助读者真正掌握此类问题的解题逻辑与思维方法。

解题思路与分步解析

我们来一步一步分析这道题，确保每一步都清晰、严谨、有据可依。

第一步：理解题意与设定事件

题目给出了一个典型的“知道 vs 猜测”场景。我们的目标是求：在已知做对的前提下，该同学确实知道答案的概率。

首先，定义事件：

• 设事件A AA表示“同学知道正确答案”，则P ( A ) = 0.3 P(A) = 0.3P(A)=0.3
• 设事件A ‾ \overline{A}A表示“同学不知道正确答案”，则P ( A ‾ ) = 1 − 0.3 = 0.7 P(\overline{A}) = 1 - 0.3 = 0.7P(A)=1−0.3=0.7
• 设事件B BB表示“同学做对了”

注意：A AA和A ‾ \overline{A}A构成了一个完备事件组，因为每个同学要么知道，要么不知道。

同时，已知条件性概率：

• P ( B ∣ A ) = 1 P(B|A) = 1P(B∣A)=1：如果知道答案，必然做对
• P ( B ∣ A ‾ ) = 0.25 P(B|\overline{A}) = 0.25P(B∣A)=0.25：如果不知道答案，猜对的概率为25 % 25\%25%

第二步：应用贝叶斯公式

我们要计算的是：

P ( A ∣ B ) P(A | B)P(A∣B)

即：在已知做对的前提下，确实知道答案的概率。

这是典型的逆向概率问题，需要用到贝叶斯公式。

贝叶斯公式的形式为：

P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P ( B ) P(A | B) = \frac{P(A)P(B|A)}{P(B)}P(A∣B)=P(B)P(A)P(B∣A)​

而P ( B ) P(B)P(B)可以用全概率公式计算：

P ( B ) = P ( A ) P ( B ∣ A ) + P ( A ‾ ) P ( B ∣ A ‾ ) P(B) = P(A)P(B|A) + P(\overline{A})P(B|\overline{A})P(B)=P(A)P(B∣A)+P(A)P(B∣A)

代入数值：

P ( B ) = 0.3 × 1 + 0.7 × 0.25 = 0.3 + 0.175 = 0.475 P(B) = 0.3 \times 1 + 0.7 \times 0.25 = 0.3 + 0.175 = 0.475P(B)=0.3×1+0.7×0.25=0.3+0.175=0.475

所以：

P ( A ∣ B ) = 0.3 × 1 0.475 = 0.3 0.475 = 300 475 = 12 19 ≈ 0.6316 P(A | B) = \frac{0.3 \times 1}{0.475} = \frac{0.3}{0.475} = \frac{300}{475} = \frac{12}{19} \approx 0.6316P(A∣B)=0.4750.3×1​=0.4750.3​=475300​=1912​≈0.6316

✅ 所以，答案为0.6316 \boxed{0.6316}0.6316​

第三步：结果合理性验证

我们来检查这个结果是否合理。

1. 同学知道答案的概率为30 % 30\%30%，但做对了
2. 做对可能是“知道”或“猜对”
3. 由于“知道”的人做对的概率为100 % 100\%100%，而“不知道”的人只有25 % 25\%25%的机会猜对
4. 所以，在做对的人中，知道答案的比例应高于30 % 30\%30%

0.6316 > 0.3 0.6316 > 0.30.6316>0.3，符合直觉。

知识点详解（围绕解题过程展开）

一、贝叶斯公式的定义与推导

定义

贝叶斯公式用于计算逆向条件概率：

P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P ( B ) P(A | B) = \frac{P(A)P(B|A)}{P(B)}P(A∣B)=P(B)P(A)P(B∣A)​

推导过程

由条件概率定义：

P ( A ∣ B ) = P ( A ∩ B ) P ( B ) P(A | B) = \frac{P(A \cap B)}{P(B)}P(A∣B)=P(B)P(A∩B)​

而P ( A ∩ B ) = P ( A ) P ( B ∣ A ) P(A \cap B) = P(A)P(B|A)P(A∩B)=P(A)P(B∣A)，所以：

P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P ( B ) P(A | B) = \frac{P(A)P(B|A)}{P(B)}P(A∣B)=P(B)P(A)P(B∣A)​

又由全概率公式，P ( B ) = P ( A ) P ( B ∣ A ) + P ( A ‾ ) P ( B ∣ A ‾ ) P(B) = P(A)P(B|A) + P(\overline{A})P(B|\overline{A})P(B)=P(A)P(B∣A)+P(A)P(B∣A)，所以：

P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P ( A ) P ( B ∣ A ) + P ( A ‾ ) P ( B ∣ A ‾ ) P(A | B) = \frac{P(A)P(B|A)}{P(A)P(B|A) + P(\overline{A})P(B|\overline{A})}P(A∣B)=P(A)P(B∣A)+P(A)P(B∣A)P(A)P(B∣A)​

二、全概率公式的应用

在贝叶斯公式中，分母P ( B ) P(B)P(B)是总概率，必须通过全概率公式计算。

在本题中：

P ( B ) = P ( A ) P ( B ∣ A ) + P ( A ‾ ) P ( B ∣ A ‾ ) = 0.3 × 1 + 0.7 × 0.25 = 0.475 P(B) = P(A)P(B|A) + P(\overline{A})P(B|\overline{A}) = 0.3 \times 1 + 0.7 \times 0.25 = 0.475P(B)=P(A)P(B∣A)+P(A)P(B∣A)=0.3×1+0.7×0.25=0.475

这是关键步骤，不能遗漏。

三、贝叶斯公式的几何意义

在韦恩图中，P ( A ∣ B ) P(A | B)P(A∣B)表示在事件B BB发生的条件下，A AA的相对占比。

即：在“做对”的区域内，“知道答案”的部分所占比例。

相关重点知识点总体预览（总结性板块）

练习

练习题：某同学做一道选择题，已知：

• 他知道正确答案的概率为40 % 40\%40%
• 如果他不知道答案，他会随机猜测，且猜对的概率为20 % 20\%20%
• 现在他做对了这道题

求：他在做对的前提下，确实知道正确答案的概率。

解答：

设A AA：知道答案，P ( A ) = 0.4 P(A) = 0.4P(A)=0.4，P ( A ‾ ) = 0.6 P(\overline{A}) = 0.6P(A)=0.6

P ( B ∣ A ) = 1 P(B|A) = 1P(B∣A)=1，P ( B ∣ A ‾ ) = 0.2 P(B|\overline{A}) = 0.2P(B∣A)=0.2

P ( B ) = 0.4 × 1 + 0.6 × 0.2 = 0.4 + 0.12 = 0.52 P(B) = 0.4 \times 1 + 0.6 \times 0.2 = 0.4 + 0.12 = 0.52P(B)=0.4×1+0.6×0.2=0.4+0.12=0.52

P ( A ∣ B ) = 0.4 × 1 0.52 = 0.4 0.52 ≈ 0.7692 P(A|B) = \frac{0.4 \times 1}{0.52} = \frac{0.4}{0.52} \approx 0.7692P(A∣B)=0.520.4×1​=0.520.4​≈0.7692

结语

通过这道典型题目，我们不仅学会了如何应用贝叶斯公式，更重要的是掌握了逆向推理的能力。希望这篇详细讲解能为你带来启发与收获。

祝你期末顺利，取得优异成绩！