Chào mừng bạn đến với bài học về lý thuyết xác suất toàn phần và công thức Bayes trong chương trình Toán 12 Chân trời sáng tạo. Đây là một trong những chủ đề quan trọng, giúp bạn giải quyết các bài toán xác suất phức tạp trong thực tế.
Bài học này sẽ cung cấp cho bạn kiến thức nền tảng vững chắc, cùng với các ví dụ minh họa cụ thể, giúp bạn hiểu rõ cách áp dụng công thức vào giải bài tập.
1. Công thức xác suất toàn phần
1. Công thức xác suất toàn phần
Cho hai biến cố A và B với 0 < P(B) < 1. Khi đó \(P(A) = P(B).P(A|B) + P(\overline B ).P(A|\overline B )\) gọi là công thức xác suất toàn phần. |
Ví dụ: Một loại xét nghiệm nhanh SARS-CoV-2 cho kết quả dương tính với 76,2% các ca thực sự nhiễm virus và kết quả âm tính với 99,1% các ca thực sự không nhiễm virus. Giả sử tỉ lệ người nhiễm virus SARS-CoV-2 trong một cộng đồng là 1%. Một người trong cộng đồng đó làm xét nghiệm và nhận được kết quả dương tính. Hỏi khả năng người đó thực sự nhiễm virus là cao hay thấp?
Giải:
Gọi A là biến cố "Người làm xét nghiệm có kết quả dương tính" và B là biến cố "Người làm xét nghiệm thực sự nhiễm virus".
Đối với xét nghiệm cho kết quả dương tính, có 76,2% các ca thực sự nhiễm virus nên P(A∣B) = 0,762.P(A∣B) = 0,762.
Đối với xét nghiệm cho kết quả âm tính, có 99,1% các ca thực sự không nhiễm virus nên P(A̅|B̅) = 0,991. Suy ra P(A̅|B) = 1 - 0,991 = 0,009.
Do tỉ lệ người nhiễm virus trong cộng đồng là 1%, nên P(B) = 0,01.P(B) = 0,01 và P(B̅) = 0,99.
Áp dụng công thức xác suất toàn phần, ta có xác suất người làm xét nghiệm có kết quả dương tính là:
P(A) = P(B).P(A∣B) + P(B) P(A∣B) = 0,01.0,762 + 0,99.0,009 = 0,01653.
2.Công thức Bayes
Giả sử A và B là hai biến cố ngẫu nhiên thỏa mãn P(A) > 0 và 0 < P(B) < 1. Khi đó \(P(B|A) = \frac{{P(B).P(A|B)}}{{P(B).P(A|B) + P(\overline B ).P(A|\overline B )}}\) gọi là công thức Bayes. |
Chú ý: - Công thức Bayes vẫn đúng với biến cố B bất kì. - Với P(A) > 0, công thức \(P(B\mid A) = \frac{{P\left( B \right)P(A\mid B)}}{{P(A)}}\) cũng được gọi là công thức Bayes.
Ví dụ: Một nhà máy có hai phân xưởng I và II. Phân xưởng I sản xuất 40% số sản phẩm và phân xưởng II sản xuất 60% số sản phẩm. Tỷ lệ sản phẩm bị lỗi của phân xưởng I là 2% và của phân xưởng II là 1%. Kiểm tra ngẫu nhiên 1 sản phẩm của nhà máy.
a) Tính xác suất để sản phẩm đó bị lỗi.
b) Biết rằng sản phẩm được kiểm tra bị lỗi. Hỏi xác suất sản phẩm đó do phân xưởng nào sản xuất cao hơn?
Giải:
a) Gọi A là biến cố “Sản phẩm được kiểm tra bị lỗi” và B là biến cố “Sản phẩm được kiểm tra do phân xưởng I sản xuất”.
Do phân xưởng I sản xuất 40% số sản phẩm và phân xưởng II sản xuất 60% số sản phẩm nên
\(P(B) = 0,4\) và \(P(\overline B ) = 1 - 0,4 = 0,6\).
Do tỷ lệ sản phẩm bị lỗi của phân xưởng I là 2% và của phân xưởng II là 1% nên:
\(P(A|B) = 0,02\) và \(P(A|\overline B ) = 0,01\).
Xác suất để sản phẩm được kiểm tra bị lỗi là:
\(P(A) = P(B).P(A|B) + P(\overline B ).P(A|\overline B ) = 0,4.0,02 + 0,6.0,01 = 0,014\).
b) Nếu sản phẩm được kiểm tra bị lỗi thì xác suất sản phẩm đó do phân xưởng I sản xuất là:
\(P(B|A) = \frac{{P(B).P(A|B)}}{{P(A)}} = \frac{{0,4.0,02}}{{0,014}} = \frac{4}{7}\).
Nếu sản phẩm được kiểm tra bị lỗi thì xác suất sản phẩm đó do phân xưởng II sản xuất là:
\(P(\overline B |A) = 1 - P(B|A) = \frac{3}{7}\).
Vậy nếu sản phẩm được kiểm tra bị lỗi thì xác suất sản phẩm đó do phân xưởng I sản xuất cao hơn xác suất sản phẩm đó do phân xưởng II sản xuất.
Trong chương trình Toán 12 Chân trời sáng tạo, lý thuyết xác suất đóng vai trò quan trọng, và hai công thức then chốt là công thức xác suất toàn phần và công thức Bayes. Việc nắm vững hai công thức này không chỉ giúp học sinh giải quyết các bài toán trong sách giáo khoa mà còn ứng dụng vào nhiều lĩnh vực khác của cuộc sống.
Trước khi đi sâu vào hai công thức, chúng ta cần ôn lại khái niệm về xác suất có điều kiện. Xác suất có điều kiện của biến cố A khi biết biến cố B đã xảy ra, ký hiệu là P(A|B), được tính bằng công thức:
P(A|B) = P(A ∩ B) / P(B) (với P(B) > 0)
Trong đó:
Giả sử ta có một không gian mẫu Ω, được phân chia thành các biến cố xung khắc A1, A2, ..., An sao cho Ω = A1 ∪ A2 ∪ ... ∪ An. Khi đó, xác suất của biến cố A được tính bằng công thức xác suất toàn phần:
P(A) = P(A|A1)P(A1) + P(A|A2)P(A2) + ... + P(A|An)P(An)
Công thức này cho phép ta tính xác suất của một biến cố A khi biết nó có thể xảy ra thông qua nhiều biến cố khác nhau.
Công thức Bayes là một công cụ mạnh mẽ để cập nhật niềm tin về một giả thuyết khi có thêm bằng chứng mới. Công thức được phát biểu như sau:
P(Ai|B) = [P(B|Ai)P(Ai)] / P(B)
Trong đó:
Ví dụ 1: Một nhà máy có hai dây chuyền sản xuất A và B. Dây chuyền A sản xuất 60% sản phẩm, dây chuyền B sản xuất 40% sản phẩm. Tỷ lệ sản phẩm lỗi của dây chuyền A là 2%, của dây chuyền B là 3%. Chọn ngẫu nhiên một sản phẩm, xác suất để sản phẩm đó là sản phẩm lỗi là bao nhiêu?
Giải:
Gọi A là biến cố sản phẩm được sản xuất từ dây chuyền A, B là biến cố sản phẩm được sản xuất từ dây chuyền B, L là biến cố sản phẩm là sản phẩm lỗi.
Ta có: P(A) = 0.6, P(B) = 0.4, P(L|A) = 0.02, P(L|B) = 0.03
Áp dụng công thức xác suất toàn phần, ta có:
P(L) = P(L|A)P(A) + P(L|B)P(B) = 0.02 * 0.6 + 0.03 * 0.4 = 0.012 + 0.012 = 0.024
Vậy xác suất để sản phẩm đó là sản phẩm lỗi là 2.4%.
Ví dụ 2: Một bệnh viện thực hiện xét nghiệm để chẩn đoán một bệnh. Xét nghiệm có độ chính xác 95%, nghĩa là nếu một người mắc bệnh, xét nghiệm sẽ cho kết quả dương tính với xác suất 95%, và nếu một người không mắc bệnh, xét nghiệm sẽ cho kết quả âm tính với xác suất 95%. Biết rằng tỷ lệ người mắc bệnh trong cộng đồng là 1%. Nếu một người được xét nghiệm cho kết quả dương tính, xác suất để người đó thực sự mắc bệnh là bao nhiêu?
Giải:
Gọi B là biến cố người mắc bệnh, D là biến cố xét nghiệm cho kết quả dương tính.
Ta có: P(B) = 0.01, P(D|B) = 0.95, P(Dc|Bc) = 0.95 (Dc là xét nghiệm cho kết quả âm tính, Bc là người không mắc bệnh)
Suy ra: P(Dc|B) = 1 - P(D|B) = 0.05, P(D|Bc) = 1 - P(Dc|Bc) = 0.05
Áp dụng công thức Bayes, ta có:
P(B|D) = [P(D|B)P(B)] / P(D) = [P(D|B)P(B)] / [P(D|B)P(B) + P(D|Bc)P(Bc)]
P(B|D) = (0.95 * 0.01) / (0.95 * 0.01 + 0.05 * 0.99) = 0.0095 / (0.0095 + 0.0495) = 0.0095 / 0.059 = 0.161
Vậy xác suất để người đó thực sự mắc bệnh là khoảng 16.1%.
Công thức xác suất toàn phần và công thức Bayes có rất nhiều ứng dụng trong thực tế, bao gồm:
Để củng cố kiến thức, bạn có thể thực hành giải các bài tập sau:
Hy vọng bài học này đã giúp bạn hiểu rõ hơn về lý thuyết xác suất toàn phần và công thức Bayes. Chúc bạn học tốt!
Stay updated with the latest technology news, learn new skills with our how-to guides, and discover your next favorite film or album. Explore now!
Khám phá 'Sự Cứu Rỗi Của Thánh Nữ' của Higashino Keigo - một vụ án mạng phức tạp, xoay quanh những bí mật đen tối và góc khuất tâm lý. Đọc ngay để hiểu rõ hơn về sự thật rùng rợn!
Tìm hiểu về Fractal, một khái niệm hình học độc đáo. Bài viết này sẽ hé lộ những điều thú vị về Fractal mà bạn chưa từng biết! Khám phá ngay!
Giải mã paradox - hiện tượng tưởng chừng vô nghĩa nhưng chứa đựng triết lý sâu sắc. Khám phá các loại paradox phổ biến và ứng dụng bất ngờ của chúng! Click để tìm hiểu!
Đắm chìm vào thế giới trinh thám đầy u ám của 'Tên của trò chơi là bắt cóc'. Phân tích sâu về tâm lý nhân vật, ranh giới thiện ác mong manh và những bí mật bị che giấu. Liệu bạn có dám đối mặt với sự thật khi ai cũng là kẻ ác? Khám phá ngay!
Khám phá phương pháp độc đáo giúp con tự tin giải quyết bài tập Toán nâng cao lớp 1. Xem ngay lời giải chi tiết, dễ hiểu và các mẹo học tập hiệu quả! Đừng bỏ lỡ!
