当前位置：首页 > news >正文

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

news 2026/4/4 9:03:37

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。

同学知道答案的概率为30 % 30\%30%，但做对了
做对可能是“知道”或“猜对”
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
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。

知识点	内容	公式/说明	易错点
贝叶斯公式	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)	逆向推理	忽视分母
全概率公式	P ( B ) = ∑ P ( A i ) P ( B ∣ A i ) P(B) = \sum P(A_i)P(B\|A_i)P(B)=∑P(Ai)P(B∣Ai)	分解思想	忽视完备性
条件概率	P ( B ∣ A ) = P ( A ∩ B ) P ( A ) P(B\|A) = \frac{P(A \cap B)}{P(A)}P(B∣A)=P(A)P(A∩B)	定义	分母为零