7.1.2 全概率公式 课件-2025-2026学年高二下学期数学人教A版选择性必修第三册

随机变量及其分布 7.1.2 全概率公式 1.7.2013 大家好，今天我们来学习概率论中的一个非常重要的公式——全概率公式。它被誉为概率论的“瑞士军刀”，能够帮助我们将复杂的概率问题，分解成一系列简单的、互斥的情况来解决。这节课，我们将一起探索如何“化繁为简，由因导果”，掌握这个强大的工具。 ‹#› 学习目标 1. 结合古典概型，掌握全概率公式，并会利用全概率公式计算概率（数学抽象、数学运算）. 2. 了解贝叶斯公式，并会简单应用（数学抽象、数学运算）. 1.7.2013 在学习新知识之前，我们先来回顾三个基础但至关重要的概率公式：条件概率、乘法公式和互斥事件的加法公式。 大家可以看到，这三个公式构建了我们解决复杂概率问题的基石。特别是即将学习的全概率公式，它并不是一个全新的、孤立的概念，而是巧妙地将我们今天复习的“乘法公式”和“加法公式”结合起来，去解决那些由多个互斥原因引发同一个结果的概率问题。 ‹#› 温故知新 · 知识回顾 条件概率公式 （前提条件： > 0） 概率乘法公式 （由条件概率公式变形推导） 互斥事件加法 若 A、B 互斥，则： 💡 过渡思考：即将学习的全概率公式，本质上就是「概率乘法公式」 + 「互斥事件加法公式」的综合应用。 1.7.2013 在学习新知识之前，我们先来回顾三个基础但至关重要的概率公式：条件概率、乘法公式和互斥事件的加法公式。 大家可以看到，这三个公式构建了我们解决复杂概率问题的基石。特别是即将学习的全概率公式，它并不是一个全新的、孤立的概念，而是巧妙地将我们今天复习的“乘法公式”和“加法公式”结合起来，去解决那些由多个互斥原因引发同一个结果的概率问题。 ‹#› 创设情境 · 抽签公平性问题 生活问题：抽签到底公不公平？ 从有a个红球和b个蓝球的袋子中，每次随机摸出1个球，摸出的球 不再放回.显然，第1次摸到红球的概率为 .那么第2次摸到红球的概率是多大？如何计算这个概率呢？ 认知冲突：直觉 vs 严谨 抽签具有公平性，概率应该与第一次一样，但第2次的结果客观上受到第1次摸球结果的影响。这需要我们进行严格的数学证明来验证直觉是否正确。 1.7.2013 我们从一个生活中的问题开始：抽签公平吗？假设袋子里有a个红球和b个蓝球，不放回地摸球。第一次摸到红球的概率很容易算出。那么第二次呢？直觉告诉我们应该和第一次一样，但数学需要严谨的证明。这就是我们今天要解决的第一个问题。 ‹#› 探究新知 · 事件拆分 把复杂事件拆成两个互斥简单事件 设：， 互斥情况 01: 第一次红球，第二次红球：事件 互斥情况 02: 第一次蓝球，第二次红球：事件 1.7.2013 要计算第二次摸到红球的概率，我们可以把它拆分成两种互斥的情况：第一次摸到红球后第二次又摸到红球，或者第一次摸到蓝球后第二次摸到红球。这两种情况涵盖了第二次摸到红球的所有可能性。右边的树状图直观地展示了这个过程。 ‹#› 探究新知 · 代入计算验证公平性 ▍ 利用乘法公式展开计算 注：代表红球总数，b代表蓝球总数，所有抽取均为不放回抽样。 ▍ 验证结论：绝对公平 “ 抽签的先后顺序，完全不影响公平性 ” 1.7.2013 现在，我们将刚才拆分的两个概率项，用乘法公式展开并代入具体数值。经过化简，我们惊奇地发现，第二次摸到红球的概率和第一次完全相等！ 这就从数学上严格证明了抽签的公平性，无论先抽还是后抽，每个人中奖的概率都是相同的。这不仅是一个数学结论，也是我们在生活中进行公平决策时可以信赖的依据。 ‹#› 抽象概括 · 样本空间划分 核心定义：样本空间的划分 设 ,为样本空间的一组事件，若满足以下三个核心条件，则称其为样本空间的一个“划分”。 条件一：两两互斥 任意两个子事件之间没有交集 条件二：完全覆盖 所有子事件的并集等于整个样本空间: 条件三：正概率约束 每一个划分出的子事件发生的概率必须大于 0，即 1.7.2013 刚才的抽签问题给了我们启发。现在，我们来抽象出一个重要概念：完备事件组，也叫样本空间的划分。 它就像把一个完整的蛋糕，切成了几块互不重叠的部分，并且这些部分合起来正好是整个蛋糕。右边的韦恩图就很好地展示了这一点。 在数学上，我们需要满足三个严格的条件：第一是两两互斥，即任意两块蛋糕不能重叠；第二是完全覆盖，即所有小块加起来必须是完整的蛋糕；第三是正概率，即每一块都得是“实实在在”存在的，不能是零面积的。 ‹#› 全概率公式 ▍ 定理定义 设 ,是一组两两互斥的事件，，且 ，对任意事件 ⊆ Ω，有 1.7.2013 有了完备事件组的概念，我们就可以正式引出全概率公式了。这个公式告诉我们，要求一个复杂事件A的概率，可以先找到导致A发生的各种“原因”或“路径”（也就是样本空间的划分），然后计算每条路径的概率（用乘法公式），最后把所有路径的概率加起来（用加法公式）。 ‹#› 典型例题 课本例4 某学校有A,B两家餐厅，王同学第1天午餐时随机地选择一家餐厅用餐。如果第1天去A餐厅，那么第2天去A餐厅的概率为0.6；如果第1天去B餐厅，那么第2天去A餐厅的概率为0.8.计算王同学第2天去A餐厅用餐的概率. 解：设事件 =“第天去A餐厅用餐”，事件 =“第1天去B餐厅用餐”,则且互斥. 由全概率公式得， 1.7.2013 再来看第二个例子。这次是三个箱子，每个箱子里的红球和蓝球比例不同。我们随机选一个箱子，再随机取一个球，求取到红球的概率。 这里，“选中哪个箱子”就是我们找到的“原因”，因为是随机选，所以每个原因发生的概率都是1/3。这就是全概率公式的典型应用场景：由“因”推“果”。 ‹#› 典型例题 课本例5 有3台车床加工同一型号的零件，第1台加工的次品率为第2，3台加工的次品率均为5%，加工出来的零件混放在一起.已知第1，2，3台车床加工的零件数分别占总数的25%,30%,45%. (1)任取一个零件，计算它是次品的概率. (2)如果取到的零件是次品，计算它是第 (1)由全概率公式得， (2)类似，可得 设 =“任取一个零件为次品”， 且, 1.7.2013 我们来看第一个例题。一个车间有三台机器，它们的产量和次品率都不同。现在要计算整个车间产品的总体次品率。直接计算很困难，但我们可以把“取到次品”这个事件，按照它来自哪台机器进行划分。这里，机器甲、乙、丙就是我们找到的“原因”。 ‹#› 思考 例5中， 先验概率.当已知抽到的零件是次品（），是这件次品来自第台车床加工的可能性大小，通常称为后验概率. 1.7.2013 现在我们应用全概率公式。将每台机器的产量占比（即原因发生的概率）乘以其对应的次品率（即该原因下结果发生的概率），然后相加。计算结果是0.041，也就是4.1%。这就是整个车间的总体次品率。这里留一个问题，如果我们已经拿到了一件次品，想知道它更可能是哪台机器生产的，这个问题我们下节课再探讨。 ‹#› 贝叶斯公式 设A1，A2，…，An是一组两两互斥的事件，A1∪A2∪…∪An＝，且，i＝1，2，…，n，则对任意的事件B⊆＞0，有P（Ai｜B）＝ ＝ ，i＝1，2，…，n. 1.7.2013 现在我们应用全概率公式。将每台机器的产量占比（即原因发生的概率）乘以其对应的次品率（即该原因下结果发生的概率），然后相加。计算结果是0.041，也就是4.1%。这就是整个车间的总体次品率。这里留一个问题，如果我们已经拿到了一件次品，想知道它更可能是哪台机器生产的，这个问题我们下节课再探讨。 ‹#› 典型例题 课本例6 在数字通信中，信号是由数字0和1组成的序列.由于随机因素干扰，发送的信号0或1有可能被错误地接受为1或0.已知发送信号0时，接收为0和1的概率分别为0.9和0.1；发送信号1时，接收为1和0的概率分别为0.95和0.05.假设发送的信号0和1是等可能的. （1）分别求接收的信号为0和1的概率； （2）若已知接收的信号为0，求发送的信号是1的概率。 1.7.2013 现在我们应用全概率公式。将每台机器的产量占比（即原因发生的概率）乘以其对应的次品率（即该原因下结果发生的概率），然后相加。计算结果是0.041，也就是4.1%。这就是整个车间的总体次品率。这里留一个问题，如果我们已经拿到了一件次品，想知道它更可能是哪台机器生产的，这个问题我们下节课再探讨。 ‹#› 典型例题 （课本例6）设“发送的信号为0”，“接收到的信号为0”,则“发送的信号为1”，“接收到的信号为1”.由题意得 (1) (2) 1.7.2013 现在我们应用全概率公式。将每台机器的产量占比（即原因发生的概率）乘以其对应的次品率（即该原因下结果发生的概率），然后相加。计算结果是0.041，也就是4.1%。这就是整个车间的总体次品率。这里留一个问题，如果我们已经拿到了一件次品，想知道它更可能是哪台机器生产的，这个问题我们下节课再探讨。 ‹#› 课堂练习 问题描述 某射击小组有甲、乙、丙三名射手，命中率分别为 0.8、0.7、0.6。现随机选派一名射手射击一次，求命中目标的概率。 解题思路提示 设事件 A =“命中目标”，事件 B₁,B₂,B₃ 分别表示“选到甲、乙、丙射手” 1.7.2013 现在轮到大家动手练习了。这是一个射击问题，三名射手命中率不同，随机选一人射击，求命中的概率。这道题和我们刚才讲的例题非常相似，请大家尝试用全概率公式来解决它。 ‹#› 练习解答 01 / 已知条件 由于随机选派，选中每个人的概率均等： P(B₁)=P(B₂)=P(B₃)= 各自的射击命中率（条件概率）： P(A|B₁)=0.8,P(A|B₂)=0.7,P(A|B₃)=0.6 02 / 全概率公式计算 代入全概率公式进行展开： P(A) = Σ P(Bᵢ)·P(A|Bᵢ) 计算过程： = (0.8+0.7+0.6) =0.7 03 / 最终答案 0.7 全概率公式计算结果 即目标事件发生的总概率 1.7.2013 我们来核对一下答案。因为是随机选派，所以选中每个人的概率都是1/3。然后分别乘以他们的命中率，相加得到总和是2.1，再除以3，最终结果是0.7。大家都做对了吗？ ‹#› 归纳总结 · 全概率公式要点 01 / 使用前提 核心在于找到样本空间的一个划分，这是应用全概率公式的先决条件。 02 / 核心思想 将复杂的未知事件概率，分解为若干个简单、互斥的子情况进行计算，最后加权求和。 03 / 标准步骤 ① 确定样本空间划分； ② 计算先验概率 和条件概率 ； ③ 代入公式 04 / 记忆口诀 “全概率，分情况，加权和” 十二个字概括了公式的核心逻辑，便于快速记忆。 1.7.2013 好了，我们来总结一下今天学习的全概率公式。首先，使用它的前提是要找到一个合适的样本空间划分。核心思想就是“分情况讨论，然后加权求和”。大家可以记住这个口诀：“全概率，分情况，加权和”，这能帮助我们快速掌握它的精髓。 ‹#› 公式对比 乘法公式 已知条件 P(A) , P(B|A) 求解目标 P(AB) 核心思想：由因求积 全概率公式 已知条件 划分, 求解目标 P(A) 核心思想：由因求果 贝叶斯公式 已知条件 , 求解目标 核心思想：由果溯因 1.7.2013 我们把今天学的全概率公式和之前学的乘法公式，以及即将学习的贝叶斯公式放在一起对比。乘法公式是“由因求积”，全概率公式是“由因求果”，而贝叶斯公式则是“由果溯因”，它们三者紧密相连，共同构成了概率论的基础。 ‹#› 课后作业 教材习题 完成教材 P. 52 页 练习 1、2、3 题 1.7.2013 课后请大家完成教材上的练习题，巩固今天所学。同时，思考一下我们在例1中留下的那个问题：如果已知拿到了次品，它来自甲机器的概率是多少？这个问题的答案，就藏在下一节我们要学习的贝叶斯公式里，请大家提前预习。 ‹#› $