全概率与贝叶斯公式课件-2027届高三数学一轮复习

教AI案例类型：微视频教学案例 全概率公式与贝叶斯公式 ——“迭代认知，动态观世”的智慧 —— 主讲人：何春花 学校名称：拉萨市第四高级中学 1.7.2013 同学们好，欢迎来到今天的数学课堂。今天我们将一起探索概率论中两个非常核心且强大的工具——全概率公式与贝叶斯公式。这两个公式不仅是高考的重点，更是帮助我们从“由因求果”的正向思维，跨越到“由果溯因”的逆向智慧的桥梁。让我们一起开启今天的学习之旅。 ‹#› 课程 目录 一、全概率公式 —— “由因求果” 二、贝叶斯公式 —— “由果溯因” 三、综合应用与拓展 四、高考真题精讲 01 02 03 04 1.7.2013 本节课我们将遵循以下学习路径。首先，我们会通过身边的例子回顾条件概率。接着，我们将深入学习全概率公式，掌握“由因求果”的思维方法。然后，我们将挑战贝叶斯公式，学习“由果溯因”的逆向推理。之后，我们会通过综合案例和高考真题来巩固所学。最后，进行总结归纳，帮助大家彻底掌握这两个重要公式。 ‹#› 情境引入 SITUATION DEEPENING 02 / 核心问题 求：(1)已知这天是晴天，这天不刮风概率是多少? (2)拉萨春季任意一天刮风的总概率。 (3)已知这天早晚刮风，则这天是晴天的概率是多少？ 03 / 逻辑分析 “刮风 (B)” 这一结果不是凭空产生的。它的发生，必然是由其前置的原因关联的。 即：要么是“晴天()”刮风，要么是“多云()”导致了刮风。 P(B) = 两类路径概率之和 拉萨春季任意一天，晴天概率P()=0.6，多云概率P() = 0.4；晴天时刮风的概率为P()=0.2, 多云时刮风的概率为P()=0.5。 01 / 已知信息 1.7.2013 好，掌握了条件概率，我们来看一个新的情境：美丽的拉萨。我们知道春季拉萨要么晴天要么多云，并且知道这两种天气各自的概率，以及在这两种天气下刮风的可能性。现在的问题是，我们想知道在拉萨春天随便挑一天，刮风和的总概率是多少？这个问题，就需要我们今天的第一个主角——全概率公式来解决了。 ‹#› 一、全概率公式详解 概率统计 · 基础 01 / 公式定义 若事件A₁, A₂, ..., Aₙ是样本空间 Ω 的一个划分（完备事件组），则对任意事件B有： P(B) = 注：即所有互斥的“原因”导致结果发生的概率之和。 02 / 核心思想：由因求果 一个结果B的发生，往往不是由单一原因引起的，而是多种互斥的“路径”（原因）共同导致的。 我们需要： 1. 找到所有可能导致结果的原因 (..) 2. 计算每种原因发生的先验概率 P() 3. 计算该原因下结果发生的条件概率P ( 4. 将所有路径概率求和得到总概率 思路 梳理 1.7.2013 全概率公式的核心思想是“由因求果”。当我们知道所有可能的原因，以及每个原因导致结果的可能性时，就可以用它来计算结果发生的总概率。它的公式就是把所有原因路径上的概率都加起来。在这个例子中，我们把“晴天且刮风”和“多云且刮风”的概率相加，就得到了刮风的总概率0.32。 ‹#› 二、贝叶斯公式详解 概率论 · 核心公式 01 / 公式定义 在全概率公式的条件下，对于任意一个原因Aᵢ，其贝叶斯公式为： = 其中： P(Aᵢ) 为先验概率，P(Aᵢ|B) 为后验概率，P(B) 为全概率，P(Aᵢ|B) 为后验概率。 02 / 核心思想：由果溯因 贝叶斯公式解决的是“逆向概率”问题。 它允许我们在已知“结果 B”已经发生的条件下，去回溯并计算造成这个结果的“原因Aᵢ”发生的概率，从而判断哪一个原因的可能性最大。 “观察到现象，推测背后的原因” 03 /Ai赋能教学： 拉萨春季任意一天，晴天概率P()=0.6，多云概率P()=0.4；晴天时刮风的概率为P()=0.2, 多云时刮风的概率为P()=0.5。 求：1.已知这天是晴天，这天不刮风概率是多少? 2.拉萨春季任意一天早晚刮风的总概率。 3.已知这天早晚刮风，则这天是晴天的概率是多少？ 编写交互式树状图HTML代码可以辅助学生学生更好的理解全概率和贝叶斯公式，问题1，2，3的结果在我点击鼠标后分三次出现。 1.7.2013 贝叶斯公式的核心思想是“由果溯因”。它帮助我们在结果发生后，判断哪个原因的可能性最大。它的公式是，某个原因的后验概率，等于这个原因的先验概率乘以对应的似然，再除以结果发生的总概率。代入示例，我们算出结果B发生的条件下，原因A1导致的概率是3/8，也就是0.375。 ‹#› 案例 升级 案例升级：拉萨的夏天 📋 已知信息：先验与条件概率 现在我们进入了夏季，拉萨的夏季相对多雨,天气分为三类：​晴天，多云，雨天.已知：P()=0.3,P()=0.3,P()=0.4 .不同天气下刮风的条件概率为：P()=0.2,P()=0.5,P()=0.7 ❓ 求解概率问题 Q1：全概率公式应用 求拉萨夏季任意一天早晚“刮风”的总概率 P(B)。 Q2：贝叶斯公式应用 若某天刮风，求这天是“晴天”的概率。 1.7.2013 我们把案例升级一下，看看拉萨的夏天。天气多了一个“雨天”的选项。现在有两个问题：第一，求夏季刮风的总概率；第二，已知刮风了，求是晴天的概率。这两个问题分别对应全概率公式和贝叶斯公式的应用，大家可以先自己思考一下。 ‹#› 一、案例升级：概率计算解答 课堂解析 问题1：全概率公式 (求总刮风概率 P(B)) 公式： 代入数值计算： = (0.3 × 0.2) + (0.3 × 0.5) + (0.4 × 0.7) = 0.06 + 0.15 + 0.28 = 0.49 问题2：贝叶斯公式 (已知刮风求晴天概率 公式： =代入数值计算： = (0.3 × 0.2) / 0.49 = 0.06 / 0.49 ≈ 0.122 (12.2%) 1.7.2013 我们来公布答案。第一问，求总概率，用全概率公式，把三种天气下刮风的概率都加起来，结果是0.49。第二问，已知刮风求晴天概率，用贝叶斯公式，分子是“晴天且刮风”的概率，分母是刚刚算出的总概率0.49，结果约等于0.122。大家都算对了吗？ ‹#› 例题探究 大数据的秘密 丹增平时喜欢在抖音上看赛马视频。平台根据他的历史数据，推测他真正喜欢赛马类视频的先验概率是 40%。如果丹增真正喜欢赛马视频，他完整看完一条赛马视频的概率是 90%。如果他不喜欢赛马视频（只是偶然刷到），他也会完整看完的概率是 20%（比如画面很精彩，或者没来得及划走）。问题： 1.丹增今天刷到一条赛马视频，他完整地看完了。请问：在这一行为发生后，他真正喜欢赛马视频的概率变成了多少？（后验概率） 三、综合应用与拓展 1.7.2013 我们把案例升级一下，看看拉萨的夏天。天气多了一个“雨天”的选项。现在有两个问题：第一，求夏季刮风的总概率；第二，已知刮风了，求是晴天的概率。这两个问题分别对应全概率公式和贝叶斯公式的应用，大家可以先自己思考一下。 ‹#› 前沿 应用 AI推荐算法：抖音如何判断丹增同学是否喜欢赛马视频？ 🎯 先验概率 P(A) 平台基于历史数据猜测： 你喜欢赛马视频的初始概率为40% (0.4)。 📊 关键条件概率 • P(B|A) = 90% (喜欢则看完) • P(B|Ā) = 20% (不喜欢也看完) ✨ 新证据 (B发生) 你在抖音上，完整看完了一条关于赛马的视频，这是关键的新数据输入。 🧮 贝叶斯更新：后验概率 P(A|B) 计算: (0.4 × 0.9) / [(0.4 × 0.9) + (0.6 × 0.2)] = 0.36 / 0.48 =75% 结论: 看完视频后，平台对你喜欢赛马的判断概率从40%飙升至75%，随即增加同类推荐。 1.7.2013 贝叶斯公式不仅在数学题里有用，在人工智能领域也有广泛应用。比如抖音的推荐算法，它会根据你的行为不断更新对你的兴趣判断。一开始，它猜测你喜欢赛马视频的概率是40%。当它看到你完整看完了一条视频后，就会用贝叶斯公式更新这个概率，计算出你喜欢赛马视频的概率提升到了75%，于是给你推荐更多相关内容。 ‹#› 例题探究 大数据的秘密 问题二：如果丹增后续又对这条视频点了“赞”，而喜欢赛马视频的用户点赞的概率是 70%，不喜欢的用户点赞的概率只有 5%。那么在“看完 + 点赞”这两个证据下，他喜欢赛马视频的概率又是多少？ 解答：全概率计算 (丹增的点赞概率） (0.7 × 0.75) + (0.05 × 0.25) = 0.525 + 0.0125= 0.5375 (53.75%) 最终结果： 0.7 × 0.75/ 0.5375= 0.525 / 0.5375 ≈0.9767 1.7.2013 我们把案例升级一下，看看拉萨的夏天。天气多了一个“雨天”的选项。现在有两个问题：第一，求夏季刮风的总概率；第二，已知刮风了，求是晴天的概率。这两个问题分别对应全概率公式和贝叶斯公式的应用，大家可以先自己思考一下。 ‹#› 前沿 应用 AI其他应用 AI一开始不知道一封邮件是不是垃圾邮件；先大概猜：50%是垃圾邮件（先验）； 然后看关键词：“中奖、刷单、转账、免费领”；用贝叶斯更新概率：关键词越多，判定垃圾邮件概率越高。 这就是朴素贝叶斯算法，最早用来做AI分类。 🎯 垃圾邮件识别（最经典） 📊 语音识别、输入法联想： 你说一句话，AI先猜可能是什么字；输入下一个拼音或听到下一个读音，用贝叶斯更新概率，选出最可能的词。比如打“tian qi”，AI根据上下文，优先给“天气”而不是“田七”。 ✨ 阿尔法围棋系列 它依托海量人类棋谱训练，战胜世界围棋顶尖棋手。升级版阿尔法更是依靠强化学习自我博弈，几天内便完胜旧版本，还探索出全新围棋战法。这类智能系统也标志着人工智能迈入大数据、大计算、大决策的新时代，贝叶斯方法更是在前沿科技中发挥重要作用。 1.7.2013 贝叶斯公式不仅在数学题里有用，在人工智能领域也有广泛应用。比如抖音的推荐算法，它会根据你的行为不断更新对你的兴趣判断。一开始，它猜测你喜欢赛马视频的概率是40%。当它看到你完整看完了一条视频后，就会用贝叶斯公式更新这个概率，计算出你喜欢赛马视频的概率提升到了75%，于是给你推荐更多相关内容。 ‹#› 何老师寄语： 就像贝叶斯公式一样会根据新信息修正判断，不必被当下的现状定义自己，持续努力、不断进步，接纳成长，在持续改变中遇见更好的自己。 1.7.2013 理论学完了，我们来看一道高考真题。这是一个关于医疗诊断的问题。题目给出了人群中卫生习惯好坏的比例，以及在不同卫生习惯下患病的概率。第一问，求随机抽一个人患病的概率，这是全概率公式的典型应用场景。第二问，已知一个人患病了，求他卫生习惯良好的概率，这是典型的条件概率问题，需要用到贝叶斯公式来解决。大家可以先自己在草稿纸上尝试算一下。 ‹#› 高考链接 01 真题改编：某医疗团队研究发现，某地居民卫生习惯良好的概率为 0.6，不够良好的概率为 0.4。已知卫生习惯良好的人患某种地方病的概率为 0.05，卫生习惯不够良好的人患该病的概率为 0.3。 (1) 全概率公式应用：求从当地人群中随机抽取一人，此人患该疾病的概率。 (2) 贝叶斯公式应用：从当地人群中随机抽取一人，已知此人患该疾病，求此人卫生习惯良好的概率。 四、高考直通车 1.7.2013 理论学完了，我们来看一道高考真题。这是一个关于医疗诊断的问题。题目给出了人群中卫生习惯好坏的比例，以及在不同卫生习惯下患病的概率。第一问，求随机抽一个人患病的概率，这是全概率公式的典型应用场景。第二问，已知一个人患病了，求他卫生习惯良好的概率，这是典型的条件概率问题，需要用到贝叶斯公式来解决。大家可以先自己在草稿纸上尝试算一下。 ‹#› 一、高考链接 1：解答 全概率 & 贝叶斯 01. 求解患该疾病的总概率 (全概率公式) 设事件A₁为“习惯良好”，A₂为“习惯不好”，B为“患病”。 公式：P(B) = P(A₁)P(B|A₁) + P(A₂)P(B|A₂) 代入数值：P(B) = (0.6 × 0.05) + (0.4 × 0.3) 计算过程：0.03 + 0.12 =0.15 02. 已知患病条件下，习惯良好的概率 (贝叶斯公式) 求在事件B发生的条件下，事件A₁发生的概率。 公式：P(A₁|B) = [P(A₁)P(B|A₁)] / P(B) 代入数值：P(A₁|B) = (0.6 × 0.05) / 0.15 计算过程：0.03 / 0.15 =0.2 (即20%) 1.7.2013 我们来一步步解答。第一问，求患病的总概率，用全概率公式，把“习惯良好患病”和“习惯不好患病”的概率加起来，结果是0.15。第二问，已知患病求习惯良好的概率，用贝叶斯公式，分子是“习惯良好且患病”的概率，分母是第一问算出的总概率0.15，结果是0.2。这个结果告诉我们，在患病的人群中，只有20%的人卫生习惯是好的。 ‹#› 高考链接 2 📝 高考真题：甲、乙两人投篮，规则是命中则继续投，未命中则换对方。甲命中率0.6，乙命中率0.8。第一次投篮由抽签决定，甲、乙被选中概率各为0.5。求：第2次投篮的人是乙的概率。 💡 分析思路： 事件“第2次是乙投篮”可拆解为两个互斥事件之和： ① 第1次甲投，且甲未命中 (概率为 0.5 × (1-0.6))； ② 第1次乙投，且乙命中 (概率为 0.5 × 0.8)。 ✍️ 全概率公式解答： P(第2次为乙) = P(甲₁)·P(未中|甲₁) + P(乙₁)·P(命中|乙₁) = 0.5 × (1-0.6) + 0.5 × 0.8 = (0.5 × 0.4) + (0.5 × 0.8) = 0.2 + 0.4 =0.6 1.7.2013 再来看一道高考题，这是一个投篮问题。规则有点复杂，但核心是求第二次投篮的人是乙的概率。大家思考一下，第二次是乙投，有几种可能的情况？对，有两种：要么第一次甲投但没中，换乙；要么第一次就是乙投并且命中了，继续投。这是一个典型的“由因求果”问题，用全概率公式计算，结果是0.6。 ‹#› 一、总结与回顾 课程小结 全概率公式 · 由因求果 🎯 核心目标：计算一个复杂结果发生的总概率 P(B)。 📝 数学表达： P(B) = Σ P(Aᵢ) · P(B | Aᵢ) 注：需将样本空间划分为互斥且完备的事件组 {Aᵢ}。 贝叶斯公式 · 由果溯因 🎯 核心目标：结果发生后，推断是由某个原因引起的概率 P(Aᵢ|B)。 📝 数学表达： P(Aᵢ|B) = [P(Aᵢ)P(B|Aᵢ)] / P(B) 注：分母是全概率公式，本质是条件概率的变形。 💡 解题五步法 1. 审题理解➜2. 事件建模➜3. 判断模型➜4. 分步计算➜5. 规范作答 关键：区分“因”与“果”，明确已知条件与求解目标。 1.7.2013 好了，我们来总结一下今天的课程。全概率公式是“由因求果”，用来计算结果的总概率；贝叶斯公式是“由果溯因”，用来在结果发生后反推原因的概率。解题时，我们要遵循审题、建模、判断、计算、作答这五个步骤，确保思路清晰，计算准确。 ‹#› 教AI案例类型：微视频教学案例 数学是思维的体操 愿你在概率的世界里，既能洞察因果，也能明辨是非。 感谢聆听！ 1.7.2013 最后，我想说，数学是思维的体操。希望通过今天的学习，大家不仅掌握了两个重要的公式，更能体会到其中蕴含的逻辑与智慧。愿你们在概率的世界里，既能洞察因果，也能明辨是非。今天的课就到这里，感谢大家的聆听！ ‹#› $