Bài học

Đề luyện: Xác suất có điều kiện và công thức Bayes

Mục tiêu bài học

Sau bài này, em giải được một đề luyện tổng hợp về xác suất có điều kiện, công thức xác suất toàn phần và công thức Bayes, dưới cả ba định dạng câu hỏi của đề 2025.

Kiến thức nền cần nhớ

Khoá Xác suất có điều kiện và công thức Bayes đã dạy em: $P(A\mid B)=\dfrac{P(A\cap B)}{P(B)}$ ; công thức nhân $P(A\cap B)=P(B)\cdot P(A\mid B)$ ; kiểm tra hai biến cố độc lập bằng cách so sánh $P(A\mid B)$ với $P(A)$ ; công thức xác suất toàn phần $P(A)=\sum_i P(B_i)\cdot P(A\mid B_i)$ khi các $B_i$ tạo thành một phép chia mẫu; và công thức Bayes $P(B_i\mid A)=\dfrac{P(B_i)\cdot P(A\mid B_i)}{\sum_j P(B_j)\cdot P(A\mid B_j)}$ để suy luận ngược từ kết quả quan sát về nguyên nhân. Bài này ghép các công thức đó vào ba tình huống thực tế.

Khoá Xác suất có điều kiện và công thức Bayes đã dạy em: $P(A\mid B)=\dfrac{P(A\cap B)}{P(B)}$; công thức nhân $P(A\cap B)=P(B)\cdot P(A\mid B)$; kiểm tra hai biến cố độc lập bằng cách so sánh $P(A\mid B)$ với $P(A)$; công thức xác suất toàn phần $P(A)=\sum_i P(B_i)\cdot P(A\mid B_i)$ khi các $B_i$ tạo thành một phép chia mẫu; và công thức Bayes $P(B_i\mid A)=\dfrac{P(B_i)\cdot P(A\mid B_i)}{\sum_j P(B_j)\cdot P(A\mid B_j)}$ để suy luận ngược từ kết quả quan sát về nguyên nhân. Bài này ghép các công thức đó vào ba tình huống thực tế.

Khởi động

Một xét nghiệm y tế cho kết quả dương tính. Xét nghiệm này đúng $95\%$ khi người thực sự mắc bệnh, và chỉ báo sai (dương tính giả) $5\%$ khi người không mắc bệnh. Nếu bệnh chỉ chiếm $1\%$ dân số, khả năng người có kết quả dương tính THỰC SỰ mắc bệnh là bao nhiêu — có cao như trực giác nghĩ không?

Từ bảng hai chiều đến suy luận ngược bằng Bayes

Với một bảng hai chiều (ví dụ có ôn tập/không ôn tập và đậu/rớt), xác suất có điều kiện $P(\text{đậu}\mid\text{ôn tập})$ chỉ đơn giản là tỉ lệ đậu TRONG nhóm đã ôn tập, không phải trong toàn bộ mẫu — đây là điểm khác biệt cốt lõi so với xác suất thông thường $P(\text{đậu})$ . Kiểm tra độc lập bằng cách so $P(\text{đậu}\mid\text{ôn tập})$ với $P(\text{đậu})$ : nếu bằng nhau, việc ôn tập không ảnh hưởng đến khả năng đậu; nếu khác nhau, hai biến cố phụ thuộc nhau.

Với một bảng hai chiều (ví dụ có ôn tập/không ôn tập và đậu/rớt), xác suất có điều kiện $P(\text{đậu}\mid\text{ôn tập})$ chỉ đơn giản là tỉ lệ đậu TRONG nhóm đã ôn tập, không phải trong toàn bộ mẫu — đây là điểm khác biệt cốt lõi so với xác suất thông thường $P(\text{đậu})$. Kiểm tra độc lập bằng cách so $P(\text{đậu}\mid\text{ôn tập})$ với $P(\text{đậu})$: nếu bằng nhau, việc ôn tập không ảnh hưởng đến khả năng đậu; nếu khác nhau, hai biến cố phụ thuộc nhau.

Công thức xác suất toàn phần và Bayes cùng mô tả một tình huống hai giai đoạn: trước tiên tự nhiên "chọn" một nguyên nhân $B_i$ (nhà máy nào sản xuất, bệnh nhân có bệnh hay không) theo xác suất tiên nghiệm $P(B_i)$ , sau đó kết quả quan sát $A$ (sản phẩm lỗi, xét nghiệm dương tính) xảy ra theo xác suất $P(A\mid B_i)$ . Xác suất toàn phần cộng dồn theo TẤT CẢ nguyên nhân để có $P(A)$ ; Bayes đảo ngược lại, hỏi trong số các trường hợp có kết quả $A$ , tỉ lệ nào thực sự đến từ nguyên nhân $B_i$ . Điều bất ngờ ở ví dụ y tế phía trên: dù xét nghiệm khá chính xác ( $95\%$ ), vì bệnh rất hiếm ( $1\%$ ) nên trong số mọi người có kết quả dương tính, phần lớn vẫn là dương tính giả — xác suất thực sự mắc bệnh thấp hơn nhiều so với trực giác "xét nghiệm dương tính thì chắc bị bệnh".

Công thức xác suất toàn phần và Bayes cùng mô tả một tình huống hai giai đoạn: trước tiên tự nhiên "chọn" một nguyên nhân $B_i$ (nhà máy nào sản xuất, bệnh nhân có bệnh hay không) theo xác suất tiên nghiệm $P(B_i)$, sau đó kết quả quan sát $A$ (sản phẩm lỗi, xét nghiệm dương tính) xảy ra theo xác suất $P(A\mid B_i)$. Xác suất toàn phần cộng dồn theo TẤT CẢ nguyên nhân để có $P(A)$; Bayes đảo ngược lại, hỏi trong số các trường hợp có kết quả $A$, tỉ lệ nào thực sự đến từ nguyên nhân $B_i$. Điều bất ngờ ở ví dụ y tế phía trên: dù xét nghiệm khá chính xác ($95\%$), vì bệnh rất hiếm ($1\%$) nên trong số mọi người có kết quả dương tính, phần lớn vẫn là dương tính giả — xác suất thực sự mắc bệnh thấp hơn nhiều so với trực giác "xét nghiệm dương tính thì chắc bị bệnh".

Quy trình suy luận ngược bằng công thức Bayes.

Ví dụ

Xác suất có điều kiện và kiểm tra độc lập từ bảng hai chiều

1
Khảo sát 100 học sinh: trong nhóm 60 học sinh có ôn tập, 45 bạn đậu và 15 bạn rớt; trong nhóm 40 học sinh không ôn tập, 10 bạn đậu và 30 bạn rớt. Tính $P(\text{đậu}\mid\text{ôn tập})$ , kiểm tra công thức nhân, và xét xem "ôn tập" và "đậu" có độc lập không.
Khảo sát 100 học sinh: trong nhóm 60 học sinh có ôn tập, 45 bạn đậu và 15 bạn rớt; trong nhóm 40 học sinh không ôn tập, 10 bạn đậu và 30 bạn rớt. Tính $P(\text{đậu}\mid\text{ôn tập})$, kiểm tra công thức nhân, và xét xem "ôn tập" và "đậu" có độc lập không.
2
$P(\text{đậu}\mid\text{ôn tập})=\dfrac{45}{60}=0{,}75$ .
$P(\text{đậu}\mid\text{ôn tập})=\dfrac{45}{60}=0{,}75$.
3
$P(\text{ôn tập}\cap\text{đậu})=\dfrac{45}{100}=0{,}45$ . Mặt khác $P(\text{ôn tập})\cdot P(\text{đậu}\mid\text{ôn tập})=0{,}6\times0{,}75=0{,}45$ — khớp với công thức nhân.
$P(\text{ôn tập}\cap\text{đậu})=\dfrac{45}{100}=0{,}45$. Mặt khác $P(\text{ôn tập})\cdot P(\text{đậu}\mid\text{ôn tập})=0{,}6\times0{,}75=0{,}45$ — khớp với công thức nhân.
4
$P(\text{đậu})=\dfrac{45+10}{100}=\dfrac{55}{100}=0{,}55$ .
$P(\text{đậu})=\dfrac{45+10}{100}=\dfrac{55}{100}=0{,}55$.
5
Vì $P(\text{đậu}\mid\text{ôn tập})=0{,}75\ne0{,}55=P(\text{đậu})$ , hai biến cố "ôn tập" và "đậu" KHÔNG độc lập — ôn tập làm tăng đáng kể khả năng đậu.
Vì $P(\text{đậu}\mid\text{ôn tập})=0{,}75\ne0{,}55=P(\text{đậu})$, hai biến cố "ôn tập" và "đậu" KHÔNG độc lập — ôn tập làm tăng đáng kể khả năng đậu.
6
Có thể tính lại $P(\text{đậu})$ bằng công thức xác suất toàn phần với hai nguyên nhân "ôn tập" và "không ôn tập": $P(\text{đậu})=P(\text{ôn tập})P(\text{đậu}\mid\text{ôn tập})+P(\text{không ôn tập})P(\text{đậu}\mid\text{không ôn tập})=0{,}6(0{,}75)+0{,}4(0{,}25)=0{,}45+0{,}1=0{,}55$ — khớp đúng với $0{,}55$ tính trực tiếp từ bảng, xác nhận không có sai sót.
Có thể tính lại $P(\text{đậu})$ bằng công thức xác suất toàn phần với hai nguyên nhân "ôn tập" và "không ôn tập": $P(\text{đậu})=P(\text{ôn tập})P(\text{đậu}\mid\text{ôn tập})+P(\text{không ôn tập})P(\text{đậu}\mid\text{không ôn tập})=0{,}6(0{,}75)+0{,}4(0{,}25)=0{,}45+0{,}1=0{,}55$ — khớp đúng với $0{,}55$ tính trực tiếp từ bảng, xác nhận không có sai sót.

Ví dụ

Xác suất toàn phần và Bayes: hai nhà máy cùng cung ứng

1
Một kho hàng nhận $60\%$ sản phẩm từ nhà máy A (tỉ lệ lỗi $2\%$ ) và $40\%$ từ nhà máy B (tỉ lệ lỗi $5\%$ ). Lấy ngẫu nhiên một sản phẩm. Tính xác suất sản phẩm đó bị lỗi, và nếu biết sản phẩm bị lỗi, tính xác suất nó đến từ nhà máy A.
Một kho hàng nhận $60\%$ sản phẩm từ nhà máy A (tỉ lệ lỗi $2\%$) và $40\%$ từ nhà máy B (tỉ lệ lỗi $5\%$). Lấy ngẫu nhiên một sản phẩm. Tính xác suất sản phẩm đó bị lỗi, và nếu biết sản phẩm bị lỗi, tính xác suất nó đến từ nhà máy A.
2
$P(\text{lỗi})=P(A)P(\text{lỗi}\mid A)+P(B)P(\text{lỗi}\mid B)=0{,}6\times0{,}02+0{,}4\times0{,}05=0{,}012+0{,}02=0{,}032$ .
$P(\text{lỗi})=P(A)P(\text{lỗi}\mid A)+P(B)P(\text{lỗi}\mid B)=0{,}6\times0{,}02+0{,}4\times0{,}05=0{,}012+0{,}02=0{,}032$.
3
$P(A\mid\text{lỗi})=\dfrac{P(A)P(\text{lỗi}\mid A)}{P(\text{lỗi})}=\dfrac{0{,}012}{0{,}032}=0{,}375$ .
$P(A\mid\text{lỗi})=\dfrac{P(A)P(\text{lỗi}\mid A)}{P(\text{lỗi})}=\dfrac{0{,}012}{0{,}032}=0{,}375$.
4
Xác suất sản phẩm bị lỗi là $0{,}032$ (tức $3{,}2\%$ ), và nếu biết sản phẩm bị lỗi, xác suất nó đến từ nhà máy A là $0{,}375$ (tức $37{,}5\%$ ).
Xác suất sản phẩm bị lỗi là $0{,}032$ (tức $3{,}2\%$), và nếu biết sản phẩm bị lỗi, xác suất nó đến từ nhà máy A là $0{,}375$ (tức $37{,}5\%$).

Ví dụ

Bayes trong y tế: vì sao một kết quả dương tính không đồng nghĩa chắc chắn mắc bệnh

1
Một bệnh có tỉ lệ mắc trong dân số là $1\%$ . Xét nghiệm cho kết quả dương tính đúng $95\%$ ở người có bệnh, và cho dương tính giả $5\%$ ở người không có bệnh. Một người có kết quả dương tính. Tính xác suất người đó thực sự mắc bệnh.
Một bệnh có tỉ lệ mắc trong dân số là $1\%$. Xét nghiệm cho kết quả dương tính đúng $95\%$ ở người có bệnh, và cho dương tính giả $5\%$ ở người không có bệnh. Một người có kết quả dương tính. Tính xác suất người đó thực sự mắc bệnh.
2
$P(\text{bệnh})=0{,}01$ , $P(\text{không bệnh})=0{,}99$ . $P(\text{dương tính}\mid\text{bệnh})=0{,}95$ , $P(\text{dương tính}\mid\text{không bệnh})=0{,}05$ .
$P(\text{bệnh})=0{,}01$, $P(\text{không bệnh})=0{,}99$. $P(\text{dương tính}\mid\text{bệnh})=0{,}95$, $P(\text{dương tính}\mid\text{không bệnh})=0{,}05$.
3
$P(\text{dương tính})=0{,}01\times0{,}95+0{,}99\times0{,}05=0{,}0095+0{,}0495=0{,}059$ .
$P(\text{dương tính})=0{,}01\times0{,}95+0{,}99\times0{,}05=0{,}0095+0{,}0495=0{,}059$.
4
$P(\text{bệnh}\mid\text{dương tính})=\dfrac{0{,}0095}{0{,}059}\approx0{,}1610$ .
$P(\text{bệnh}\mid\text{dương tính})=\dfrac{0{,}0095}{0{,}059}\approx0{,}1610$.
5
Xác suất người có kết quả dương tính thực sự mắc bệnh chỉ khoảng $16{,}1\%$ — thấp hơn nhiều so với trực giác, vì bệnh quá hiếm ( $1\%$ ) nên phần lớn kết quả dương tính đến từ nhóm đông đảo người không mắc bệnh nhưng bị dương tính giả.
Xác suất người có kết quả dương tính thực sự mắc bệnh chỉ khoảng $16{,}1\%$ — thấp hơn nhiều so với trực giác, vì bệnh quá hiếm ($1\%$) nên phần lớn kết quả dương tính đến từ nhóm đông đảo người không mắc bệnh nhưng bị dương tính giả.

Một chi tiết dễ bỏ sót ở công thức xác suất toàn phần: các nguyên nhân $B_1,\ldots,B_n$ bắt buộc phải rời nhau đôi một VÀ hợp lại đúng bằng toàn bộ không gian mẫu — nếu bỏ sót một nguyên nhân có thể xảy ra (ví dụ quên một nhà máy thứ ba cũng cung ứng hàng), tổng $\sum_i P(B_i)$ sẽ nhỏ hơn $1$ và cả $P(A)$ lẫn mọi xác suất Bayes tính từ đó đều sai. Trước khi áp dụng công thức, luôn tự kiểm tra nhanh: liệt kê đủ mọi nguyên nhân chưa, và tổng xác suất tiên nghiệm của chúng có cộng lại đúng bằng $1$ hay không.

Luyện tập có hướng dẫn

Luyện tập độc lập

Sai lầm thường gặp

Sai lầm phổ biến nhất khi học Bayes: nhầm $P(\text{dương tính}\mid\text{bệnh})$ (xác suất xét nghiệm đúng khi đã biết có bệnh) với $P(\text{bệnh}\mid\text{dương tính})$ (xác suất thực sự có bệnh khi đã biết kết quả dương tính). Hai đại lượng này thường khác xa nhau, đặc biệt khi bệnh hiếm gặp — đây chính là lý do công thức Bayes tồn tại: để tính đúng đại lượng thứ hai từ đại lượng thứ nhất, chứ không đánh đồng hai chiều suy luận với nhau.

Tóm tắt

Xác suất có điều kiện đo lại xác suất trong PHẠM VI đã biết một biến cố xảy ra, và kiểm tra độc lập bằng cách so sánh nó với xác suất không điều kiện. Xác suất toàn phần cộng dồn qua mọi nguyên nhân để ra xác suất một kết quả; Bayes đảo ngược chiều suy luận đó, từ kết quả quan sát được về xác suất của từng nguyên nhân — công cụ này đặc biệt quan trọng khi nguyên nhân hiếm gặp, nơi trực giác thường đánh giá sai. Luôn kiểm tra lại bằng công thức toàn phần hoặc bằng biến cố đối trước khi chốt một đáp số Bayes — một phép cộng sai ở bước xác suất toàn phần sẽ kéo theo sai toàn bộ kết quả Bayes phía sau, dù công thức Bayes áp dụng ở bước cuối hoàn toàn chính xác.

Chương cuối cùng luyện hai đề tổng hợp trọn vẹn, gộp lại tất cả các mạch kiến thức đã ôn qua chín bài học trước, đúng cấu trúc và cách chấm của đề thi tốt nghiệp THPT 2025 thật — bước cuối cùng trước khi em bước vào phòng thi.