事件的独立性与贝叶斯公式——独立与依赖的辨别

从一个朴素的问题开始

你在玩一个游戏：抛一枚硬币，如果正面朝上，就从袋子里摸一个球；如果反面朝上，就不摸。袋子里有 3 个红球、2 个白球。

问题是：硬币的结果和摸球的結果，这两个事件「独立」吗？

你可能有点懵：这有什么关系吗？其实，这个问题的背后是一个非常重要的概念——独立性。它在概率论中的地位，就像「平行」在几何中的地位一样基础。

独立性的定义

两个事件 $A$ 和 $B$ 是独立的，如果满足：

$$P(AB) = P(A) \cdot P(B) \qquad (1)$$

也就是说，$A$ 和 $B$ 同时发生的概率，等于各自概率的乘积。

这个定义看起来很简洁，但它的含义很深刻：一个事件的发生，完全不影响另一个事件发生的概率。

用条件概率的语言来说：$A$ 和 $B$ 独立，当且仅当 $P(B \mid A) = P(B)$（在已知 $A$ 发生的条件下，$B$ 发生的概率不变）。换句话说，$A$ 的信息对 $B$ 毫无影响。

独立性的例子

独立的例子：抛一枚硬币和掷一枚骰子。令 $A$ =「硬币正面朝上」，$B$ =「骰子出现 6 点」。这两个事件显然是独立的——硬币的结果不会影响骰子的结果。验证：$P(A) = \dfrac{1}{2}$，$P(B) = \dfrac{1}{6}$，$P(AB) = \dfrac{1}{12}$，确实满足 $P(AB) = P(A)P(B)$。

不独立的例子：从一副扑克牌中不放回地抽两张。令 $A$ =「第一张是红桃 A」，$B$ =「第二张是红桃 A」。$P(A) = \dfrac{1}{52}$，$P(B) = \dfrac{1}{52}$，但 $P(AB) = \dfrac{1}{52} \times \dfrac{0}{51} = 0$（第一张已经是红桃 A 了，第二张不可能是红桃 A）。显然 $P(AB) \ne P(A)P(B)$，两个事件不独立。

示意图

深入理解

独立 vs 互斥：完全不同的两个概念

这是学生最容易混淆的两个概念。

互斥（互不相容）：两个事件不能同时发生，即 $AB = \varnothing$，$P(AB) = 0$。

独立：一个事件的发生不影响另一个事件发生的概率，即 $P(AB) = P(A)P(B)$。

这两个概念没有必然的联系：

• 两个事件互斥，不一定独立：比如掷骰子，$A$ =「出现 1 点」，$B$ =「出现 2 点」，$AB = \varnothing$，但 $P(A)P(B) = \dfrac{1}{36} \ne 0$，所以不独立。
• 两个事件独立，不一定互斥：比如抛两次硬币，$A$ =「第一次正面朝上」，$B$ =「第二次正面朝上」，$P(AB) = \dfrac{1}{4} = \dfrac{1}{2} \times \dfrac{1}{2} = P(A)P(B)$，相互独立；而且 $AB \ne \varnothing$，也不互斥。

一个重要的结论：如果 $P(A) > 0$，$P(B) > 0$，那么 $A$ 和 $B$ 互斥蕴含 $A$ 和 $B$ 不独立。反过来，$A$ 和 $B$ 独立，且 $P(A) > 0$，$P(B) > 0$，则 $A$ 和 $B$ 一定不互斥。

这说明：两个都有正概率的事件，不可能既互斥又独立。

多个事件的独立性

两个事件独立的概念很容易推广到多个事件。

三个事件 $A, B, C$ 两两独立，是指：

$$P(AB) = P(A)P(B), \quad P(AC) = P(A)P(C), \quad P(BC) = P(B)P(C)$$

但两两独立不等于三个事件独立！三个事件独立还需要满足：

$$P(ABC) = P(A)P(B)P(C) \qquad (2)$$

这是一个常见的陷阱。举个经典的例子：

有一个正方体，六个面分别标上数字：1, 1, 1, 2, 2, 2。随机抛一次，观察向上的数字。令 $A$ =「1 朝上」，$B$ =「2 朝上」，$C$ =「数字是 1 或 2」。

$P(A) = P(B) = \dfrac{1}{2}$，$P(C) = 1$。

$P(AB) = 0$（1 和 2 不能同时朝上），但 $P(A)P(B) = \dfrac{1}{4}$，所以 $A$ 和 $B$ 不独立。

换一个更好的例子：

甲乙丙三人独立地向同一目标射击，命中率分别是 0.5, 0.6, 0.7。令 $A$ =「甲命中」，$B$ =「乙命中」，$C$ =「丙命中」。由于三人独立射击，所以 $A, B, C$ 两两独立，而且 $P(ABC) = 0.5 \times 0.6 \times 0.7 = 0.21 = P(A)P(B)P(C)$，所以它们也是相互独立的。

「相互独立」是我们最常用的情况：每个事件的发生都不影响其他事件的概率。

独立性在实际问题中的应用

独立性最常出现在重复试验的场景中：每次试验的结果不受之前结果的影响。

比如：掷一枚均匀的骰子，连续掷 5 次。令第 $i$ 次掷出的点数是 $X_i$，那么 $X_1, X_2, \ldots, X_5$ 是相互独立的随机变量。

再比如：一批产品有 10% 是次品，从中有放回地抽取 3 件，每件是否是次品是独立的；但如果是不放回抽取，各次结果就不独立了。

所以，独立性的关键是：每次试验是否在同样的条件下进行，前一次的结果是否影响了下一次的条件。

贝叶斯公式

条件概率和独立性介绍完后，我们来看条件概率最重要、也是最深刻的结论——贝叶斯公式。

设 $B_1, B_2, \ldots, B_n$ 是一个完备事件组，且 $P(B_i) > 0$（$i = 1, 2, \ldots, n$）。对任意事件 $A$，满足 $P(A) > 0$，则：

$$P(B_i \mid A) = \dfrac{P(A \mid B_i) \cdot P(B_i)}{\sum_{j=1}^{n} P(A \mid B_j) \cdot P(B_j)} \qquad (3)$$

这就是贝叶斯公式。它的形式可能看起来复杂，但含义非常直观。

贝叶斯公式的直观理解

贝叶斯公式解决的是这样一个问题：我们观测到一个现象 A，想知道造成这个现象的原因 $B_i$ 的可能性有多大。

公式中各个部分有特定的名称：

• $P(B_i)$：在观测到 A 之前，原因 $B_i$ 发生的概率——称为先验概率
• $P(A \mid B_i)$：如果原因 $B_i$ 发生，观测到现象 A 的概率——称为似然
• $P(B_i \mid A)$：观测到 A 之后，原因 $B_i$ 发生的概率——称为后验概率
• $P(A)$：现象 A 的总体概率——称为边缘概率，由全概率公式计算

贝叶斯公式的本质：用观测到的现象 A，反过来推断原因 $B_i$ 的可能性。

从公式的结构来看，后验概率 = 似然 × 先验 / 边缘概率。这就是说，我们修正对原因的信念时，既要考虑这个原因产生观测结果的可能性（似然），也要考虑这个原因本身原本就有多可能（先验）。

贝叶斯思想的日常应用

贝叶斯思想不仅用在数学题里，它在生活中无处不在：

• 医生的诊断：已知症状，推断疾病。症状是 A，疾病是 $B_i$，医生用贝叶斯式的思维更新对疾病的判断。
• 垃圾邮件过滤：邮件里出现某些词（A），邮件是垃圾邮件的概率（$P(\text{垃圾} \mid A)$）就提高了。
• 法庭判决：证据是 A，被告有罪是 $B$，陪审团根据证据更新对被告是否有罪的信念。

贝叶斯公式告诉我们一个深刻的道理：我们的信念应该是可以修正的。随着新信息的出现，我们应该不断调整自己的判断。 这不仅是概率论，更是一种思维方式。

用贝叶斯公式重做疾病检测

我们回到第 4 讲中的疾病检测问题。用贝叶斯公式直接写出：

$$P(D \mid T^+) = \dfrac{P(T^+ \mid D) \cdot P(D)}{P(T^+ \mid D) \cdot P(D) + P(T^+ \mid \bar{D}) \cdot P(\bar{D})} = \dfrac{0.99 \times 0.001}{0.99 \times 0.001 + 0.05 \times 0.999} \approx 0.0194$$

和之前的计算结果一样。但贝叶斯公式让我们看到了问题的结构：先验概率 $P(D) = 0.001$ 很小，虽然似然 $P(T^+ \mid D) = 0.99$ 很大，但假阳性率 $P(T^+ \mid \bar{D}) = 0.05$ 相对太高，导致后验概率仍然很低。

在高中数学体系里的位置

独立性是概率论的基础概念，贝叶斯公式是条件概率的深化应用，两者都是高考的重点内容。

思想延伸：独立性体现了「无记忆性」这一深刻思想——过去的结果不影响未来的概率。这在数学中反复出现（如马尔可夫链、指数分布等）。贝叶斯公式则体现了「用证据修正信念」的科学方法，是统计推断的核心思想。

运算练兵场：独立性和贝叶斯公式的题目，计算量适中，但需要准确判断哪些事件独立、如何划分完备事件组，是对逻辑思维的很好训练。

高考地位：独立性常以选择题形式出现（5 分），考查概念辨析；贝叶斯公式和全概率公式通常出现在解答题中（12 分），背景往往是医疗检测、产品质量、通信可靠性等实际应用问题。

易错点：

1. 混淆独立和互斥——这是最常见的错误，记住：独立是说「不影响」，互斥是说「不能共存」
2. 两两独立 $\ne$ 相互独立——三个及以上事件时，必须验证所有组合
3. 贝叶斯公式用错方向——搞不清谁是 $A$、谁是 $B_i$，先验和后验搞混

思考与拓展

1. 甲、乙两人独立解一道题，甲解出的概率是 0.6，乙解出的概率是 0.5。求这道题被解出的概率。
2. 三个元件串联成一个系统，每个元件正常工作的概率都是 0.9，且互相独立。求系统正常工作的概率。如果是并联呢？
3. 某公司有两个工厂生产同一种产品。工厂 A 的产量占总产量的 60%，次品率是 2%；工厂 B 的产量占 40%，次品率是 5%。从产品中随机取一件，发现是次品，问它来自工厂 A 的概率是多少？
4. 如果一个事件 $A$ 与自身独立，即 $P(AA) = P(A)P(A)$，那么 $P(A)$ 可能是多少？你能得出什么结论？

高考母题

（2023·上海） 21世纪汽车博览会在上海2023年6月7日在上海举行，下表为某汽车模型公司共有25个汽车模型，其外观和内饰的颜色分布如下表所示： 红色外观 蓝色外观 米色内饰 8 12 棕色内饰 2 3
(1)若小明从这些模型中随机拿一个模型，记事件A为小明取到的模型为红色外观，事件B取到模型有棕色内饰，求 $P\left ( { B } \right ),P\left ( { B\|A } \right )$ ，并据此判断事件A和事件B是否独立；
(2)为回馈客户，该公司举行了一个抽奖活动，并规定，在一次抽奖中，每人可以一次性抽取两个汽车模型。为了得到奖品类型，现作出如下假设： 假设1：每人抽取的两个模型会出现三种结果：
①两个模型的外观和内饰均为同色；
②两个模型的外观和内饰均为不同色；
③两个模型的外观同色但内饰不同色，或内饰同色但外观不同色。 假设2：该抽奖设置三类奖，奖金金额分别为：一等奖600元，二等奖300元，三等奖150元。 假设3：每种抽取的结果都对应一类奖。出现某种结果的概率越小，奖金金额越高。 请判断以上三种结果分别对应几等奖。设中奖的奖金数是 $X$ ，写出 $X$ 的分布，并求 $X$ 的数学期望。

展开详解

(1) $P(B)=\frac { 1 } { 5 },P(B\|A)=\frac { 1 } { 5 }$ ，事件 $A,B$ 相互独立；
(2)分布列见解析，271元. 【分析】
（1）根据给定数表，利用古典概率求出 $P(B),P(B\|A)$ ，再利用相互独立事件的定义判断作答.
（2）求出三种结果的概率，按给定的假设2，3确定奖金额与对应的概率列出分布列，求出期望作答.
（1）由给定的数表知， $P(B)=\frac { 2+3 } { 25 }=\frac { 1 } { 5 }$ ， $P(A)=\frac { 8+2 } { 25 }=\frac { 2 } { 5 }$ ， $P(B\|A)=\frac { 2 } { 10 }=\frac { 1 } { 5 }$ ， 而 $P(AB)=\frac { 2 } { 25 }=\frac { 2 } { 5 }×\frac { 1 } { 5 }=P(A)⋅P(B)$ ，因此事件 $A,B$ 相互独立， 所以 $P(B)=\frac { 1 } { 5 },P(B\|A)=\frac { 1 } { 5 }$ ，事件 $A,B$ 相互独立.
（2）设事件 $C$ ：外观和内饰均为同色，事件 $D$ ：外观内饰都异色，事件 $E$ ：仅外观或仅内饰同色， 依题意， $P(C)=\frac { { C }_{ 8 } ^{ 2 }+{ C }_{ 12 } ^{ 2 }+{ C }_{ 2 } ^{ 2 }+{ C }_{ 3 } ^{ 2 } } { { C }_{ 25 } ^{ 2 } }=\frac { 49 } { 150 }$ ； $P(D)=\frac { { C }_{ 8 } ^{ 1 }⋅{ C }_{ 3 } ^{ 1 }+{ C }_{ 12 } ^{ 1 }⋅{ C }_{ 2 } ^{ 1 } } { { C }_{ 25 } ^{ 2 } }=\frac { 24 } { 150 }=\frac { 4 } { 25 }$ ； $P(E)=\frac { { C }_{ 8 } ^{ 1 }⋅{ C }_{ 2 } ^{ 1 }+{ C }_{ 12 } ^{ 1 }⋅{ C }_{ 3 } ^{ 1 }+{ C }_{ 8 } ^{ 1 }⋅{ C }_{ 12 } ^{ 1 }+{ C }_{ 2 } ^{ 1 }⋅{ C }_{ 3 } ^{ 1 } } { { C }_{ 25 } ^{ 2 } }=\frac { 77 } { 150 }$ ，则 $P(E)>P(C)>P(D)$ ， 因此抽取的两个模型的外观和内饰均为不同色是一等奖；外观和内饰均为同色是二等奖； 外观同色但内饰不同色，或内饰同色但外观不同色是三等奖， 奖金额 $X$ 的可能值为： $600,300,150$ ， 奖金额 $X$ 的分布列： $X$ 600 300 150 $P$ $\frac { 4 } { 25 }$ $\frac { 49 } { 150 }$ $\frac { 77 } { 150 }$ 奖金额 $X$ 的期望 $E(X)=600×\frac { 4 } { 25 }+300×\frac { 49 } { 150 }+150×\frac { 77 } { 150 }=271$ （元）.

一句话总结

独立就是「互不影响」，贝叶斯就是「用结果反推原因」——把先验概率和似然结合起来，得到修正后的后验概率。