7.4 条件概率小例子

第1步：核心定义与典型场景

条件概率（Conditional Probability）通过具体例子最直观地体现其逻辑。以下通过疾病检测、抽奖问题、三门问题三个经典案例展开讲解。

---

第2步：疾病检测案例

背景（LaTeX格式）：

• 某病患病率 $P(D)=0.01$（1%）。
• 检测准确率 $P(T\mid D)=0.99$（真阳性率）。
• 假阳性率 $P(T\mid D^c)=0.05$（未患病者误检为阳性）。

问题：若检测结果为阳性，实际患病的概率 $P(D\mid T)$ 是多少？

数学推导（LaTeX公式）：

1. 贝叶斯定理：
   $$P(D\mid T)=\frac{P(T\mid D)P(D)}{P(T\mid D)P(D)+P(T\mid D^c)P(D^c)}$$
2. 代入数值：
   $$P(D\mid T)=\frac{0.99\times 0.01}{0.99\times 0.01+0.05\times 0.99}=\frac{0.0099}{0.0594}\approx 0.167$$

关键结论：

• 即使检测准确率高达99%，由于疾病本身罕见（1%），阳性结果中仅约16.7%是真阳性。

---

第3步：抽奖问题案例

背景（LaTeX格式）：

• 抽奖箱有 $n$ 个签，其中1个是中奖签。
• 甲先抽，乙后抽。

问题：谁的中奖概率更高？

数学推导（LaTeX公式）：

1. 甲的概率：
   $$P(A)=\frac{1}{n}$$
2. 乙的概率：
   $$P(B)=P(B\mid A)P(A)+P(B\mid A^c)P(A^c)$$
   • 若甲中奖（$A$），乙无法中奖：$P(B\mid A)=0$。
   • 若甲未中奖（$A^c$），乙中奖概率为 $\frac{1}{n-1}$：
     $$P(B)=0\times \frac{1}{n}+\frac{1}{n-1}\times \frac{n-1}{n}=\frac{1}{n}$$

关键结论：

• 先抽与后抽的概率相等（均为 $\frac{1}{n}$）。

---

第4步：三门问题案例

背景（LaTeX格式）：

• 三扇门：1扇后有奖，2扇为空。
• 选手选择1扇门后，主持人打开1扇空门，询问是否换门。

问题：换门是否更优？

数学推导（LaTeX公式）：

1. 初始选择正确概率：
   $$P(\text{选中奖})=\frac{1}{3}$$
2. 换门后的概率：
   • 若初始选择正确（概率 $\frac{1}{3}$），换门必输。
   • 若初始选择错误（概率 $\frac{2}{3}$），换门必赢。
     $$P(\text{换门赢})=\frac{2}{3}$$

关键结论：

• 换门的胜率从1/3提升到2/3，挑战直觉。

---

第5步：独立事件与条件概率

定义（LaTeX格式）：
若 $P(A\mid B)=P(A)$，则称 $A$ 与 $B$ 独立。此时：
$$P(A\cap B)=P(A)P(B)$$

示例：

• 独立事件：抛硬币两次，正反面互不影响。
• 非独立事件：从牌堆抽牌不放回，第二次抽到红心的概率依赖第一次结果。

---

第6步：哲学与方法论争议

争议点（LaTeX表格）：

问题	频率学派观点	贝叶斯学派观点
条件概率的客观性	基于重复试验的客观数据	基于主观信念的更新
零概率事件的条件概率	无定义	可通过极限逼近（如 $ϵ$-方法）

悖论与局限：

• 三门问题：直觉与数学结论冲突，需严格逻辑验证。
• 条件概率的非对称性：
  $$P(A\mid B)\ne P(B\mid A)$$
  需通过贝叶斯定理转换。

---

第7步：大白话解释

想象你参加一个抽奖活动：

1. 抽奖箱里有100个签，其中1个是中奖签。
2. 你抽了一个签但不看结果：此时中奖概率是1/100。
3. 主持人告诉你：“剩下的99个签中有98个是空签。”
   • 此时你的签中奖的概率还是1/100吗？
   • 答案：是的！因为主持人知道空签的位置，他的信息并未改变你的签的初始概率。