Định lý Bayes: Công thức xác suất đầy đủ, toàn phần và bài tập

Định lý Bayes là một trong những công cụ quan trọng nhất trong lý thuyết xác suất, cho phép tính xác suất có điều kiện khi biết các thông tin liên quan. Bài viết dưới đây sẽ giúp bạn hiểu rõ công thức, ý nghĩa và cách áp dụng định lý Bayes thông qua lý thuyết chi tiết và các bài tập minh họa có lời giải.

1. Định lý Bayes là gì?

Trước khi đi vào công thức, chúng ta cần hiểu bản chất của định lý Bayes.

1.1. Định nghĩa định lý Bayes

Định lý Bayes (Bayes’ Theorem) là định lý mô tả mối quan hệ giữa xác suất có điều kiện của hai biến cố. Định lý này được đặt theo tên của nhà toán học người Anh Thomas Bayes (1701 – 1761).

Nội dung định lý: Cho hai biến cố \( A \) và \( B \) với \( P(A) > 0 \) và \( P(B) > 0 \). Khi đó:

\( P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} \)

1.2. Ý nghĩa trực quan

Định lý Bayes cho phép chúng ta “đảo ngược” xác suất có điều kiện:

• Nếu biết xác suất xảy ra B khi đã có A (tức \( P(B|A) \))
• Ta có thể tính xác suất xảy ra A khi đã có B (tức \( P(A|B) \))

Ví dụ trực quan: Nếu biết xác suất một người bị sốt khi mắc cúm, định lý Bayes giúp tính xác suất người đó mắc cúm khi biết họ đang bị sốt.

2. Công thức định lý Bayes

Dưới đây là công thức định lý Bayes và giải thích chi tiết từng thành phần.

2.1. Công thức cơ bản

2.2. Giải thích các thành phần

2.3. Công thức biến đổi tương đương

Từ công thức cơ bản, ta có thể viết lại định lý Bayes dưới các dạng khác:

• Dạng 1: \( P(A|B) \cdot P(B) = P(B|A) \cdot P(A) \)
• Dạng 2: \( P(A|B) = \frac{P(A \cap B)}{P(B)} \) (định nghĩa xác suất có điều kiện)
• Dạng 3: \( P(A \cap B) = P(B|A) \cdot P(A) = P(A|B) \cdot P(B) \)

3. Công thức Bayes mở rộng (kết hợp xác suất toàn phần)

Trong thực tế, định lý Bayes thường được kết hợp với công thức xác suất toàn phần để giải các bài toán phức tạp hơn.

3.1. Công thức xác suất toàn phần

Cho \( A_1, A_2, …, A_n \) là một hệ đầy đủ các biến cố (các biến cố xung khắc đôi một và hợp của chúng bằng không gian mẫu). Khi đó:

\( P(B) = \sum_{i=1}^{n} P(B|A_i) \cdot P(A_i) \)

3.2. Công thức Bayes mở rộng

Trong đó:

• \( A_1, A_2, …, A_n \) là hệ đầy đủ các biến cố
• \( P(A_k|B) \) là xác suất của \( A_k \) khi biết B đã xảy ra
• Mẫu số chính là \( P(B) \) tính theo công thức xác suất toàn phần

3.3. Trường hợp đặc biệt với 2 biến cố

Khi chỉ có hai biến cố \( A \) và \( \overline{A} \), công thức trở thành:

\( P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B|A) \cdot P(A) + P(B|\overline{A}) \cdot P(\overline{A})} \)

4. Chứng minh định lý Bayes

Việc chứng minh định lý Bayes dựa trên định nghĩa xác suất có điều kiện.

4.1. Chứng minh

Bước 1: Theo định nghĩa xác suất có điều kiện, ta có:

\( P(A|B) = \frac{P(A \cap B)}{P(B)} \) với \( P(B) > 0 \)    (1)

\( P(B|A) = \frac{P(A \cap B)}{P(A)} \) với \( P(A) > 0 \)    (2)

Bước 2: Từ (2), ta có:

\( P(A \cap B) = P(B|A) \cdot P(A) \)    (3)

Bước 3: Thay (3) vào (1):

\( P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} \)

Vậy định lý Bayes được chứng minh.

5. Ý nghĩa và ứng dụng của định lý Bayes

Định lý Bayes có vai trò quan trọng trong nhiều lĩnh vực khoa học và đời sống.

5.1. Ý nghĩa của định lý

• Cập nhật niềm tin: Cho phép cập nhật xác suất (niềm tin) về một sự kiện khi có thêm thông tin mới
• Suy luận ngược: Từ kết quả quan sát được, suy ra nguyên nhân có khả năng cao nhất
• Kết hợp thông tin: Tích hợp kiến thức tiên nghiệm với dữ liệu thực tế

5.2. Ứng dụng thực tế

6. Các bước giải bài tập định lý Bayes

Để giải các bài tập về định lý Bayes một cách có hệ thống, bạn nên thực hiện theo các bước sau:

6.1. Quy trình 5 bước

1. Bước 1: Xác định các biến cố
   • Xác định biến cố cần tìm xác suất (thường là “nguyên nhân”)
   • Xác định biến cố đã biết (thường là “kết quả quan sát”)
2. Bước 2: Liệt kê các xác suất đã cho
   • Xác suất tiên nghiệm \( P(A_i) \)
   • Xác suất có điều kiện \( P(B|A_i) \)
3. Bước 3: Tính xác suất toàn phần \( P(B) \)\( P(B) = \sum P(B|A_i) \cdot P(A_i) \)
4. Bước 4: Áp dụng công thức Bayes\( P(A_k|B) = \frac{P(B|A_k) \cdot P(A_k)}{P(B)} \)
5. Bước 5: Kết luận

6.2. Lưu ý quan trọng

• Đọc kỹ đề bài để xác định đúng biến cố nào là “nguyên nhân”, biến cố nào là “kết quả”
• Không nhầm lẫn giữa \( P(A|B) \) và \( P(B|A) \)
• Kiểm tra xem các biến cố có tạo thành hệ đầy đủ không
• Tổng các xác suất tiên nghiệm phải bằng 1: \( \sum P(A_i) = 1 \)

7. Bài tập ví dụ định lý Bayes có lời giải chi tiết

Dưới đây là các bài tập minh họa giúp bạn hiểu rõ cách áp dụng định lý Bayes.

Ví dụ 1: Bài toán chẩn đoán y khoa

Đề bài: Một loại bệnh hiếm gặp có tỷ lệ mắc trong dân số là 0,1%. Một xét nghiệm phát hiện bệnh có độ chính xác như sau:

• Nếu người bệnh thực sự mắc bệnh, xét nghiệm cho kết quả dương tính với xác suất 99%
• Nếu người không mắc bệnh, xét nghiệm cho kết quả dương tính (dương tính giả) với xác suất 2%

Một người xét nghiệm cho kết quả dương tính. Tính xác suất người đó thực sự mắc bệnh.

Lời giải:

Bước 1: Đặt các biến cố:

• \( A \): Người đó mắc bệnh
• \( \overline{A} \): Người đó không mắc bệnh
• \( B \): Xét nghiệm cho kết quả dương tính

Bước 2: Xác định các xác suất đã cho:

• \( P(A) = 0,001 \) (tỷ lệ mắc bệnh 0,1%)
• \( P(\overline{A}) = 0,999 \)
• \( P(B|A) = 0,99 \) (độ nhạy)
• \( P(B|\overline{A}) = 0,02 \) (tỷ lệ dương tính giả)

Bước 3: Tính \( P(B) \) theo công thức xác suất toàn phần:

\( P(B) = P(B|A) \cdot P(A) + P(B|\overline{A}) \cdot P(\overline{A}) \)

\( P(B) = 0,99 \times 0,001 + 0,02 \times 0,999 \)

\( P(B) = 0,00099 + 0,01998 = 0,02097 \)

Bước 4: Áp dụng định lý Bayes:

\( P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} = \frac{0,99 \times 0,001}{0,02097} \)

\( P(A|B) = \frac{0,00099}{0,02097} \approx 0,0472 \approx 4,72\% \)

Kết luận: Xác suất người đó thực sự mắc bệnh khi xét nghiệm dương tính chỉ khoảng 4,72%.

Nhận xét: Kết quả này có vẻ bất ngờ! Dù xét nghiệm có độ chính xác cao (99%), nhưng vì bệnh rất hiếm nên xác suất mắc bệnh thực sự vẫn thấp.

Ví dụ 2: Bài toán kiểm soát chất lượng

Đề bài: Một nhà máy có 3 dây chuyền sản xuất linh kiện:

• Dây chuyền I sản xuất 25% sản phẩm, tỷ lệ phế phẩm 1%
• Dây chuyền II sản xuất 35% sản phẩm, tỷ lệ phế phẩm 2%
• Dây chuyền III sản xuất 40% sản phẩm, tỷ lệ phế phẩm 3%

Chọn ngẫu nhiên một sản phẩm và phát hiện là phế phẩm. Tính xác suất sản phẩm đó từ dây chuyền II.

Lời giải:

Bước 1: Đặt các biến cố:

• \( A_1 \): Sản phẩm từ dây chuyền I
• \( A_2 \): Sản phẩm từ dây chuyền II
• \( A_3 \): Sản phẩm từ dây chuyền III
• \( B \): Sản phẩm là phế phẩm

Bước 2: Các xác suất đã cho:

• \( P(A_1) = 0,25 \); \( P(A_2) = 0,35 \); \( P(A_3) = 0,40 \)
• \( P(B|A_1) = 0,01 \); \( P(B|A_2) = 0,02 \); \( P(B|A_3) = 0,03 \)

Bước 3: Tính \( P(B) \):

\( P(B) = P(B|A_1) \cdot P(A_1) + P(B|A_2) \cdot P(A_2) + P(B|A_3) \cdot P(A_3) \)

\( P(B) = 0,01 \times 0,25 + 0,02 \times 0,35 + 0,03 \times 0,40 \)

\( P(B) = 0,0025 + 0,007 + 0,012 = 0,0215 \)

Bước 4: Áp dụng định lý Bayes:

\( P(A_2|B) = \frac{P(B|A_2) \cdot P(A_2)}{P(B)} = \frac{0,02 \times 0,35}{0,0215} \)

\( P(A_2|B) = \frac{0,007}{0,0215} \approx 0,3256 \approx 32,56\% \)

Kết luận: Xác suất phế phẩm đó từ dây chuyền II là khoảng 32,56%.

Ví dụ 3: Bài toán rút bi

Đề bài: Có hai hộp bi:

• Hộp I: 4 bi đỏ, 6 bi xanh
• Hộp II: 7 bi đỏ, 3 bi xanh

Chọn ngẫu nhiên một hộp rồi rút một bi, được bi đỏ. Tính xác suất bi đó từ hộp I.

Lời giải:

Bước 1: Đặt các biến cố:

• \( A_1 \): Chọn hộp I; \( A_2 \): Chọn hộp II
• \( B \): Rút được bi đỏ

Bước 2: Các xác suất:

• \( P(A_1) = P(A_2) = \frac{1}{2} \) (chọn ngẫu nhiên)
• \( P(B|A_1) = \frac{4}{10} = 0,4 \)
• \( P(B|A_2) = \frac{7}{10} = 0,7 \)

Bước 3: Tính \( P(B) \):

\( P(B) = 0,4 \times 0,5 + 0,7 \times 0,5 = 0,2 + 0,35 = 0,55 \)

Bước 4: Áp dụng định lý Bayes:

\( P(A_1|B) = \frac{P(B|A_1) \cdot P(A_1)}{P(B)} = \frac{0,4 \times 0,5}{0,55} = \frac{0,2}{0,55} = \frac{4}{11} \approx 0,364 \)

Kết luận: Xác suất bi đỏ từ hộp I là \( \frac{4}{11} \approx 36,4\% \).

Ví dụ 4: Bài toán lọc thư rác (Spam Filter)

Đề bài: Một hệ thống lọc thư rác biết rằng:

• 40% email nhận được là thư rác
• Từ “miễn phí” xuất hiện trong 80% thư rác
• Từ “miễn phí” xuất hiện trong 10% thư thường

Một email chứa từ “miễn phí”. Tính xác suất đó là thư rác.

Lời giải:

Bước 1: Đặt biến cố:

• \( S \): Email là thư rác
• \( F \): Email chứa từ “miễn phí”

Bước 2: Các xác suất:

• \( P(S) = 0,4 \); \( P(\overline{S}) = 0,6 \)
• \( P(F|S) = 0,8 \); \( P(F|\overline{S}) = 0,1 \)

Bước 3: Tính \( P(F) \):

\( P(F) = 0,8 \times 0,4 + 0,1 \times 0,6 = 0,32 + 0,06 = 0,38 \)

Bước 4: Áp dụng định lý Bayes:

\( P(S|F) = \frac{0,8 \times 0,4}{0,38} = \frac{0,32}{0,38} \approx 0,842 \approx 84,2\% \)

Kết luận: Xác suất email là thư rác khi chứa từ “miễn phí” là khoảng 84,2%.

8. Bài tập tự luyện định lý Bayes có đáp án

Hãy vận dụng định lý Bayes để giải các bài tập sau:

Bài 1

Tỷ lệ nam sinh viên trong một trường là 60%. Xác suất nam sinh viên đạt học bổng là 0,2; xác suất nữ sinh viên đạt học bổng là 0,3. Một sinh viên được chọn ngẫu nhiên đã đạt học bổng. Tính xác suất đó là nam.

Đáp án: \( P = \frac{0,12}{0,24} = 0,5 = 50\% \)

Bài 2

Một cửa hàng nhập hàng từ 3 nhà cung cấp A, B, C với tỷ lệ lần lượt là 50%, 30%, 20%. Tỷ lệ hàng kém chất lượng của A, B, C lần lượt là 1%, 2%, 3%. Chọn ngẫu nhiên một sản phẩm thấy kém chất lượng. Tính xác suất sản phẩm từ nhà cung cấp C.

Đáp án: \( P(C|KCL) = \frac{0,006}{0,017} \approx 35,29\% \)

Bài 3

Có 3 túi bi: Túi 1 có 2 bi trắng, 3 bi đen; Túi 2 có 4 bi trắng, 1 bi đen; Túi 3 có 3 bi trắng, 2 bi đen. Chọn ngẫu nhiên một túi, rút được bi trắng. Tính xác suất bi đó từ túi 2.

Đáp án: \( P = \frac{0,8 \times \frac{1}{3}}{\frac{0,4 + 0,8 + 0,6}{3}} = \frac{0,8}{1,8} = \frac{4}{9} \approx 44,44\% \)

Bài 4

Một bệnh nhân có xác suất mắc bệnh A là 0,6 và mắc bệnh B là 0,4. Nếu mắc bệnh A, xác suất có triệu chứng X là 0,9. Nếu mắc bệnh B, xác suất có triệu chứng X là 0,5. Bệnh nhân có triệu chứng X. Tính xác suất bệnh nhân mắc bệnh A.

Đáp án: \( P(A|X) = \frac{0,54}{0,74} \approx 72,97\% \)

Bài 5

Xác suất trời mưa là 0,3. Nếu trời mưa, xác suất tắc đường là 0,8. Nếu trời không mưa, xác suất tắc đường là 0,2. Hôm nay tắc đường. Tính xác suất trời mưa.

Đáp án: \( P = \frac{0,24}{0,38} \approx 63,16\% \)

9. Kết luận

Qua bài viết trên, chúng ta đã tìm hiểu chi tiết về định lý Bayes từ công thức, ý nghĩa đến các ứng dụng thực tế. Để làm tốt các bài tập về định lý Bayes, bạn cần ghi nhớ:

• Công thức cơ bản: \( P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} \)
• Xác định đúng biến cố “nguyên nhân” và “kết quả” trong bài toán
• Tính xác suất toàn phần \( P(B) \) khi có nhiều “nguyên nhân” khác nhau
• Không nhầm lẫn giữa \( P(A|B) \) và \( P(B|A) \)
• Thực hành nhiều dạng bài để quen với cách phân tích và áp dụng công thức

Định lý Bayes không chỉ là công cụ toán học mà còn là nền tảng của tư duy suy luận trong điều kiện không chắc chắn, được ứng dụng rộng rãi từ y học, khoa học dữ liệu đến trí tuệ nhân tạo. Chúc bạn học tốt!