Xác suất có điều kiện là gì? Công thức P(A/B) và bài tập chi tiết

Xác suất có điều kiện là một trong những khái niệm nền tảng và quan trọng nhất trong lý thuyết xác suất, được ứng dụng rộng rãi trong thống kê, khoa học dữ liệu, y học, kinh tế và nhiều lĩnh vực khác. Hiểu rõ xác suất có điều kiện giúp chúng ta tính toán khả năng xảy ra của một sự kiện khi đã biết thông tin về một sự kiện khác. Bài viết dưới đây sẽ trình bày chi tiết định nghĩa, công thức, ví dụ và bài tập minh họa cụ thể.

Xác suất có điều kiện là gì?

Xác suất có điều kiện là xác suất xảy ra của một sự kiện A khi biết rằng sự kiện B đã xảy ra. Ký hiệu là P(A|B), đọc là “xác suất của A với điều kiện B” hoặc “xác suất của A khi biết B”.

Định nghĩa: Cho hai sự kiện A và B với P(B) > 0. Xác suất có điều kiện của A khi biết B đã xảy ra được định nghĩa là tỷ số giữa xác suất của sự kiện giao (A ∩ B) và xác suất của sự kiện B.

Ý nghĩa thực tế của xác suất có điều kiện:

• Cập nhật niềm tin khi có thông tin mới
• Đánh giá rủi ro trong y học, bảo hiểm, tài chính
• Phân tích dữ liệu và dự đoán trong Machine Learning
• Ra quyết định dựa trên thông tin đã biết

Ví dụ trực quan: Xác suất một người mắc bệnh tim (A) sẽ khác với xác suất mắc bệnh tim khi biết người đó hút thuốc (A|B). Thông tin về việc hút thuốc làm thay đổi xác suất ban đầu.

Để tính toán chính xác, chúng ta cần nắm vững các công thức trong phần tiếp theo.

Công thức tính xác suất có điều kiện

1. Công thức cơ bản

Công thức xác suất có điều kiện cơ bản:

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

Trong đó:

• \( P(A|B) \): Xác suất của A khi biết B xảy ra
• \( P(A \cap B) \): Xác suất của sự kiện A và B cùng xảy ra
• \( P(B) \): Xác suất của sự kiện B

Tương tự, ta có:

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

2. Công thức nhân xác suất

Từ công thức xác suất có điều kiện, ta suy ra công thức nhân:

Công thức nhân cho hai sự kiện:

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

Công thức nhân tổng quát cho n sự kiện:

\( P(A_1 \cap A_2 \cap … \cap A_n) = P(A_1) \cdot P(A_2|A_1) \cdot P(A_3|A_1 \cap A_2) \cdot … \cdot P(A_n|A_1 \cap A_2 \cap … \cap A_{n-1}) \)

3. Công thức xác suất toàn phần

Cho \( B_1, B_2, …, B_n \) là một hệ đầy đủ các sự kiện (phân hoạch không gian mẫu), khi đó:

Công thức xác suất toàn phần:

\( P(A) = \sum_{i=1}^{n} P(B_i) \cdot P(A|B_i) \)

Trường hợp đặc biệt với hai sự kiện B và \( \bar{B} \):

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

4. Công thức Bayes

Công thức Bayes cho phép tính xác suất “ngược” – tức là tính xác suất của nguyên nhân khi biết kết quả:

Công thức Bayes cơ bản:

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

Công thức Bayes tổng quát:

\( P(B_k|A) = \frac{P(B_k) \cdot P(A|B_k)}{\sum_{i=1}^{n} P(B_i) \cdot P(A|B_i)} \)

Trong đó:

• \( P(B_k) \): Xác suất tiên nghiệm (prior probability)
• \( P(A|B_k) \): Likelihood – khả năng quan sát A khi B_k xảy ra
• \( P(B_k|A) \): Xác suất hậu nghiệm (posterior probability)

Để tiện tra cứu, bảng dưới đây tổng hợp tất cả các công thức quan trọng.

Bảng tổng hợp các công thức xác suất có điều kiện

Tên công thức	Biểu thức	Điều kiện áp dụng
Xác suất có điều kiện	\( P(A|B) = \frac{P(A \cap B)}{P(B)} \)	\( P(B) > 0 \)
Công thức nhân	\( P(A \cap B) = P(B) \cdot P(A|B) \)	Luôn đúng
Xác suất toàn phần	\( P(A) = \sum_{i=1}^{n} P(B_i) \cdot P(A|B_i) \)	\( B_i \) là phân hoạch
Công thức Bayes	\( P(B|A) = \frac{P(A|B) \cdot P(B)}{P(A)} \)	\( P(A) > 0 \)
Bayes tổng quát	\( P(B_k|A) = \frac{P(B_k) \cdot P(A|B_k)}{\sum_{i} P(B_i) \cdot P(A|B_i)} \)	\( B_i \) là phân hoạch

Một khái niệm quan trọng liên quan là sự kiện độc lập. Chúng ta sẽ tìm hiểu mối quan hệ này trong phần tiếp theo.

Mối quan hệ giữa xác suất có điều kiện và sự kiện độc lập

Hai sự kiện A và B được gọi là độc lập nếu việc xảy ra của sự kiện này không ảnh hưởng đến xác suất xảy ra của sự kiện kia.

Điều kiện để A và B độc lập:

• \( P(A|B) = P(A) \) (khi \( P(B) > 0 \))
• \( P(B|A) = P(B) \) (khi \( P(A) > 0 \))
• \( P(A \cap B) = P(A) \cdot P(B) \)

So sánh sự kiện độc lập và phụ thuộc:

Đặc điểm	Sự kiện độc lập	Sự kiện phụ thuộc
Định nghĩa	A xảy ra không ảnh hưởng đến B	A xảy ra làm thay đổi xác suất của B
Xác suất có điều kiện	\( P(A|B) = P(A) \)	\( P(A|B) \neq P(A) \)
Công thức nhân	\( P(A \cap B) = P(A) \cdot P(B) \)	\( P(A \cap B) = P(A) \cdot P(B|A) \)
Ví dụ	Tung đồng xu hai lần	Rút bài không hoàn lại

Lưu ý quan trọng:

• Sự kiện độc lập ≠ Sự kiện xung khắc (không giao nhau)
• Hai sự kiện xung khắc (A ∩ B = ∅) luôn phụ thuộc nếu cả hai có xác suất dương

Sau khi nắm vững lý thuyết, hãy cùng xem các ví dụ minh họa cụ thể.

Ví dụ minh họa xác suất có điều kiện

Ví dụ 1: Bài toán cơ bản về xác suất có điều kiện

Gieo một con xúc xắc cân đối. Biết rằng kết quả là số chẵn, tính xác suất để kết quả là số lớn hơn 3.

Lời giải:

Gọi A là sự kiện “kết quả lớn hơn 3”: A = {4, 5, 6}

Gọi B là sự kiện “kết quả là số chẵn”: B = {2, 4, 6}

Ta cần tính \( P(A|B) \)

Xác định: \( A \cap B = \{4, 6\} \)

Áp dụng công thức xác suất có điều kiện:

\( P(A|B) = \frac{P(A \cap B)}{P(B)} = \frac{2/6}{3/6} = \frac{2}{3} \)

Đáp số: Xác suất cần tìm là \( \frac{2}{3} \)

---

Ví dụ 2: Bài toán rút bài

Từ một bộ bài 52 lá, rút ngẫu nhiên 2 lá liên tiếp không hoàn lại. Tính xác suất để cả hai lá đều là Át (A).

Lời giải:

Gọi A₁ là sự kiện “lá thứ nhất là Át”

Gọi A₂ là sự kiện “lá thứ hai là Át”

Ta cần tính \( P(A_1 \cap A_2) \)

Áp dụng công thức nhân:

\( P(A_1 \cap A_2) = P(A_1) \cdot P(A_2|A_1) \)

Tính các xác suất:

• \( P(A_1) = \frac{4}{52} = \frac{1}{13} \) (có 4 lá Át trong 52 lá)
• \( P(A_2|A_1) = \frac{3}{51} = \frac{1}{17} \) (còn 3 lá Át trong 51 lá)

Do đó:

\( P(A_1 \cap A_2) = \frac{1}{13} \cdot \frac{1}{17} = \frac{1}{221} \)

Đáp số: Xác suất cần tìm là \( \frac{1}{221} \approx 0.0045 \)

---

Ví dụ 3: Bài toán xác suất toàn phần

Một nhà máy có 3 phân xưởng sản xuất một loại sản phẩm. Phân xưởng I sản xuất 25% tổng sản phẩm với tỷ lệ phế phẩm 1%. Phân xưởng II sản xuất 35% với tỷ lệ phế phẩm 2%. Phân xưởng III sản xuất 40% với tỷ lệ phế phẩm 3%. Chọn ngẫu nhiên một sản phẩm, tính xác suất để đó là phế phẩm.

Lời giải:

Gọi:

• A là sự kiện “sản phẩm là phế phẩm”
• B₁, B₂, B₃ là sự kiện sản phẩm từ phân xưởng I, II, III

Dữ liệu đã cho:

• \( P(B_1) = 0.25 \), \( P(A|B_1) = 0.01 \)
• \( P(B_2) = 0.35 \), \( P(A|B_2) = 0.02 \)
• \( P(B_3) = 0.40 \), \( P(A|B_3) = 0.03 \)

Áp dụng công thức xác suất toàn phần:

\( P(A) = P(B_1) \cdot P(A|B_1) + P(B_2) \cdot P(A|B_2) + P(B_3) \cdot P(A|B_3) \)

\( P(A) = 0.25 \times 0.01 + 0.35 \times 0.02 + 0.40 \times 0.03 \)

\( P(A) = 0.0025 + 0.007 + 0.012 = 0.0215 \)

Đáp số: Xác suất chọn được phế phẩm là 2.15%

---

Ví dụ 4: Bài toán Bayes (xác suất nguyên nhân)

Tiếp theo ví dụ 3, biết rằng sản phẩm chọn được là phế phẩm. Tính xác suất để nó được sản xuất từ phân xưởng III.

Lời giải:

Ta cần tính \( P(B_3|A) \)

Áp dụng công thức Bayes:

\( P(B_3|A) = \frac{P(B_3) \cdot P(A|B_3)}{P(A)} \)

Thay số (với P(A) = 0.0215 từ ví dụ 3):

\( P(B_3|A) = \frac{0.40 \times 0.03}{0.0215} = \frac{0.012}{0.0215} \approx 0.558 \)

Đáp số: Xác suất phế phẩm đến từ phân xưởng III là khoảng 55.8%

Để củng cố kiến thức, hãy thực hành với các bài tập dưới đây.

Bài tập vận dụng có lời giải chi tiết

Bài tập 1: Một hộp có 6 bi đỏ và 4 bi xanh. Lấy ngẫu nhiên lần lượt 2 bi không hoàn lại. Tính xác suất để:

a) Cả hai bi đều đỏ

b) Bi thứ hai màu đỏ

Lời giải:

a) Gọi A₁: “bi thứ nhất đỏ”, A₂: “bi thứ hai đỏ”

Áp dụng công thức nhân xác suất có điều kiện:

\( P(A_1 \cap A_2) = P(A_1) \cdot P(A_2|A_1) = \frac{6}{10} \cdot \frac{5}{9} = \frac{30}{90} = \frac{1}{3} \)

b) Áp dụng công thức xác suất toàn phần:

\( P(A_2) = P(A_1) \cdot P(A_2|A_1) + P(\bar{A_1}) \cdot P(A_2|\bar{A_1}) \)

\( P(A_2) = \frac{6}{10} \cdot \frac{5}{9} + \frac{4}{10} \cdot \frac{6}{9} = \frac{30}{90} + \frac{24}{90} = \frac{54}{90} = \frac{3}{5} \)

Đáp số: a) \( \frac{1}{3} \); b) \( \frac{3}{5} \)

---

Bài tập 2: Một xét nghiệm y học có độ chính xác như sau: Nếu người bệnh, xét nghiệm dương tính với xác suất 95%. Nếu người không bệnh, xét nghiệm âm tính với xác suất 90%. Biết tỷ lệ người mắc bệnh trong dân số là 1%. Một người có kết quả xét nghiệm dương tính, tính xác suất người đó thực sự mắc bệnh.

Lời giải:

Gọi:

• B: sự kiện “người mắc bệnh”, \( P(B) = 0.01 \)
• \( \bar{B} \): sự kiện “người không bệnh”, \( P(\bar{B}) = 0.99 \)
• D: sự kiện “xét nghiệm dương tính”

Dữ liệu:

• \( P(D|B) = 0.95 \) (độ nhạy)
• \( P(\bar{D}|\bar{B}) = 0.90 \Rightarrow P(D|\bar{B}) = 0.10 \) (dương tính giả)

Tính P(D) theo công thức xác suất toàn phần:

\( P(D) = P(B) \cdot P(D|B) + P(\bar{B}) \cdot P(D|\bar{B}) \)

\( P(D) = 0.01 \times 0.95 + 0.99 \times 0.10 = 0.0095 + 0.099 = 0.1085 \)

Áp dụng công thức Bayes:

\( P(B|D) = \frac{P(B) \cdot P(D|B)}{P(D)} = \frac{0.01 \times 0.95}{0.1085} = \frac{0.0095}{0.1085} \approx 0.0876 \)

Đáp số: Xác suất người đó thực sự mắc bệnh chỉ khoảng 8.76%

Nhận xét: Đây là “nghịch lý xét nghiệm” – dù xét nghiệm khá chính xác, nhưng vì tỷ lệ bệnh thấp nên xác suất dương tính thật vẫn không cao.

---

Bài tập 3: Trong kỳ thi, xác suất học sinh A giải được bài 1 là 0.9, giải được bài 2 là 0.8. Xác suất giải được bài 2 khi đã giải được bài 1 là 0.85. Tính:

a) Xác suất A giải được cả hai bài

b) Xác suất A giải được bài 1 khi đã giải được bài 2

c) Xác suất A giải được ít nhất một bài

Lời giải:

Gọi A₁: “giải được bài 1”, A₂: “giải được bài 2”

Cho: \( P(A_1) = 0.9 \), \( P(A_2) = 0.8 \), \( P(A_2|A_1) = 0.85 \)

a) Xác suất giải được cả hai bài:

\( P(A_1 \cap A_2) = P(A_1) \cdot P(A_2|A_1) = 0.9 \times 0.85 = 0.765 \)

b) Xác suất giải được bài 1 khi đã giải được bài 2:

\( P(A_1|A_2) = \frac{P(A_1 \cap A_2)}{P(A_2)} = \frac{0.765}{0.8} = 0.95625 \)

c) Xác suất giải được ít nhất một bài:

\( P(A_1 \cup A_2) = P(A_1) + P(A_2) – P(A_1 \cap A_2) \)

\( P(A_1 \cup A_2) = 0.9 + 0.8 – 0.765 = 0.935 \)

Đáp số: a) 0.765; b) 0.95625; c) 0.935

---

Bài tập 4: Một lô hàng có 100 sản phẩm, trong đó có 10 phế phẩm. Lấy ngẫu nhiên lần lượt 3 sản phẩm không hoàn lại. Tính xác suất để cả 3 sản phẩm đều tốt.

Lời giải:

Gọi Aᵢ là sự kiện “sản phẩm thứ i là tốt” (i = 1, 2, 3)

Số sản phẩm tốt ban đầu: 100 – 10 = 90

Áp dụng công thức nhân xác suất có điều kiện:

\( P(A_1 \cap A_2 \cap A_3) = P(A_1) \cdot P(A_2|A_1) \cdot P(A_3|A_1 \cap A_2) \)

Tính từng xác suất:

• \( P(A_1) = \frac{90}{100} \)
• \( P(A_2|A_1) = \frac{89}{99} \) (còn 89 sản phẩm tốt trong 99)
• \( P(A_3|A_1 \cap A_2) = \frac{88}{98} \) (còn 88 sản phẩm tốt trong 98)

Do đó:

\( P(A_1 \cap A_2 \cap A_3) = \frac{90}{100} \cdot \frac{89}{99} \cdot \frac{88}{98} = \frac{90 \times 89 \times 88}{100 \times 99 \times 98} \)

\( = \frac{704880}{970200} \approx 0.7265 \)

Đáp số: Xác suất cả 3 sản phẩm đều tốt là khoảng 72.65%

Kết luận

Qua bài viết trên, chúng ta đã tìm hiểu chi tiết về xác suất có điều kiện – một khái niệm cốt lõi trong lý thuyết xác suất và thống kê. Công thức cơ bản cần nhớ là \( P(A|B) = \frac{P(A \cap B)}{P(B)} \), từ đó suy ra công thức nhân, công thức xác suất toàn phần và công thức Bayes. Việc nắm vững xác suất có điều kiện không chỉ giúp giải quyết các bài toán xác suất mà còn là nền tảng cho nhiều ứng dụng thực tế trong phân tích dữ liệu, học máy, y học và ra quyết định trong điều kiện không chắc chắn.