CHỦ ĐỀ 18 - Xác suất toàn phần & Công thức Bayes
Tài liệu CHỦ ĐỀ 18 - Xác suất toàn phần & Công thức Bayes trong Kho Tài Liệu Vàng LUKATO.
Chủ đề 18
1234
5678
910111213
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
01 /13
CHỦ ĐỀ 18
Xác suất toàn phần và Công thức Bayes
Hệ biến cố đầy đủ · Công thức xác suất toàn phần · Công thức Bayes · Sơ đồ cây xác suất
Trong 10 phút , em sẽ hiểu thế nào là hệ biến cố đầy đủ , cách "chia trường hợp" để tính xác suất bằng công thức xác suất toàn phần , và cách "suy luận ngược" từ kết quả về nguyên nhân bằng công thức Bayes .
Đây là bài nối tiếp Chủ đề 17 — Xác suất có điều kiện, đồng thời cũng là bài học khép lại trọn vẹn hành trình 18 Chủ đề Toán 12 của LUKATO AI. Hãy đọc thật chậm — mỗi trang là một khái niệm độc lập.
ĐỐI TƯỢNG
Lớp 12 THPTQG 2026
THỜI LƯỢNG
10 phút có thể chia 2-3 ngày
SỐ TRANG
13 trang 6 khái niệm + 2 trang tổng kết
HÔM NAY EM SẼ HỌC
Sáu khái niệm cốt lõi
Kèm 2 trang tổng kết
Hệ biến cố đầy đủ Định nghĩa · Hệ quả
TR.02-03
Công thức xác suất toàn phần Tính P(A) theo từng trường hợp
TR.04-05
Công thức Bayes Suy luận ngược nguyên nhân
TR.06
Sơ đồ cây xác suất Toàn phần & Bayes trực quan
TR.07-08
Bài toán ứng dụng thực tế Chẩn đoán y tế · Kết quả phản trực giác
TR.09-10
Chiến thuật làm bài 3 Phần Nhận biết · Thông hiểu · Vận dụng
TR.11
Tổng kết 10 công thức · 5 sai lầm
TR.12-13
LUKATO AI · LUKATO Edutainment
study.thptai.kr
Daily Concept Paper Series · Toán · Vật Lí · Hóa · Sinh · Tiếng Anh
TRUY CẬP NGAY
Học 10 phút mỗi ngày Luyện thi THPTQG · HSA · TSA · V-ACT
LUKATO AI · LUKATO Edutainment
DAILY CONCEPT PAPER · VIETNAMESE HIGH SCHOOL
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
02 /13
01 KHÁI NIỆM 1/2
Hệ biến cố đầy đủ là gì?
Nền tảng cho toàn bộ công thức xác suất toàn phần và Bayes ở các trang sau.
Các biến cố B_{1},B_{2},\ldots,B_{n} được gọi là một hệ biến cố đầy đủ nếu chúng thoả đồng thời hai điều kiện: đôi một xung khắc , và hợp của chúng bằng không gian mẫu \Omega.
Mổ xẻ từng điều kiện
"Đôi một xung khắc" — B_{i}\cap B_{j}=\varnothing với mọi i\ne j. Không có kết quả nào thuộc đồng thời hai biến cố khác nhau.
"Hợp bằng không gian mẫu" — B_{1}\cup B_{2}\cup\cdots\cup B_{n}=\Omega. Mọi kết quả có thể xảy ra đều rơi vào đúng một B_{i}.
Cả hai điều kiện phải đồng thời đúng — thiếu một trong hai, tập biến cố đó KHÔNG phải là hệ biến cố đầy đủ.
Ω CHIA THÀNH 3 PHẦN · BIẾN CỐ A CẮT QUA CẢ BA
\Omega chia thành 3 phần rời nhau B_{1},B_{2},B_{3}; biến cố A (elip) cắt qua cả ba phần
HÌNH DUNG DỄ NHỚ · ANALOGY
Tưởng tượng \Omega là một sân trường được chia thành 3 khu vực không chồng lấn B_{1},B_{2},B_{3}, phủ kín toàn bộ sân — đúng như hai điều kiện của hệ đầy đủ.
Biến cố A giống một tấm bạt trải lệch, che phủ một phần của cả ba khu vực cùng lúc.
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 1 · ĐỊNH NGHĨA HỆ BIẾN CỐ ĐẦY ĐỦ
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
03 /13
01 KHÁI NIỆM 2/2
Hệ quả & Ví dụ minh hoạ
Từ hệ đầy đủ của \Omega, suy ra một hệ đầy đủ "thu nhỏ" bên trong bất kỳ biến cố A nào.
HỆ QUẢ QUAN TRỌNG
Nếu B_{1},B_{2},\ldots,B_{n} là hệ biến cố đầy đủ thì với mọi biến cố A, các biến cố A\cap B_{1},A\cap B_{2},\ldots,A\cap B_{n} đôi một xung khắc và hợp của chúng bằng chính A :
(A\cap B_{1})\cup(A\cap B_{2})\cup\cdots\cup(A\cap B_{n}) = A
Đây chính là lý do vì sao ta có thể "chia A thành từng mảnh nhỏ" theo từng B_{i} — nền tảng của công thức xác suất toàn phần ở trang sau.
BÀI MẪU · NHẬN DIỆN HỆ ĐẦY ĐỦ 3 HỘP BI
Đề: Có 3 hộp bi khác nhau. Chọn ngẫu nhiên 1 hộp, rồi rút ngẫu nhiên 1 bi từ hộp đó. Gọi B_{i}= "chọn hộp i" (i=1,2,3). Chứng tỏ B_{1},B_{2},B_{3} là hệ biến cố đầy đủ.
BƯỚC 1 Xung khắc: mỗi lần chỉ chọn đúng 1 hộp , không thể vừa chọn hộp 1 vừa chọn hộp 2. Vậy B_{i}\cap B_{j}=\varnothing với i\ne j.
BƯỚC 2 Hợp bằng \Omega: mỗi lần thực hiện phép thử, luôn phải chọn 1 trong 3 hộp . Vậy B_{1}\cup B_{2}\cup B_{3}=\Omega.
Cả hai điều kiện đều đúng ⇒ B_{1},B_{2},B_{3} là hệ biến cố đầy đủ .
⚠ PHẢN VÍ DỤ · KHI NÀO KHÔNG PHẢI HỆ ĐẦY ĐỦ
Thiếu tính xung khắc: C_{1}= "rút được bi đỏ", C_{2}= "rút được bi từ hộp 1" — hai biến cố này có thể xảy ra đồng thời (bi đỏ từ hộp 1), nên KHÔNG xung khắc ⇒ không phải hệ đầy đủ.
Thiếu tính phủ kín: Nếu chỉ xét B_{1},B_{2} mà bỏ sót hộp 3, thì B_{1}\cup B_{2}\ne\Omega ⇒ cũng không phải hệ đầy đủ.
Luôn kiểm tra đủ cả hai điều kiện trước khi áp dụng công thức toàn phần hay Bayes.
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 1 · HỆ QUẢ & VÍ DỤ
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
04 /13
02 KHÁI NIỆM 1/2
Công thức xác suất toàn phần
Công cụ "chia trường hợp" để tính P(A) khi A có thể xảy ra theo nhiều kịch bản khác nhau.
CÔNG THỨC TOÀN PHẦN
Nếu B_{1},B_{2},\ldots,B_{n} là hệ biến cố đầy đủ với P(B_{i})>0 với mọi i, thì với biến cố A bất kỳ:
P(A)=\sum_{i=1}^{n}P(B_{i})\cdot P(A|B_{i})
Mổ xẻ công thức
Chia trường hợp — mỗi B_{i} là một "kịch bản" có thể xảy ra trước; A chỉ được xét sau khi một B_{i} nào đó đã xảy ra.
Trọng số P(B_{i}) — mỗi số hạng P(B_{i})\cdot P(A|B_{i}) là phần đóng góp của riêng kịch bản B_{i} vào xác suất chung của A.
Cộng dồn đủ tất cả — phải cộng đúng n số hạng, không được bỏ sót bất kỳ B_{i} nào; vì hệ đầy đủ nên các phần ghép lại vừa khít thành A.
DẠNG KHAI TRIỂN · n = 3
P(A)=P(B_{1})P(A|B_{1})+P(B_{2})P(A|B_{2})+P(B_{3})P(A|B_{3})
Ý nghĩa: xác suất của A = tổng của "xác suất xảy ra B_{i}" nhân với "xác suất A xảy ra khi biết B_{i} đã xảy ra", cộng dồn qua từng i.
⚠ HAI LỖI HAY GẶP
Lỗi 1: Nhầm P(A) với P(A|B_{i}) — quên nhân với trọng số P(B_{i}) trước khi cộng.
Lỗi 2: Bỏ sót một nhánh B_{i} khi cộng — kết quả thiếu một số hạng nên nhỏ hơn giá trị đúng.
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 2 · CÔNG THỨC XÁC SUẤT TOÀN PHẦN
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
05 /13
02 KHÁI NIỆM 2/2
Ví dụ áp dụng · 3 dây chuyền sản xuất
Lập bảng dữ liệu trước, rồi thay thẳng vào công thức — quy trình nhanh nhất khi làm bài.
Dây chuyền · Tỉ lệ sản phẩm P(B_{i}) · Tỉ lệ lỗi P(A|B_{i})
Dây chuyền 1 · 40% =0.40 · 2% =0.02
Dây chuyền 2 · 35% =0.35 · 3% =0.03
Dây chuyền 3 · 25% =0.25 · 5% =0.05
CÁCH TRÌNH BÀY NHANH
Bước 1: Xác định các B_{i} (hệ đầy đủ) và biến cố A cần tính.
Bước 2: Lập bảng P(B_{i}) và P(A|B_{i}) như bên trái.
Bước 3: Nhân từng hàng, rồi cộng tất cả các tích lại.
Trình bày theo bảng giúp không bỏ sót nhánh nào — đặc biệt hữu ích khi n\ge 3.
BÀI MẪU · TÍNH XÁC SUẤT SẢN PHẨM LỖI 4 BƯỚC
Đề: Một nhà máy có 3 dây chuyền sản xuất cùng một loại sản phẩm với tỉ lệ và tỉ lệ lỗi như bảng trên. Lấy ngẫu nhiên 1 sản phẩm từ kho chung. Tính xác suất sản phẩm đó bị lỗi.
BƯỚC 1 Gọi B_{i}= "sản phẩm từ dây chuyền i" (i=1,2,3) — hệ biến cố đầy đủ. Gọi A= "sản phẩm bị lỗi".
BƯỚC 2 Áp dụng công thức toàn phần: \;P(A)=P(B_{1})P(A|B_{1})+P(B_{2})P(A|B_{2})+P(B_{3})P(A|B_{3}).
BƯỚC 3 Thay số: \;P(A)=0.40(0.02)+0.35(0.03)+0.25(0.05)=0.008+0.0105+0.0125.
BƯỚC 4 Cộng lại: \;P(A)=0.031.
Xác suất sản phẩm bị lỗi: P(A)=0.031=3.1\%
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 2 · VÍ DỤ ÁP DỤNG
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
06 /13
03 KHÁI NIỆM
Công thức Bayes
Suy luận NGƯỢC: biết A đã xảy ra, xác suất nguyên nhân B_{i} là bao nhiêu?
CÔNG THỨC BAYES
P(B_{i}|A)=\dfrac{P(B_{i})\cdot P(A|B_{i})}{P(A)}=\dfrac{P(B_{i})\cdot P(A|B_{i})}{\displaystyle\sum_{j=1}^{n}P(B_{j})\cdot P(A|B_{j})}
Vì sao suy ra được công thức này?
Từ công thức nhân xác suất: P(B_{i}\cap A)=P(B_{i})\cdot P(A|B_{i})=P(A)\cdot P(B_{i}|A).
Suy ra P(B_{i}|A)=\dfrac{P(B_{i})P(A|B_{i})}{P(A)}. Thay P(A) bằng công thức xác suất toàn phần ở trang trước, ta được mẫu số đầy đủ như trên.
TIÊN NGHIỆM vs HẬU NGHIỆM
P(B_{i}) — xác suất TIÊN NGHIỆM (prior): biết trước, TRƯỚC KHI có thông tin về A.
P(B_{i}|A) — xác suất HẬU NGHIỆM (posterior): tính lại SAU KHI biết A đã xảy ra.
Bayes là công cụ "cập nhật niềm tin" khi có thêm bằng chứng A.
VÍ DỤ MINI
Cho P(B)=0.5,\;P(A|B)=0.8,\;P(A|\bar{B})=0.2. Tính P(B|A).
P(A)=0.5(0.8)+0.5(0.2)=0.4+0.1=0.5.
P(B|A)=\dfrac{0.5\times0.8}{0.5}=0.8.
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 3 · CÔNG THỨC BAYES
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
07 /13
04 KHÁI NIỆM 1/2
Sơ đồ cây cho toàn phần & Bayes
Công cụ trực quan nhất để không bỏ sót nhánh nào khi làm bài.
Cấu trúc 2 tầng
Tầng 1 — Tiên nghiệm: mỗi nhánh gốc là một B_{i}, nhãn trên nhánh là P(B_{i}).
Tầng 2 — Điều kiện: từ mỗi B_{i}, tách thành 2 nhánh con A và \bar{A}, nhãn là P(A|B_{i}) và P(\bar{A}|B_{i}).
Mỗi đường đi = một tích: xác suất tại đầu mỗi nhánh (đi từ gốc) bằng tích các nhãn dọc theo đường đi đó.
SƠ ĐỒ CÂY TỔNG QUÁT · 2 TẦNG
Tầng 1: nhánh Bᵢ (tiên nghiệm). Tầng 2: nhánh A/Ā (điều kiện) — nhân theo đường đi
QUY TẮC ĐỌC SƠ ĐỒ CÂY · NHÂN THEO ĐƯỜNG · CỘNG THEO CỘT
Nhân các nhãn dọc theo TỪNG đường đi để được xác suất của đường đi đó (ví dụ P(B_{1})\times P(A|B_{1})=P(B_{1}\cap A)).
Cộng tất cả các đường đi cùng dẫn đến A (theo hàng ngang) để được P(A) — chính là công thức xác suất toàn phần vẽ dưới dạng hình ảnh.
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 4 · SƠ ĐỒ CÂY
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
08 /13
04 KHÁI NIỆM 2/2
Ví dụ hoàn chỉnh · Tính P(A) và Bayes
Hoàn thiện cả sơ đồ cây, rồi đọc thẳng kết quả từ hình vẽ.
BÀI MẪU · KHO HÀNG 3 NHÀ CUNG CẤP 5 BƯỚC
Đề: Một kho hàng nhập từ 3 nhà cung cấp: NCC1 chiếm 50% lô hàng với tỉ lệ lỗi 4%; NCC2 chiếm 30% với tỉ lệ lỗi 5%; NCC3 chiếm 20% với tỉ lệ lỗi 10%. Lấy ngẫu nhiên 1 sản phẩm, biết sản phẩm đó bị lỗi (A). Tính P(A) và P(\text{NCC1}|A).
BƯỚC 1 P(B_{1})=0.5,\;P(B_{2})=0.3,\;P(B_{3})=0.2; \;P(A|B_{1})=0.04,\;P(A|B_{2})=0.05,\;P(A|B_{3})=0.10.
BƯỚC 2 Nhân theo từng đường đi: \;0.5(0.04)=0.020;\;\;0.3(0.05)=0.015;\;\;0.2(0.10)=0.020.
BƯỚC 3 Cộng theo cột dẫn đến A: \;P(A)=0.020+0.015+0.020=0.055.
BƯỚC 4 Áp dụng Bayes: \;P(\text{NCC1}|A)=\dfrac{0.020}{0.055}.
BƯỚC 5 Rút gọn: \;P(\text{NCC1}|A)=\dfrac{4}{11}\approx 0.364.
P(A)=0.055; P(\text{NCC1}|A)=\dfrac{4}{11}\approx 36.4\%
SƠ ĐỒ CÂY ĐÃ HOÀN THIỆN · SỐ LIỆU THẬT
P(A)=0.020+0.015+0.020=0.055; P(\text{NCC1}|A)=0.020/0.055=4/11\approx36.4\%
ĐỌC KẾT QUẢ TRÊN SƠ ĐỒ CÂY
P(A) = tổng tất cả các nhánh dẫn đến A (cộng theo cột). P(B_{i}|A) = (nhánh B_{i}\to A) ÷ (tổng tất cả các nhánh dẫn đến A) — đúng là ý nghĩa trực quan của công thức Bayes.
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 4 · VÍ DỤ SƠ ĐỒ CÂY
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
09 /13
05 KHÁI NIỆM 1/2
Bài toán chẩn đoán y tế · Đặt vấn đề
Bài toán kinh điển nhất của Bayes trong thực tế — xuất hiện trong y học, an ninh, kiểm định chất lượng.
HAI THUẬT NGỮ CẦN PHÂN BIỆT
Độ nhạy (sensitivity): P(\text{dương tính}\,|\,\text{có bệnh}) — xét nghiệm phát hiện đúng khi người thực sự có bệnh.
Độ đặc hiệu (specificity): P(\text{âm tính}\,|\,\text{không bệnh}) — xét nghiệm báo đúng khi người thực sự khoẻ mạnh.
Từ độ đặc hiệu suy ra tỉ lệ dương tính giả : P(\text{dương tính}\,|\,\text{không bệnh}) = 1-\text{độ đặc hiệu}.
Dữ kiện bài toán
Một bệnh hiếm gặp có tỉ lệ mắc trong dân số là 1\% . Xét nghiệm có độ nhạy 99\% và độ đặc hiệu 95\% (tức dương tính giả 5\%). Một người xét nghiệm cho kết quả dương tính . Hỏi xác suất người đó thực sự mắc bệnh là bao nhiêu?
BƯỚC 1 · TÍNH P(A) TOÀN PHẦN
Gọi B= "có bệnh", A= "xét nghiệm dương tính". \{B,\bar{B}\} là hệ biến cố đầy đủ.
DỮ KIỆN P(B)=0.01,\;P(\bar{B})=0.99; P(A|B)=0.99,\;P(A|\bar{B})=0.05.
TOÀN PHẦN P(A)=P(B)P(A|B)+P(\bar{B})P(A|\bar{B}).
THAY SỐ P(A)=0.01(0.99)+0.99(0.05)=0.0099+0.0495.
P(A)=0.0594 — xác suất một người bất kỳ có kết quả dương tính
LUKATO AI · LUKATO Edutainment
CHỦ ĐỀ 18 · KHÁI NIỆM 5 · BÀI TOÁN CHẨN ĐOÁN Y TẾ
study.thptai.kr
LUKATO AI
Học 10 phút mỗi ngày · Chủ đề 18 · Xác suất toàn phần & Công thức Bayes
10 /13
05 KHÁI NIỆM 2/2
Tính P(bệnh|dương tính) · Kết quả phản trực giác
Con số khiến hầu hết học sinh (và cả người lớn) đều bất ngờ.