Probability

欢迎来到概率世界！

概率（Probability）的核心就是衡量事件发生的可能性。无论是你好奇明天会不会下雨、计算赢得游戏的几率，还是看看掷硬币会不会出现正面，你都在运用概率！在本指南中，我们将按照 AQA 8300 课程大纲，将所有内容拆解成简单易懂的步骤。如果有些部分起初看起来有点“随机”，别担心——我们会一起把它理清！

1. 基础概念：概率标尺

在数学中，我们使用从 0 到 1 的标尺来衡量概率。

• 概率为 0 表示事件 不可能（Impossible） 发生（例如：猪会飞）。
• 概率为 1 表示事件 必然（Certain） 发生（例如：太阳升起）。
• 概率为 0.5 表示事件有 对等机会（Even Chance）（例如：公平的硬币投掷）。

重点提示： 你可以用 分数（fractions）、小数（decimals） 或 百分比（percentages） 来书写概率。例如，50% 的机会等同于 \( 0.5 \) 或 \( \frac{1}{2} \)。一定要检查题目是否要求使用特定的格式！

必须知道的关键术语：

公平（Fair）： 指物体（如骰子或硬币）每个结果出现的机会均等。
有偏差（Biased）： 指某些结果比其他结果更有可能出现的物体。
随机（Random）： 指每个结果被选中的机会均等。

快速回顾： 概率绝对不会小于 0 或大于 1。如果你算出的概率是 1.2，那一定是哪里出错了！

2. 计算理论概率

理论概率是我们基于数学计算所“预期”会发生的结果。我们使用以下公式：

\( P(\text{Event}) = \frac{\text{事件发生的方式数量}}{\text{所有可能结果的总数量}} \)

例子：掷一颗标准六面骰子，掷出 4 的概率是多少？
掷出 4 的方式有 1 种。总共有 6 种可能的结果。
所以，\( P(4) = \frac{1}{6} \)。

记忆法： 记住 “目标 ÷ 总数”。把 你想要的结果 放在分子，把 所有选项的总数 放在分母。

3. 预期结果

如果你知道了概率，就可以预测在多次试验中，某个事件会发生多少次。

公式： \( \text{预期结果} = \text{概率} \times \text{试验次数} \)

例子：如果种子发芽的概率是 0.8，种下 200 颗种子，预期会有多少颗发芽？
计算：\( 0.8 \times 200 = 160 \text{ 颗种子} \)。

4. 相对频率（实验概率）

有时我们不知道理论概率，所以我们会进行实验。相对频率（Relative Frequency） 就是从你的实验结果计算出来的概率。

\( \text{相对频率} = \frac{\text{事件发生的次数}}{\text{试验总次数}} \)

你知道吗？ 你重复实验的次数越多（样本量越大），你的相对频率就会越接近实际的理论概率。如果你掷硬币 10 次，你可能会得到 7 次正面。但如果你掷 10,000 次，你会得到非常接近 5,000 次的正面！

关键要点： 大样本量能提供更可靠的结果。

5. 互斥事件与穷尽事件

互斥事件（Mutually Exclusive）： 指 不可能 同时发生的事件。例如，你不可能在同一瞬间同时向左转和向右转。
穷尽事件（Exhaustive）： 指涵盖了 所有 可能性的结果集合。

黄金法则： 所有互斥且穷尽的结果，其概率总和永远等于 1。

例子：一个袋子里有红、蓝、绿三种弹珠。如果 \( P(\text{红}) = 0.3 \)，且 \( P(\text{蓝}) = 0.4 \)，那么 \( P(\text{绿}) \) 是多少？
步骤 1：相加已知概率：\( 0.3 + 0.4 = 0.7 \)
步骤 2：从 1 中减去：\( 1 - 0.7 = 0.3 \)
答案：\( P(\text{绿}) = 0.3 \)。

6. 系统性地列出结果

对于较复杂的问题，你需要列出所有可能的结果，以免遗漏。你可以使用 样本空间图（Sample Space Diagrams）（通常是网格）或 频率树（Frequency Trees）。

样本空间图例子：

如果你掷两枚骰子并将分数相加，网格图可以帮助你看到总共有 36 种结果（6 乘 6）。这能让你轻松计算出得到总和为 7 的方式有多少种。

文氏图（Venn Diagrams）：

文氏图有助于将数据组织成重叠的组别。
• 中间重叠的部分（交集，Intersection）代表属于 两组 的元素。
• 圆圈外的空间代表 两者都不属于 的元素。

7. 独立事件与相依事件

独立事件（Independent Events）： 一个事件 不会 影响另一个事件（例如：掷硬币后再掷骰子）。
相依事件（Dependent Events）： 一个事件 会 影响下一个（例如：从袋子里拿走一颗糖果并吃掉，会改变下一个人剩下的糖果总数）。

“或 (OR)”与“且 (AND)”规则：

• 或 (OR)（加法规则）： 如果事件是互斥的，\( P(A \text{ 或 } B) = P(A) + P(B) \)。
• 且 (AND)（乘法规则）： 如果事件是独立的，\( P(A \text{ 且 } B) = P(A) \times P(B) \)。

简单技巧：
如果你想要 这个 或 那个 -> 相加 概率。
如果你想要 这个 且 那个 -> 相乘 概率。

8. 树状图（Tree Diagrams）

树状图对于将连续发生的两个或多个事件视觉化非常有用。

如何使用：
1. 沿着 分支相乘，以求出特定路径的概率。
2. 如果需要多个成功的结果，则将终点的结果 向下 相加。

例子：从抽屉里取出两只袜子（相依事件）。
如果你有 5 只红袜和 3 只蓝袜，第一次取到红袜的概率是 \( \frac{5}{8} \)。如果你留下了这只袜子，第二次取到红袜的概率会变成 \( \frac{4}{7} \)，因为红袜减少了一只，总数也减少了一只。

常见错误： 当物品没有放回时，忘记减少“总数”（分母）！

9. 条件概率（高阶重点）

条件概率是指 在已知 另一个事件已经发生的前提下，某个事件发生的可能性。它限制了你所观察的“总结果”。

例子：一个班级有 30 名学生。20 人喜欢数学，15 人喜欢艺术，10 人两者都喜欢。如果你随机选择一名 已经喜欢数学 的学生，他们也喜欢艺术的概率是多少？
与其看全部 30 名学生，你的“总数”现在只有喜欢数学的 20 人。在这 20 人中，有 10 人喜欢艺术。
所以，\( P(\text{艺术 | 数学}) = \frac{10}{20} = 0.5 \)。

快速回顾： 在“已知...”这类问题中，请务必先确定你的 新总数！

最终总结要点

• 概率 永远介于 0 和 1 之间。
• 总和为 1： 所有可能结果相加必须等于 1。
• 大样本： 试验次数越多，实验结果越可靠。
• “且”= 相乘；“或”= 相加。
• 树状图： 如果物品没有放回，记得更改分数的分母！

做得好！概率需要练习，但一旦你掌握了如何系统地列出结果以及何时相加或相乘，你就完全没问题了！