Relative and expected frequencies

各位 IGCSE 数学达人们，你好！带你搞懂相对频率与期望频率

欢迎来到令人兴奋的实验概率（Experimental Probability）世界！在我们之前的概率笔记中，我们关注的是理想状态下“应该”发生的事情（比如抛硬币时，有 50% 的概率出现正面）。而这一章，我们将看看进行实验时“实际”发生了什么，并学习如何利用这些现实世界的统计结果来进行预测。

这项技能不仅对考试至关重要，在现实生活中也大有用处——想想看，无论是预测新款汽车的可靠性，还是评估保险业务中的风险，都离不开它。让我们一起来掌握相对频率（Relative Frequency）和期望频率（Expected Frequency）吧！

第一部分：从理论到实践（实验概率）

在学习概率时，我们需要区分两种主要类型：

1. 理论概率（Theoretical Probability）

这是基于我们对公平实验的预期计算出的概率。我们利用逻辑和公式来计算：

$$P(\text{Event}) = \frac{\text{Number of favourable outcomes}}{\text{Total number of possible outcomes}}$$

例子：掷一颗均匀的骰子，出现“6”的理论概率是 \( \frac{1}{6} \)。

2. 实验概率（即相对频率，Relative Frequency）

这是通过多次进行实验并记录结果所得出的概率。这种概率完全基于观察数据。

例子：如果你掷骰子 60 次，其中有 12 次出现“6”，那么实验概率就是 \(\frac{12}{60}\)。

第二部分：作为概率估计的相对频率 (C9.2.1 / E9.2.1)

相对频率是实验概率的另一种称呼。它告诉你某个事件相对于总实验次数发生的频繁程度。

定义与计算

事件的相对频率计算公式如下：

$$ \text{Relative Frequency} = \frac{\text{Frequency of Outcome}}{\text{Total Number of Trials (Total Frequency)}} $$

把它想象成体育比赛统计数据：如果一名足球运动员进行了 50 次点球，射门得分 35 次，那么他得分的相对频率就是 \(\frac{35}{50} = 0.7\)。

分步示例：转盘实验

一名学生将一个四面转盘转动了 200 次，记录结果如下：

结果	频率
1	45
2	55
3	60
4	40

问题：请估计转动出“3”的概率。

第一步：找出目标结果的频率。
转出“3”的频率 = 60。

第二步：找出总实验次数。
总次数 = 200。

第三步：计算相对频率。
$$ P(3) \approx \frac{60}{200} = 0.3 $$

转动出“3”的估计概率为 0.3（或 \(\frac{3}{10}\)）。

将相对频率作为估计值

本章的一个核心概念是：相对频率是对真实概率的估计。

如果你只进行了几次实验（比如抛 10 次硬币），你可能得到 8 次正面。此时相对频率为 0.8。我们知道理论概率是 0.5，所以 0.8 是一个很不准的估计。

关键概念：大数定律（Law of Large Numbers）

你重复实验的次数越多（试验次数越大），相对频率就越会接近真实的理论概率。

想象一下抛 10,000 次硬币。你几乎肯定会得到一个非常接近 0.5 的相对频率。因此，大量的实验次数能提供更精确的估计。

第三部分：计算期望频率 (C9.2.2 / E9.2.2)

一旦我们知道了某个事件的概率，就可以预测它在未来的一系列试验中会发生多少次。这种预测被称为期望频率（Expected Frequency）。

期望频率公式

期望频率告诉我们在特定的实验次数中，预计某个事件发生的平均次数。

$$ \text{Expected Frequency} = P(\text{Event}) \times \text{Total Number of Trials} $$

如果计算结果不是整数，不必担心！期望频率是一个长期平均值，所以就算算出预计有 15.5 个雨天也是完全正常的，尽管现实中不可能有“半个雨天”。

分步示例：预测结果

公交车在特定站点迟到的概率为 \( 0.15 \)。

问题：如果下周有 80 辆公交车经过该站，预计有多少辆会迟到？

第一步：确定概率和总试验次数。
$$ P(\text{Late}) = 0.15 $$ $$ \text{Total Trials} = 80 $$

第二步：应用期望频率公式。
$$ \text{Expected Frequency} = P(\text{Late}) \times 80 $$ $$ \text{Expected Frequency} = 0.15 \times 80 $$

第三步：计算结果。
$$ 0.15 \times 80 = 12 $$

结论：预计下周会有 12 辆公交车迟到。

使用相对频率来估计期望频率

有时题目不会直接给出理论概率，你需要使用之前实验的结果（相对频率）来做出新的预测。

例子：在工厂里，测试了 50 个产品，发现其中 3 个有缺陷。如果工厂明天生产 600 个产品，预计有多少个缺陷产品？

第一步：计算相对频率（作为缺陷概率的估计值）。
$$ P(\text{Faulty}) \approx \frac{3}{50} = 0.06 $$

第二步：计算新批次的期望频率。
$$ \text{Expected Frequency} = P(\text{Faulty}) \times 600 $$ $$ \text{Expected Frequency} = 0.06 \times 600 = 36 $$

我们预计 600 个产品中有 36 个是有缺陷的。

第四部分：理解“公平”、“偏差”与“随机”

在处理概率问题，特别是实验结果时，理解实验本身的性质非常重要。

1. 公平与偏差（无偏 vs. 有偏）

如果所有可能的结果都有相等的发生机会，那么该对象或实验就是公平（Fair）的（或称为无偏的，Unbiased）。

• 公平的例子： 一枚标准、配重均匀的硬币。\(P(H) = P(T) = 0.5\)。

如果某些结果比其他结果更有可能发生，那么该对象或实验就是有偏的（Biased）。

• 有偏的例子： 一枚灌了铅的骰子，使得它更容易掷出“1”。\(P(1) > \frac{1}{6}\)。

我们经常使用相对频率来检验是否存在偏差。如果你抛 1000 次硬币，得到了 900 次正面（相对频率为 0.9），你完全有理由怀疑这枚硬币是有偏的！

2. 随机（Random）

如果单次试验的结果是不可预测的，那么这个过程就是随机（Random）的。

• 掷骰子、闭着眼睛从袋子里选弹珠，或者公交车的到达时间，都是随机事件的例子。
• 在一个真正的随机过程中，一次试验的结果（例如掷出“6”）不会影响下一次试验的结果。

关键要点与总结

现在你已经学会了如何将理论数学与现实世界的实验结果联系起来！

相对频率：

• 它是实验的结果：\(\frac{\text{观察到的频率}}{\text{总试验次数}}\)。
• 它被用作真实概率的估计值。
• 试验次数越多，估计越准确。

期望频率：

• 它是对未来结果的预测：\( P(\text{Event}) \times \text{总试验次数} \)。
• 它是一个计数（个数），而不是概率（尽管它可以是非整数）。

定义：

• 公平/无偏（Fair/Unbiased）： 所有结果的机会均等。
• 偏差（Bias）： 结果的机会不均等。
• 随机（Random）： 单次试验的结果不可预测。

你做得很好！继续练习这些计算，并记住“我们预期的”和“实际发生的”之间的区别。