欢迎来到概率的世界！

你有没有想过赢得比赛的概率是多少？为什么天气预报会说“降雨概率为 20%”？这就是概率 (Probability) 的应用！在本章中，我们将学习如何利用数学来衡量“机会”。我们将重点研究有限样本空间 (finite sample spaces)——简单来说，就是指结果数量有限的情况，例如掷骰子或从一副牌中抽一张牌。

如果一开始觉得有点难，别担心！ 一旦你掌握了基本的“游戏规则”，概率是非常符合逻辑的。我们将一步一步为你拆解所有概念。


1. 基础概念：结果与事件

在进行任何计算之前，我们需要知道有什么事情“可能”发生。这被称为样本空间 (sample space)。

关键术语

  • 样本空间 (Sample Space)： 实验中所有可能结果的集合。
  • 事件 (Event)： 我们感兴趣的特定结果或结果的集合（例如：“掷出偶数”）。
  • 等可能结果 (Equally Likely Outcomes)： 指样本空间中每个结果发生的机会都相同（例如公平的硬币或公平的骰子）。

概率公式

如果所有结果都是等可能的，那么事件 \( A \) 的概率，记作 \( P(A) \)，公式如下：

\[ P(A) = \frac{\text{事件 } A \text{ 包含的结果数量}}{\text{样本空间中总结果数量}} \]

例子：掷一枚公平的 6 面骰子。掷出质数（2、3 或 5）的概率是多少？
总结果为 6 个。质数共有 3 个。因此，\( P(\text{质数}) = \frac{3}{6} = 0.5 \)。

互补事件 (Complementary Events)

事件 \( A \) 的补集 (complement) 是指事件 \( A \) 不发生的情况。我们将其写为 \( A' \)（读作 "A prime" 或 "not A"）。

重点： 由于事情必然会发生或不发生，因此它们的概率总和始终为 1：

\[ P(A) + P(A') = 1 \quad \text{或} \quad P(A') = 1 - P(A) \]

快速复习箱

1. 概率始终介于 0（不可能）和 1（必然）之间。
2. 如果你知道获胜的概率是 0.3，那么输掉的概率就是 \( 1 - 0.3 = 0.7 \)。


2. 期望频率 (Expected Frequency)

如果你知道某事件的概率，你就可以预测如果重复该实验多次，它会发生多少次。

期望频率 = \( n \times P(A) \)
（其中 \( n \) 是试验次数。）

例子：如果种子发芽的概率是 0.8，你种植了 50 颗种子，你“期望”会有 \( 50 \times 0.8 = 40 \) 颗种子发芽。


3. 可视化概率：文氏图与树状图

有时候，将数学可视化会让问题变得更容易！我们主要使用三种图表：

文氏图 (Venn Diagrams)

这些图表使用圆圈来显示事件之间的关系。

  • 交集 (intersection) \( P(A \cap B) \) 是圆圈重叠的部分（A 且 B 同时发生）。
  • 并集 (union) \( P(A \cup B) \) 是两个圆圈内的所有部分（A 或 B 发生，或两者皆发生）。

树状图 (Tree Diagrams)

非常适合用于“多阶段”事件（例如连续抽取两只袜子）。
小贴士：沿著分支方向相乘概率；将分支末端的概率相加。

样本空间图 (Sample Space Diagrams)

通常是一个网格或表格，用于同时发生两个独立事件的情况，例如掷两枚骰子并将点数相加。


4. 复合事件：OR 与 AND

这里我们探讨两个不同事件如何相互作用。

互斥事件 (Mutually Exclusive Events)（“或”法则）

如果事件不能同时发生，则它们是互斥的。
类比：你不可能在同一时刻既在伦敦又在巴黎。

对于互斥事件：

\[ P(A \cup B) = P(A) + P(B) \]

注意： 在文氏图中，互斥的圆圈不会重叠，因此 \( P(A \cap B) = 0 \)。

独立事件 (Independent Events)（“且”法则）

如果一个事件的结果不会改变另一个事件的概率，则它们是独立的。
类比：抛硬币然后掷骰子。骰子可不在乎硬币抛出了什么！

对于独立事件：

\[ P(A \cap B) = P(A) \times P(B) \]

一般加法法则 (General Addition Rule)

如果事件可以同时发生（非互斥）怎么办？如果你只是单纯将它们的概率相加，你会“重复计算”中间重叠的部分。因此，我们需要减去重叠部分：

\[ P(A \cup B) = P(A) + P(B) - P(A \cap B) \]


5. 条件概率 (Conditional Probability)

这是指在已知另一事件已经发生的前提下，某事件发生的概率。我们使用垂直线 \( | \) 来表示。

\( P(A | B) \) 的意思是“在已知 B 已经发生的前提下，A 发生的概率”。

公式

\[ P(A | B) = \frac{P(A \cap B)}{P(B)} \]

如何理解： 想象一个文氏图。如果有人告诉你“事件 B 已经发生了”，那么圆圈 B 之外的整个世界都会消失。你新的“总数”就只剩下圆圈 B，而“有利”的部分就是 A 与 B 重叠的地方。

检查独立性（测试方法）

如果满足以下条件，可以证明两个事件是独立的：
\( P(A | B) = P(A) \)
（这字面上的意思就是：无论 B 是否发生，A 发生的概率都是一样的！）


常见错误提示

  • 该乘却加： 记住“AND = 相乘”且“OR = 相加”。
  • 忘记减去交集： 当计算 \( P(A \cup B) \) 时，请务必问自己：“这些事件能同时发生吗？”如果可以，记得减去重叠部分！
  • 条件概率中的分母错误： 永远除以“已知”事件的概率（即垂直线之后的那个事件）。

重点总结

- 样本空间中所有概率之和 = 1。

- \( P(\text{非 } A) = 1 - P(A) \)。

- 互斥 (Mutually Exclusive)： 不能同时发生。计算“OR”时相加。

- 独立 (Independent)： 互不影响。计算“AND”时相乘。

- 条件 (Conditional)： \( P(A|B) \) 将你的样本空间缩小至仅仅是 B 中的结果。

你知道吗？ 概率论的开端很大程度上要归功于 17 世纪的赌徒，他们想知道自己在骰子游戏中的胜算。时至今日，它已成为保险、天气预报甚至人工智能的基石！