歡迎來到機率的世界！

歡迎踏出掌握「量化分析」（Quantitative Analysis）的第一步！如果你曾好奇為什麼我們需要買保險，或者銀行是如何決定是否貸款給客戶，其實你已經在思考機率的問題了。在 FRM 的課程中，機率不僅僅是擲骰子這麼簡單；它是我們用來描述風險與不確定性的語言。別擔心數學不是你的強項——我們會將這些概念拆解成簡單、合乎邏輯的部分，讓每個人都能輕鬆跟上。

1. 基礎積木：事件與結果

在進入公式之前，我們需要先了解「比賽場地」。

樣本空間（Sample Space）：這是一項實驗中所有可能結果的集合。可以把它想像成所有可能發生的事的「菜單」。對於一顆標準的六面骰子，樣本空間就是 {1, 2, 3, 4, 5, 6}。
事件（Event）：這是我們感興趣的特定結果或一組結果。例如，「擲出偶數」就是一個包含 {2, 4, 6} 的事件。

機率的黃金法則：
1. 任何事件的機率 P(A)，永遠介於 0 與 1 之間（即 0% 到 100%）。
2. 在樣本空間中，所有互斥且窮盡的結果，其機率總和永遠等於 1。

重要術語複習：

互斥（Mutually Exclusive）：兩個事件不能同時發生。類比：你不可能在同一瞬間既在紐約又在倫敦。
窮盡（Exhaustive）：一組事件涵蓋了所有可能發生的結果。類比：拋硬幣時，「正面」和「反面」就是窮盡的，因為沒有其他選擇（我們假設它不會立起來！）。

快速複習：如果事件既互斥又窮盡，它們的機率總和必須等於 1.0（即 100%）。

2. 加法法則（「或」規則）

當我們想知道事件 A 或 事件 B 發生其中之一的機率時，我們使用加法。但我們必須小心「重複計算」的問題。

一般加法法則：
\( P(A \cup B) = P(A) + P(B) - P(A \cap B) \)

等等，為什麼要減去 \( P(A \cap B) \) 呢？
例子：想像你從一副撲克牌中抽一張牌。事件 A 是抽到一張紅牌，事件 B 是抽到一張國王（King）。如果我們直接相加，我們就把「紅心國王」和「方塊國王」計算了兩次！減去交集（重疊部分）就能修正這個問題。

特殊情況：如果事件是互斥的（它們沒有重疊），那麼 \( P(A \cap B) = 0 \)。在這種情況下，公式簡化為：\( P(A \cup B) = P(A) + P(B) \)。

3. 條件機率（「已知條件」規則）

這對風險管理師來說是最有趣的部分。條件機率是指，在已知另一事件已經發生的前提下，該事件發生的機率。

公式為：
\( P(A|B) = \frac{P(A \cap B)}{P(B)} \)

現實生活類比：已知經濟處於衰退期（事件 B），一家公司違約（事件 A）的機率是多少？「已知條件」部分將我們的觀察範圍限制在僅有經濟衰退發生的那些時候。

常見錯誤：不要混淆 \( P(A|B) \) 和 \( P(B|A) \)。已知下雨的前提下，天空是陰天的機率是 100%；但已知天空是陰天的前提下，會下雨的機率卻低得多！

4. 乘法法則（「且」規則）

當我們想找到事件 A 且 事件 B 同時發生的機率時，我們使用由條件機率公式推導出來的乘法法則：

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

獨立事件 vs. 相依事件

如果其中一個事件的發生不會改變另一個事件的機率，那麼這兩個事件就是獨立的。
例子：先擲出一枚骰子的「6」，再擲出另一個「6」。第一次擲骰並不會「耗盡」6 的出現機率；第二次擲骰也不會受到第一次的影響。

對於獨立事件：
\( P(A \cap B) = P(A) \times P(B) \)

你知道嗎？在 2008 年金融海嘯中，許多模型失敗的原因就是因為它們假設不同城市的抵押貸款違約是獨立的。但實際上，它們高度相依——當一個崩潰時，其他的也會隨之跟進！

5. 全機率法則（Total Probability Rule）

有時候我們想知道事件 (A) 的總機率，但該事件取決於幾個不同的「情境」(B)。全機率法則允許我們通過加總各情境的加權條件機率來計算總機率。

\( P(A) = P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + ... + P(A|B_n)P(B_n) \)

逐步範例：
假設一家銀行的投資組合根據經濟狀況可能會「獲利」或「虧損」。
- 情境 1：經濟好（機率 60%）。投資組合獲利機率：90%。
- 情境 2：經濟差（機率 40%）。投資組合獲利機率：20%。
獲利的總機率 = \( (0.90 \times 0.60) + (0.20 \times 0.40) = 0.54 + 0.08 = 0.62 \)，即 62%。

6. 貝氏定理（Bayes' Theorem）：更新你的觀點

貝氏定理是 FRM 中的傳奇概念。當我們獲得更多證據時，它允許我們更新對某個假設的機率判斷。

公式：
\( P(A|B) = \frac{P(B|A) \times P(A)}{P(B)} \)

簡單來說：
更新後的機率 = (新證據的可能性 \(\times\) 先驗機率) / 證據的總機率

例子：醫生為一名病人進行罕見疾病檢測。
1. 先驗機率（Prior）：該疾病在一般人群中有多常見？ \( P(Disease) \)
2. 證據（Evidence）：檢測結果呈陽性。
3. 貝氏推論：我們利用檢測的準確性來更新「先驗機率」，從而得出「後驗機率」（即在檢測呈陽性的情況下，病人確實患病的機率）。

記憶技巧：把貝氏定理想像成一個「現實檢核」。它會根據新的、雜亂的數據，調整你最初的估計。

總結與關鍵要點

1. 範圍：機率永遠在 0 到 1 之間。
2. 加法（OR）：使用 \( P(A) + P(B) \)，但要減去重疊部分 \( P(A \cap B) \)。
3. 乘法（AND）：將一個事件的機率與另一個事件的條件機率相乘。
4. 獨立性：如果 \( P(A|B) = P(A) \)，則事件是獨立的，它們互不影響。
5. 貝氏定理：當新數據出現時，「改變想法」的數學工具。

別擔心，如果剛開始覺得這很棘手是很正常的！機率是一種思考方式，而不僅僅是一堆公式。繼續練習這些邏輯步驟，你會發現當你深入「量化分析」章節時，這些概念會變得像呼吸一樣自然。