二項分佈（高級程度）

歡迎來到概率的世界！

在本章中，我們將探討概率（Probability）。這是統計學的一個分支，旨在幫助我們衡量某件事發生的可能性。無論你是在預測天氣、評估保險風險，還是在玩桌上遊戲，概率都是這些謎題背後的數學基礎。由於你修讀的是高階課程（Higher Tier），我們將超越簡單的擲硬幣，深入研究風險分析、複雜的組合事件，以及稱為「分佈（Distributions）」的特殊規律。

如果有些公式初看起來像另一種語言，請不用擔心——我們會一步一步為你拆解！

1. 基礎概念：估算與期望值

在探討複雜的公式之前，我們需要知道如何從真實數據中計算概率。

相對頻率（Relative Frequency）

當我們使用已經收集到的數據來估算某事發生的概率時，這稱為相對頻率。
公式： \( \text{相對頻率} = \frac{\text{事件發生的次數}}{\text{試驗總次數}} \)

概率刻度（The Probability Scale）

概率永遠介於 0 和 1 之間（或 0% 和 100%）。
- 概率為 0 代表不可能發生。
- 概率為 1 代表必然發生。
- 概率為 0.5（或 50%）代表機會均等（Evens）。

期望頻率（Expected Frequency）

如果你知道某事件的概率，你就能預測在一定次數的試驗中，該事件預計會發生多少次。
例子： 如果巴士遲到的概率是 0.2，而你乘搭了 50 次巴士，你預期它會遲到多少次？
\( \text{期望頻率} = P(\text{事件}) \times \text{試驗次數} \)
\( 0.2 \times 50 = 10 \text{ 次} \)。

快速回顧：
- 相對頻率：基於數據的估算。
- 概率刻度：0 到 1 之間。
- 期望頻率：我們認為未來應該會發生的結果。

2. 理解風險

在現實世界中，概率經常被用來計算風險（Risk），這在醫學和保險業中非常普遍。

絕對風險（Absolute Risk）與相對風險（Relative Risk）

絕對風險僅僅是特定群體中事件發生的概率。
相對風險是一種比較兩個不同群體風險的方法。它能告訴你，相比於另一個群體，某事件在該群體中發生的可能性高出（或低出）多少。

步驟範例：駕駛考試
想像有兩位教練，A 和 B。
- 教練 A：100 名學生中有 40 名通過（\( \text{通過風險} = 0.4 \)）。
- 教練 B：100 名學生中有 20 名通過（\( \text{通過風險} = 0.2 \)）。
要找出相較於 B，跟隨 A 學習的相對風險（通過率）：
\( \text{相對風險} = \frac{\text{A 的風險}}{\text{B 的風險}} = \frac{0.4}{0.2} = 2 \)
解讀： 你在教練 A 門下通過考試的可能性是教練 B 的 2 倍。

重點： 絕對風險只是單純的機會；而相對風險是對兩個機會進行的比較。

3. 實驗概率 vs. 理論概率

為什麼擲 10 次硬幣，正面不一定剛好出現 5 次？這就是實驗與理論之間的差別。

「大數定律」（The Law of Large Numbers）

理論概率是我們運用數學計算出來的（例如：公平的硬幣出現正面的概率為 0.5）。
實驗概率是我們實際進行試驗時觀察到的結果。
關鍵點： 當你增加試驗次數（樣本量）時，實驗概率通常會越來越接近理論概率。

你知道嗎？ 如果你擲硬幣 10 次，你可能會得到 7 個正面。但如果你擲 10,000 次，你幾乎可以肯定會得到非常接近 5,000 個正面！

識別偏差（Identifying Bias）

如果經過多次試驗，你的實驗結果仍然與理論結果相差甚遠，那麼實驗可能存在偏差（Biased）。例如，如果你擲骰子 600 次，而得到「6」的次數高達 400 次，那麼這顆骰子很可能是不公平的（有加權/偏向）！

4. 組合事件與圖表

當我們處理多於一個事件時，我們會使用圖表來整理思路。

成功工具：

• 雙向表（Two-way Tables）：非常適合將數據分類（例如：性別與選修科目）。
• 溫氏圖（Venn Diagrams）：觀察事件重疊情況的最佳工具。
• 樹狀圖（Tree Diagrams）：最適合展示連續發生的事件。
• 樣本空間圖（Sample Space Diagrams）：顯示兩個事件所有可能結果的網格（例如擲兩顆骰子）。

加法法則

互斥事件（Mutually Exclusive Events）：指不可能同時發生的事件（例如在同一瞬間同時向左轉和向右轉）。
\( P(A \text{ 或 } B) = P(A) + P(B) \)

一般加法法則（適用於任何事件）： 有時事件可能會重疊。要找出 A 或 B 發生的概率，我們將兩者相加，然後減去「重疊」的部分，以免計算兩次。
\( P(A \text{ 或 } B) = P(A) + P(B) - P(A \text{ 且 } B) \)

小貼士： 在概率中，詞語 "OR"（或） 幾乎總是意味著 ADD（加法）。

5. 獨立事件與條件概率

這裡的符號看起來會比較複雜，但核心概念其實是你已經熟悉的！

獨立事件（Independent Events）

如果一個事件的結果不會改變另一個事件的概率，這些事件就是獨立的（例如：先擲硬幣，再擲骰子）。
乘法法則： \( P(A \text{ 且 } B) = P(A) \times P(B) \)
形式化標記： 對於獨立事件，\( P(A|B) = P(A) \)。這意指「在已知 B 發生的情況下，A 發生的概率，依然只是 A 的原始概率」。

條件概率（Conditional Probability）

當一個事件的結果確實會影響下一個事件時，就會用到條件概率（例如：從一副牌中抽出一張牌且不放回）。
符號 \( P(B|A) \) 代表「在已知 A 已經發生的前提下，B 發生的概率」。

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

常見錯誤： 當物品不放回時，別忘了改變分數中的「總數」！如果你有 10 顆糖果，吃了一顆，下一次的概率分母就必須變成 9。

6. 概率分佈（僅限高階課程）

有時，概率會遵循非常具體且可預測的規律。我們稱之為分佈（Distributions）。

二項分佈（Binomial Distribution）： \( B(n, p) \)

當你有固定的試驗次數，且結果只有「成功」或「失敗」兩種可能時使用。
二項分佈模型的條件：
1. 固定次數的試驗 (\( n \))。
2. 只有兩種結果（成功/失敗）。
3. 每次試驗都是獨立的。
4. 每次成功的概率 (\( p \)) 相同。
平均值（Mean）： 要計算二項分佈的平均值，公式為： \( \text{平均值} = n \times p \)

常態分佈（Normal Distribution）： \( N(\mu, \sigma^2) \)

這用於描述數據聚集在中心平均值周圍，呈現對稱的鐘形曲線（例如身高或鞋碼）。
主要特徵：
- 它是對稱的。
- 平均值、中位數和眾數相等且位於中心。
- 68-95-99.7 法則：
- 68% 的數據位於距離平均值 (\( \mu \)) 1 個標準差 (\( \sigma \)) 之內。
- 95% 的數據位於距離平均值 2 個標準差之內。
- 99.7%（幾乎全部）的數據位於 3 個標準差之內。
重要： 任何超出平均值 3 個標準差以外的數值，都被視為非常罕見。

總結：
- 二項分佈：計算固定試驗次數內的成功次數。
- 常態分佈：著名的鐘形曲線，大部分人處於「平均」，極端情況很少。

如果初學時覺得困難，請不要擔心！概率學習的關鍵在於練習。嘗試把圖表畫出來——這樣通常會讓答案變得清晰得多！