歡迎來到條件機率的世界！
在機率的世界裡，情況很少是一成不變的。我們總是不斷獲得新的資訊，進而改變對某事件發生可能性的評估。舉個例子，今天下雨的機率是多少？現在，如果我告訴你天空佈滿了又黑又厚的雲，你對下雨的預估機率肯定會大幅提升！條件機率（Conditional probability）就是一種數學方法，讓我們能根據新資訊來「更新」機率。這將是你未來成為精算師時，手中最強大的工具之一。
1. 什麼是條件機率？
條件機率是指在已知另一個事件已經發生的前提下，某事件發生的機率。我們使用垂直線符號 | 來代表「在...條件下」（given）。
如果我們想要求在事件 B 已經發生的情況下，事件 A 發生的機率，我們會將其寫為： \( P(A|B) \)。
「縮小的宇宙」類比
如果公式剛開始看起來很嚇人，別擔心。換個角度想：通常我們的「宇宙」（樣本空間）包含了所有可能發生的事情。但當我們說「在條件 B 下」時，我們等於把所有非 B 的情況都拋棄了。我們新的「宇宙」現在就只有 B。我們只關心在 B 的範圍內，屬於 A 的那一部分。
公式：
\( P(A|B) = \frac{P(A \cap B)}{P(B)} \)，前提是 \( P(B) > 0 \)。
記憶小撇步：「豎線之後」的事件永遠放在地下室（分母）。因為已知 B 發生了，B 就是我們新的總空間！
快速回顧：關鍵術語
- \( P(A|B) \)： 條件機率（即「更新後」的機率）。
- \( P(A \cap B) \)： 「交集」——即 A 與 B 同時發生的機率。
- \( P(B) \)： 條件本身的機率。
重點總結：條件機率就是看兩個事件的重疊部分，相對於我們已知確定發生的事件大小之比例。
2. 乘法法則
如果我們對條件機率公式運用基本的代數運算，就能得到乘法法則（Multiplication Rule）。這對於計算連續發生的兩個事件之機率非常有用。
\( P(A \cap B) = P(B) \times P(A|B) \)
或
\( P(A \cap B) = P(A) \times P(B|A) \)
範例： 想像一個甕裡有 3 個紅球和 2 個藍球。你不放回地抽出兩個球。兩個都是紅球的機率是多少？
1. 第一個是紅球的機率： \( P(R1) = 3/5 \)。
2. 在已知第一個是紅球的條件下，第二個也是紅球的機率： \( P(R2|R1) = 2/4 \)（因為少了一個紅球）。
3. 兩個都是紅球的機率： \( (3/5) \times (2/4) = 6/20 = 0.30 \)。
3. 獨立性 vs. 相關性
有時候，得知事件 B 發生與否，完全不會改變事件 A 發生的機率。當這種情況發生時，我們稱這兩個事件為獨立（independent）。
獨立的定義：
若 \( P(A|B) = P(A) \)，則事件 A 與 B 獨立。
這也意味著 \( P(A \cap B) = P(A) \times P(B) \)。
常見錯誤：學生常會混淆「獨立」與「互斥」。
- 互斥（Mutually Exclusive） 表示它們不能同時發生（\( P(A \cap B) = 0 \)）。
- 獨立（Independent） 表示一個發生不會影響另一個。
如果兩個互斥事件的機率都不為零，它們其實是相關的（dependent），因為如果其中一個發生了，另一個就絕對不可能發生！
重點總結：如果「已知條件」沒有改變你的計算結果，那麼這兩個事件就是獨立的。
4. 全機率公式
有時候你想求事件 \( A \) 的總機率，但 \( A \) 取決於幾個不同的「情境」。想像你有三種不同的保險單，而你想計算保險理賠的總機率。
如果我們有一組事件 \( B_1, B_2, ..., B_n \)，它們彼此互斥且涵蓋了整個樣本空間（這稱為分割，partition），那麼 \( A \) 的總機率為：
\( P(A) = P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + ... + P(A|B_n)P(B_n) \)
披薩類比
把事件 A 想成披薩上總共的義大利辣腸。披薩被切成了幾片（\( B_1, B_2, B_3 \)）。要找出總辣腸量，你將（第 1 片的辣腸）+（第 2 片的辣腸）+（第 3 片的辣腸）加起來即可。每一「片」就是一個情境。
步驟說明：
1. 識別不同的情境（即 \( B \)'s）。
2. 計算每個情境發生的機率。
3. 計算你的事件 \( A \) 在每個情境下發生的機率。
4. 將它們相乘並全部加總！
5. 貝氏定理（Bayes' Theorem）
貝氏定理是條件機率的「反向」應用。當你已經知道結果，想反推導致該結果的特定情境機率時，就會用到它。在 Exam P 中，這通常表現為：「已知發生了理賠，該理賠來自 X 型保單的機率是多少？」
公式：
\( P(B_i|A) = \frac{P(A|B_i)P(B_i)}{P(A)} \)
既然我們從全機率公式中知道如何計算 \( P(A) \)，完整的公式長這樣：
\( P(B_1|A) = \frac{P(A|B_1)P(B_1)}{P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + ...} \)
你知道嗎？
貝氏定理在醫學檢測中被廣泛使用。即使檢測準確率高達 99%，在已知檢測結果呈陽性的情況下，你真的患有罕見疾病的機率可能仍然非常低！這是 Exam P 經典的陷阱題。
6. 總結與考試技巧
快速回顧區：
- 給定 B： 代表 B 現在是你的分母。
- 乘法法則： \( P(A \cap B) = P(B)P(A|B) \)。
- 獨立性： \( P(A|B) = P(A) \)。
- 樹狀圖： 如果覺得混亂，畫個樹狀圖吧！第一個分枝是你的情境（\( B_1, B_2 \)），第二個分枝是你的結果（\( A \)）。沿著分枝相乘即可得到交集機率。
要避免的常見錯誤：
1. 混淆 \( P(A|B) \) 與 \( P(B|A) \)： 「已知多雲，下雨的機率」並不等於「已知下雨，多雲的機率」。務必確認哪一個事件是已知資訊。
2. 忘記除以總機率： 在貝氏定理題目中，學生常算出分子（\( P(A \cap B) \)）卻忘記除以總機率（\( P(A) \)）。
3. 假設獨立性： 除非題目明確指出，或物理設置暗示（例如擲兩次硬幣），否則絕對不要假設兩個事件是獨立的。
如果剛開始覺得很難，別擔心！條件機率是一種思維模式的轉換。一旦你開始把「已知條件」看作你新的、較小的世界時，數學就會迎刃而解。繼續練習那些樹狀圖吧！