機率入門 (IGCSE 0607)
各位數學家大家好！歡迎來到精彩的機率世界。這一章將帶領大家了解「隨機性」，並預測事件發生的可能性有多大。
為什麼機率很重要呢？我們每天都在利用機率做決定——從考慮是否要帶雨傘（下雨的機會有多大？），到評估金融或科學中的風險。這是理解數據和統計學的核心技能。
我們將從基礎知識（核心課程內容）開始，並逐步學習處理複合事件的強大技巧（延伸課程內容）。如果一開始覺得有點難也不用擔心，我們會把每一個概念拆解得清清楚楚！
第 1 節：機率尺度與單一事件 (C9.1 / E9.1)
機率簡單來說，就是衡量某件事發生的可能性。
1.1 機率尺度
所有機率都落在 0 到 1 之間的尺度上。
- 0：該事件為不可能發生。（例如：貓長出翅膀的機率。）
- 0.5 或 1/2：該事件為均等機會。（例如：擲硬幣出現正面的機率。）
- 1：該事件為必然發生。（例如：明天太陽升起的機率。）
機率必須以 分數、小數或百分比 表示（例如：1/4、0.25 或 25%）。
1.2 計算單一事件的機率
計算特定事件 (\(A\)) 機率的核心公式非常直觀：
$$P(A) = \frac{\text{有利結果的數目}}{\text{所有可能結果的總數}}$$
例子：擲骰子
想像你擲一顆公平的六面骰子。
- 所有可能結果：{1, 2, 3, 4, 5, 6}。總數 = 6。
-
事件 A：擲出 4。
有利結果：{4}。數目 = 1。
$$P(\text{擲出 4}) = \frac{1}{6}$$ -
事件 B：擲出偶數。
有利結果：{2, 4, 6}。數目 = 3。
$$P(\text{擲出偶數}) = \frac{3}{6} = \frac{1}{2}$$
1.3 互補事件（「非」法則）
事件發生的機率加上該事件不發生的機率總和永遠等於 1。這稱為互補事件。
$$P(\text{非 } A) = 1 - P(A)$$
如果使用延伸 (Extended) 課程的標記法（核心課程考生無需掌握，但了解一下也很好！）：\(P(A')\) 或 \(P(\bar{A})\) 代表 A 不發生的機率。
$$P(A') = 1 - P(A)$$
快速複習：單一事件
機率尺度介於 0 到 1 之間。做題時請務必看清題目問的是事件「發生」還是「不發生」。
第 2 節：相對頻率與期望頻率 (C9.2 / E9.2)
有時候，我們無法從理論上計算機率（例如擲骰子）。這種時候，我們必須依賴實驗，這就引入了頻率的概念。
2.1 相對頻率（實驗機率）
相對頻率是透過進行實驗估算出來的機率。
它有時也被稱為實驗機率。
$$\text{相對頻率} = \frac{\text{事件發生的次數}}{\text{實驗總次數}}$$
你知道嗎？
實驗次數越多（總試驗次數越多），相對頻率通常會越接近真實的理論機率。這就是所謂的 大數定律 (Law of Large Numbers)。
例子：轉動轉盤
將一個轉盤轉動 200 次，指針停在紅色的次數為 45 次。
估算的機率 \(P(\text{紅色})\) 即為相對頻率：
$$P(\text{紅色}) = \frac{45}{200} = 0.225$$
2.2 理解公平性與偏差
在討論機率時，我們常提到：
- 公平/隨機：每個結果發生的機會均等。（例如：平衡的硬幣、標準骰子。）
- 偏差 (Bias)：某些結果發生的可能性比其他結果高。這就是為什麼我們需要依賴相對頻率來估算有偏差物體的機率。（例如：加重的硬幣。）
2.3 計算期望頻率
如果我們已知某事件的機率，就可以預測該事件在未來一定次數的試驗中會發生多少次。這就是期望頻率（或稱期望值）。
$$\text{期望頻率} = P(\text{事件}) \times \text{試驗總次數}$$
例子：預計勝場數
足球隊贏得比賽的機率為 0.6。如果他們本季要踢 40 場比賽，預計會贏多少場？
$$\text{預計勝場} = 0.6 \times 40 = 24$$
重點總結：估算
相對頻率是過去實際發生的情況。期望頻率是我們對未來預測會發生的次數。
第 3 節：複合事件的機率 (C9.3 / E9.3)
當兩個或多個事件同時發生時（例如擲兩個硬幣、抽兩張牌），我們需要考慮複合機率。我們會使用圖表來直觀地表示所有可能性。
3.1 樣本空間圖
樣本空間圖（通常是列表或雙向表格）展示了實驗中所有可能的結果。
例子：擲兩顆骰子（雙向表格）
擲兩顆骰子時，樣本空間共有 \(6 \times 6 = 36\) 種可能的結果。
如果我們想計算總和為 7 的機率：
- 有利結果（和為 7）：(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)。總數 = 6。
- $$P(\text{總和為 7}) = \frac{6}{36} = \frac{1}{6}$$
3.2 使用文氏圖 (Venn Diagrams)
文氏圖非常適合將事件及其關係可視化，特別是當兩個集合有重疊時（核心與延伸課程將文氏圖限制在兩個集合內）。
- 矩形代表全集 (\(U\))，即所有可能結果。
- 圓圈代表特定事件 (\(A\)、\(B\))。
文氏圖術語 (C9/E9)
- 交集 (AND)： \(A\) 和 \(B\) 重疊的中間部分。這表示兩個事件同時發生。標記（延伸）：\(A \cap B\)。
- 聯集 (OR)： \(A\) 或 \(B\) 覆蓋的所有區域。這表示A 發生，或 B 發生，或兩者同時發生。標記（延伸）：\(A \cup B\)。
- 補集 (NOT)： 圓圈外面的區域。標記（延伸）：\(A'\)。
3.3 樹狀圖 (Tree Diagrams)
樹狀圖對於展示兩件或以上事件的序列至關重要。
如何使用樹狀圖：
- 從第一個事件開始，為其所有可能結果畫出分支，並將機率寫在分支上。
- 從這些分支的末端，為第二個事件畫出二級分支，同樣將機率寫在新的分支上。
- 在路徑末端寫出最終結果（例如：「正面，反面」）和最終機率。
樹狀圖的黃金法則：
- 法則 1（沿著分支）： 若要計算序列的機率（例如：紅色 AND 紅色），需將路徑上的機率相乘。
- 法則 2（在末端列）： 若要計算多種成功路徑的機率（例如：紅, 藍 OR 藍, 紅），需將所需結果的機率相加。
常見錯誤警示！
別搞混相加與相乘！沿著分支計算（AND）時要相乘；而在末端將不同情況相加（OR）時才使用相加。
第 4 節：進階複合機率（延伸課程重點 E9.3）
對於延伸課程的學生，你需要規範化組合事件的規則，並考慮「有放回」與「無放回」事件之間的重要區別。
4.1 獨立事件（有放回）
若兩個事件 \(A\) 和 \(B\) 的結果互不影響，則它們是獨立的。
類比：擲兩次硬幣。第一次的結果對第二次沒有任何影響。
獨立事件的乘法規則 (AND)：
$$P(A \text{ and } B) = P(A) \times P(B)$$
有放回事件
當物品被選出後又放回，事件即為獨立事件，因為下一次選取時的總數保持不變。
4.2 相依事件（無放回）
若第一個事件的結果會改變第二個事件的機率，則這兩個事件是相依的。
類比：從袋中抽彈珠且不放回。如果你拿走了一顆紅彈珠，袋中剩餘彈珠的組合就變了，這會改變第二次抽中紅彈珠的機率。
在處理相依事件的樹狀圖時，你必須根據第一個事件的情況，仔細更新第二層分支的機率！
例子：袋中有 3 顆紅彈珠和 7 顆藍彈珠。
- \(P(\text{第一次抽中紅}) = \frac{3}{10}\)
- 如果第一次是紅且未放回，袋中現在有 2 顆紅和 7 顆藍（總共 9 顆）。
- \(P(\text{第二次抽中紅}) = \frac{2}{9}\)
- $$P(\text{紅然後紅}) = \frac{3}{10} \times \frac{2}{9} = \frac{6}{90}$$
4.3 互斥事件（加法規則）
若兩個事件 \(A\) 和 \(B\) 不可能同時發生（兩者沒有共同結果），則它們是互斥的。如果 \(A\) 發生，\(B\) 就不能發生，反之亦然。
類比：擲骰子。你不可能同時擲出 2 又擲出 5。
互斥事件的加法規則 (OR)：
$$P(A \text{ or } B) = P(A) + P(B)$$
課程標記法：$$P(A \cup B) = P(A) + P(B)$$
記憶口訣：何時相加，何時相乘
加 (A)dding = M.E. (互斥, Mutually Exclusive)。當你需要一個結果 OR 另一個結果時，使用 +。
乘 (M)ultiplying = Independent (獨立)。當你需要一個結果 AND 另一個結果（序列）時，使用 x。
複習與練習：機率工具
根據題目的結構選擇正確的工具：
工具總結
- 樣本空間圖 / 表格：最適合將所有可能結果視覺化，特別是處理兩個獨立事件（如擲兩顆骰子或擲兩枚硬幣）時。
- 文氏圖：最適合根據共享特徵或集合來視覺化結果（例如：喜歡喝茶 AND 咖啡的人）。
- 樹狀圖：處理事件序列的必備工具，特別是當事件為相依（無放回）時。
你已經掌握了機率的基礎！要精通機率，關鍵在於多加練習，重點在於分辨事件是獨立還是互斥，並選擇正確的工具（表格、文氏圖或樹狀圖）來計算最終結果。繼續保持這種勁頭！