歡迎來到概率的世界！
你有沒有想過贏得比賽的機率是多少？為什麼天氣預報會說「降雨機率為 20%」？這就是概率 (Probability) 的應用！在本章中，我們將學習如何利用數學來衡量「機會」。我們將重點研究有限樣本空間 (finite sample spaces)——簡單來說，就是指結果數量有限的情況，例如擲骰子或從一副牌中抽一張牌。
如果一開始覺得有點難，別擔心！ 一旦你掌握了基本的「遊戲規則」，概率是非常符合邏輯的。我們將會一步一步為你拆解所有概念。
1. 基礎概念：結果與事件
在進行任何計算之前，我們需要知道有什麼事情「可能」發生。這被稱為樣本空間 (sample space)。
關鍵術語
- 樣本空間 (Sample Space)： 實驗中所有可能結果的集合。
- 事件 (Event)： 我們感興趣的特定結果或結果的集合（例如：「擲出偶數」）。
- 等可能結果 (Equally Likely Outcomes)： 指樣本空間中每個結果發生的機會都相同（例如公平的硬幣或公平的骰子）。
概率公式
如果所有結果都是等可能的，那麼事件 \( A \) 的概率，記作 \( P(A) \)，公式如下：
\[ P(A) = \frac{\text{事件 } A \text{ 包含的結果數量}}{\text{樣本空間中總結果數量}} \]
例子：擲一枚公平的 6 面骰子。擲出質數（2、3 或 5）的概率是多少？
總結果為 6 個。質數共有 3 個。因此，\( P(\text{質數}) = \frac{3}{6} = 0.5 \)。
互補事件 (Complementary Events)
事件 \( A \) 的補集 (complement) 是指事件 \( A \) 不發生的情況。我們將其寫為 \( A' \)（讀作 "A prime" 或 "not A"）。
重點： 由於事情必然會發生或不發生，因此它們的概率總和始終為 1：
\[ P(A) + P(A') = 1 \quad \text{或} \quad P(A') = 1 - P(A) \]
快速複習箱
1. 概率始終介於 0（不可能）和 1（必然）之間。
2. 如果你知道獲勝的機率是 0.3，那麼輸掉的機率就是 \( 1 - 0.3 = 0.7 \)。
2. 期望頻率 (Expected Frequency)
如果你知道某事件的概率，你就可以預測如果重複該實驗多次，它會發生多少次。
期望頻率 = \( n \times P(A) \)
（其中 \( n \) 是試驗次數。）
例子：如果種子發芽的概率是 0.8，你種植了 50 顆種子，你「期望」會有 \( 50 \times 0.8 = 40 \) 顆種子發芽。
3. 視覺化概率：文氏圖與樹狀圖
有時候，將數學視覺化會讓問題變得更容易！我們主要使用三種圖表：
文氏圖 (Venn Diagrams)
這些圖表使用圓圈來顯示事件之間的關係。
- 交集 (intersection) \( P(A \cap B) \) 是圓圈重疊的部分（A 且 B 同時發生）。
- 聯集 (union) \( P(A \cup B) \) 是兩個圓圈內的所有部分（A 或 B 發生，或兩者皆發生）。
樹狀圖 (Tree Diagrams)
非常適合用於「多階段」事件（例如連續抽取兩隻襪子）。
小貼士：沿著分支方向相乘概率；將分支末端的概率相加。
樣本空間圖 (Sample Space Diagrams)
通常是一個網格或表格，用於同時發生兩個獨立事件的情況，例如擲兩枚骰子並將點數相加。
4. 複合事件：OR 與 AND
這裡我們探討兩個不同事件如何相互作用。
互斥事件 (Mutually Exclusive Events)（「或」法則）
如果事件不能同時發生，則它們是互斥的。
類比：你不可能在同一時刻既在倫敦又在巴黎。
對於互斥事件：
\[ P(A \cup B) = P(A) + P(B) \]
注意： 在文氏圖中，互斥的圓圈不會重疊，因此 \( P(A \cap B) = 0 \)。
獨立事件 (Independent Events)（「且」法則）
如果一個事件的結果不會改變另一個事件的概率，則它們是獨立的。
類比：拋硬幣然後擲骰子。骰子可不在乎硬幣拋出了什麼！
對於獨立事件：
\[ P(A \cap B) = P(A) \times P(B) \]
一般加法法則 (General Addition Rule)
如果事件可以同時發生（非互斥）怎麼辦？如果你只是單純將它們的概率相加，你會「重複計算」中間重疊的部分。因此，我們需要減去重疊部分：
\[ P(A \cup B) = P(A) + P(B) - P(A \cap B) \]
5. 條件概率 (Conditional Probability)
這是指在已知另一事件已經發生的前提下，某事件發生的概率。我們使用垂直線 \( | \) 來表示。
\( P(A | B) \) 的意思是「在已知 B 已經發生的前提下，A 發生的概率」。
公式
\[ P(A | B) = \frac{P(A \cap B)}{P(B)} \]
如何理解： 想像一個文氏圖。如果有人告訴你「事件 B 已經發生了」，那麼圓圈 B 之外的整個世界都會消失。你新的「總數」就只剩下圓圈 B，而「有利」的部分就是 A 與 B 重疊的地方。
檢查獨立性（測試方法）
如果滿足以下條件，可以證明兩個事件是獨立的：
\( P(A | B) = P(A) \)
（這字面上的意思就是：無論 B 是否發生，A 發生的概率都是一樣的！）
常見錯誤提示
- 該乘卻加： 記住「AND = 相乘」且「OR = 相加」。
- 忘記減去交集： 當計算 \( P(A \cup B) \) 時，請務必問自己：「這些事件能同時發生嗎？」如果可以，記得減去重疊部分！
- 條件概率中的分母錯誤： 永遠除以「已知」事件的概率（即垂直線之後的那個事件）。
重點總結
- 樣本空間中所有概率之和 = 1。
- \( P(\text{非 } A) = 1 - P(A) \)。
- 互斥 (Mutually Exclusive)： 不能同時發生。計算「OR」時相加。
- 獨立 (Independent)： 互不影響。計算「AND」時相乘。
- 條件 (Conditional)： \( P(A|B) \) 將你的樣本空間縮小至僅僅是 B 中的結果。
你知道嗎？ 概率論的開端很大程度上要歸功於 17 世紀的賭徒，他們想知道自己在骰子遊戲中的勝算。時至今日，它已成為保險、天氣預報甚至人工智能的基石！