歡迎來到貝葉斯定理（Bayes’ Theorem）：更新知識的藝術！
在 FS1: 統計學 的這一章中，我們將學習概率論中最強大的工具之一。貝葉斯定理本質上是一種讓你獲得新資訊後修正觀點的方法。剛開始接觸時可能會覺得有點抽象，別擔心——看完這份筆記，你就能輕鬆解決複雜的問題了！
你知道嗎？ 貝葉斯定理目前被電子郵件服務供應商用於過濾垃圾郵件、醫生用於解讀醫學檢測結果，甚至自動駕駛汽車也用它來理解周圍的環境！
1. 起點：樹狀圖 (Tree Diagrams)
在進入公式之前，我們必須先掌握樹狀圖。它是你在處理概率問題時，視覺化分析的最佳夥伴。
構建樹狀圖
樹狀圖能幫助你清晰地列出所有可能的結果。對於牛津 AQA 課程，你通常會處理兩個或三個事件（例如工廠的三台不同機器，或學生可以選擇的三條不同路徑）。
樹狀圖的規則：
- 1. 從同一點分支出來的各分支概率總和必須等於 1。
- 2. 若要計算特定路徑的概率（例如：機器 A 且為次品），請將分支上的概率相乘。
- 3. 若要計算某個結果的總概率（例如：無論機器為何，獲得次品的總概率），請將不同路徑的結果相加。
快速回顧框：
- 相乘：沿著分支計算（「且/AND」規則）。
- 相加：將最終路徑的結果相加（「或/OR」規則）。
重點提示： 樹狀圖就是你問題的「地圖」。只要把樹畫對了，後面的數學運算就會變得簡單得多！
2. 理解條件概率 (Conditional Probability)
貝葉斯定理的核心在於條件概率。這是在「已知某事已經發生」的前提下，另一件事發生的概率。
我們將其寫作 \( P(A|B) \)，讀作：「在已知 B 的情況下，A 發生的概率。」
日常生活例子：
想像一下你在看天空。下雨的概率是 \( P(Rain) \)。然而，如果你看到烏雲密佈，下雨的概率就會改變，這就是 \( P(Rain | Clouds) \)。烏雲就是你的「新證據」。
常見錯誤：
\( P(A|B) \) 與 \( P(B|A) \) 是不同的。例如，在已知某人是快跑選手的前提下，他是運動員的概率很高；但反過來，在已知某人是運動員的前提下，他是快跑選手的概率就不一定那麼高了（他可能是一名舉重選手！）。
3. 全概率定律 (Law of Total Probability)
要運用貝葉斯定理，你通常需要事件發生的「總概率」。這通常是我們公式中的分母。
如果一個事件（我們稱之為 D，代表次品）可以通過三種不同的路徑（機器 A、B 或 C）發生，那麼 D 的總概率為：
\( P(D) = P(A \cap D) + P(B \cap D) + P(C \cap D) \)
或者，利用條件概率公式：
\( P(D) = [P(A) \times P(D|A)] + [P(B) \times P(D|B)] + [P(C) \times P(D|C)] \)
重點提示： 全概率其實就是把所有導致該結果的路徑概率全部加起來。
4. 貝葉斯定理：公式
現在，讓我們看看主角。貝葉斯定理允許我們「反轉」條件概率。如果我們已知在患病情況下出現某症狀的概率，貝葉斯定理能幫助我們求出在已知某症狀的情況下，患病的概率。
公式：
\( P(A|B) = \frac{P(B|A) \times P(A)}{P(B)} \)
拆解公式：
- \( P(A|B) \)：後驗概率 (Posterior)。我們想求的目標（例如：已知檢測呈陽性，實際患病的概率）。
- \( P(B|A) \)：似然度 (Likelihood)。（例如：已知患病，檢測呈陽性的概率）。
- \( P(A) \)：先驗概率 (Prior)。我們最初的認知（例如：該病在人群中的普遍程度）。
- \( P(B) \)：證據 (Evidence)。條件的總概率（例如：任何人檢測呈陽性的總概率）。
記憶法：「反轉技巧」
將貝葉斯定理理解為：(你感興趣的特定路徑概率) 除以 (導致該結果的所有路徑總概率)。
5. 分步示例（三個事件）
一家工廠有三台機器：A、B 和 C。
- 機器 A 生產 50% 的產品（2% 次品）。
- 機器 B 生產 30% 的產品（3% 次品）。
- 機器 C 生產 20% 的產品（5% 次品）。
如果隨機抽取一件產品發現是次品，那麼它來自機器 C 的概率是多少？
第一步：確認目標。
我們要計算 \( P(C | Defective) \)。
第二步：計算分子（特定路徑）。
機器 C 且為次品的概率：\( P(C) \times P(Defective|C) \)
\( 0.20 \times 0.05 = 0.01 \)
第三步：計算分母（次品的總概率）。
- 路徑 A：\( 0.50 \times 0.02 = 0.01 \)
- 路徑 B：\( 0.30 \times 0.03 = 0.009 \)
- 路徑 C：\( 0.20 \times 0.05 = 0.01 \)
總概率 \( P(Defective) \) = \( 0.01 + 0.009 + 0.01 = 0.029 \)
第四步：套用公式。
\( P(C | Defective) = \frac{0.01}{0.029} \approx 0.345 \)
重點提示： 始終分開計算全概率，這樣可以保持過程清晰，避免出錯！
6. 總結與考場小撇步
步驟速覽：
1. 畫出包含所有概率的樹狀圖。
2. 確認證據（即你已知發生的事情）。
3. 計算該證據的全概率（所有相關路徑末端的總和）。
4. 用你感興趣的特定路徑概率除以該全概率。
鼓勵一下： 如果公式看起來很嚇人，只需記住它永遠等於(你想要的那條分支) / (所有分支相加的總和)。多練習畫樹狀圖，數字自然就會歸位了！
考試小提示： 牛津 AQA 的考官非常看重你的樹狀圖構建。即使最終小數點後的數值有輕微誤差，清晰標註的樹狀圖也能讓你拿到大部分的分數！