歡迎來到機率的世界！
在本章中，我們將一起探索機會的數學奧秘。機率遠不止是擲骰子或拋硬幣那麼簡單；它是預測天氣、釐定保險費，甚至搜尋引擎如何為你找出資訊的基礎。別擔心，如果你一開始覺得那些符號有點嚇人，我們將會一步步拆解，把它們轉化為簡單的日常概念！
1. 基礎概念：互斥事件與獨立事件
在我們進行計算之前，必須先了解事件之間的兩種主要關係。弄清楚其中的區別，你已經成功了一半！
互斥事件 (Mutually Exclusive Events)
你可以把互斥事件想像成「二擇一，但絕不可能同時發生」。如果其中一個發生了，另一個就絕對不可能發生。
例子：你不可能在同一瞬間既身處倫敦又身處曼徹斯特。這就是互斥的地點。
規則： 如果事件 \(A\) 與 \(B\) 是互斥的，那麼兩者中任何一個發生的機率為：
\(P(A \cup B) = P(A) + P(B)\)
獨立事件 (Independent Events)
獨立事件就像兩段互不干擾的劇情。其中一個事件發生的結果，對另一個事件完全沒有影響。
例子：擲出一枚骰子得到「6點」，然後拋硬幣得到「正面」。硬幣才不管骰子出了什麼點數呢！
規則： 如果事件 \(A\) 與 \(B\) 是獨立的，那麼兩者同時發生的機率為：
\(P(A \cap B) = P(A) \times P(B)\)
重點複習箱：
● 互斥： 相加！(它們不能同時發生)。
● 獨立： 相乘！(一個不會影響另一個)。
● 常見錯誤： 千萬別把獨立事件的機率相加。如果你拋兩次硬幣，出現兩次正面的機率並非 \(0.5 + 0.5 = 1.0\) (必然發生)；正確答案應該是 \(0.5 \times 0.5 = 0.25\)。
2. 解碼符號：集合標記法
在 A Level 數學中，我們使用符號來保持整潔。以下是你必須掌握的「三大」符號：
1. 聯集 \( (A \cup B) \)： 這代表「A 或 B」。想像這個符號就像一個「聯集 (Union)」或一個水桶，它會把兩個圓圈裡的所有東西都裝進去。
2. 交集 \( (A \cap B) \)： 這代表「A 且 B」。想像這個 'n' 形狀就像一座橋，連接著兩個事件重疊的地方。
3. 補集 \( (A') \)： 這代表「非 A」。它是事件 A 以外的所有範圍。
加法定理（一般規則）：
如果事件可以同時發生（它們不是互斥的），我們使用這個公式：
\(P(A \cup B) = P(A) + P(B) - P(A \cap B)\)
為什麼要減去交集？ 因為當你把圓圈 A 和圓圈 B 加起來時，你把中間重疊的部分計算了兩次！我們減去一次，才能確保總數準確無誤。
核心觀念： 永遠記住「所有機率之和 = 1」。如果你已知 \(P(A)\)，那麼 \(P(A') = 1 - P(A)\)。
3. 條件機率：「給定條件」的因素
這通常是學生感到卡關的部分，但讓我們把它簡化吧。條件機率只是因為你獲得了新資訊，而對焦點進行調整而已。
標記法 \(P(A|B)\) 的意思是「在已知 \(B\) 已經發生的前提下，\(A\) 發生的機率」。
類比： 想像你在抽屜裡找一雙紅襪子。
● \(P(\text{Red})\) 是從整個抽屜抽出紅襪子的機會。
● \(P(\text{Red}|\text{Woollen})\) 是在只看毛襪那一堆的情況下抽出紅襪子的機會。你已經忽略了其他所有襪子！
公式：
\(P(A|B) = \frac{P(A \cap B)}{P(B)}\)
如何檢驗獨立性：
如果 \(P(A|B) = P(A)\)，則這兩個事件是獨立的。這意味著知道 \(B\) 的發生，完全不會改變 \(A\) 發生的機率！
4. 成功工具：文氏圖與樹狀圖
當題目看起來很複雜時，把它畫出來！
文氏圖 (Venn Diagrams)
非常適合用來處理兩到三個重疊的類別。
逐步提示： 永遠從由內而外開始。先填寫中間的交集 (\(A \cap B\))，然後再處理圓圈的外圍部分。
樹狀圖 (Tree Diagrams)
最適合處理「序列式」事件（例如：先抽一張牌，再抽另一張）。
● 沿著樹枝相乘（得出一個結果「且」另一個結果發生的機率）。
● 將樹枝末端的結果相加（得出一個結果「或」另一個結果發生的機率）。
你知道嗎？ 醫生會利用樹狀圖，根據檢測結果來計算病人患病的機率。這能幫助他們理解「真陽性 (True Positive)」與「偽陽性 (False Positive)」之間的區別！
5. 離散與連續分佈
機率的模樣取決於你測量的對象。
● 離散 (Discrete)： 你可以數出來的事物（例如：藍色車輛的數量、學生人數）。你可以有 1 或 2，但不能有 1.5。
● 連續 (Continuous)： 你需要測量的事物（例如：身高、時間、重量）。這些數值可以是任何數值。
重點提示： 對於連續分佈，曲線下的面積代表機率。由於總機率必須為 1，因此任何機率曲線下的總面積永遠剛好是 1。
6. 建模與假設
在考試中，你可能會被要求「評估模型」或「列出假設」。
常見的假設包括：
● 公平性： 除非題目另有說明，否則我們假設硬幣或骰子沒有被「加權」或不公正。
● 獨立性： 我們常假設一個人的結果不會影響另一個人（例如兩個人感冒），雖然在現實生活中，情況可能並非如此！
核心觀念： 如果一個模型預測的機率大於 1 或小於 0，那它就是壞掉的！機率永遠必須在 0（不可能）到 1（必然）之間。
別擔心，如果起初覺得棘手，這很正常！ 機率就是一場邏輯解謎遊戲。你練習將文字題「翻譯」成圖表的次數越多，它就會變得越簡單。你一定做得到的！