歡迎來到機率的世界！
你有沒有想過週末踢足球時下雨的機會有多大？或者你在玩紙牌遊戲時獲勝的機率是多少？這正是機率 (Probability) 的研究範疇！在本章中，我們將學習如何使用數字來衡量「機會」，如何預測結果，以及如何利用巧妙的圖表來釐清即使是最複雜的情況。如果一開始覺得這些數學概念有點難也別擔心——我們會循序漸進，一步步來！
1. 機率的語言與尺度
在統計學中，我們衡量一個事件 (event) 發生的可能性，尺度範圍從 0 到 1（或 0% 到 100%）。
機率尺度：
- 0 (或 0%)：不可能。 它絕對不會發生（就像豬會飛一樣）。
- 0.5 (或 50%)：等機率 (Evens)。 發生的可能性與不發生的可能性相等（就像公平的硬幣拋出正面一樣）。
- 1 (或 100%)：必然。 它保證會發生（就像明天太陽照常升起一樣）。
我們使用像不太可能 (unlikely)（介於 0 和 0.5 之間）和很可能 (likely)（介於 0.5 和 1 之間）這樣的詞彙來描述中間的事件。
快速複習：機率可以用分數、小數或百分比來書寫。例如，1/4 的機會等同於 \( 1/4 \)、\( 0.25 \) 或 \( 25\% \)。
2. 理論機率與實驗機率
求機率主要有兩種方法：
理論機率 (Theoretical Probability)
這是指在理想狀態下「應該」發生的結果。如果你有一個公平的六面骰子，擲出 4 的機率就是 \( 1/6 \)。我們的計算公式為：
\( P(\text{event}) = \frac{\text{事件發生的方式數量}}{\text{所有可能結果的總數}} \)
實驗機率 (Experimental Probability / Relative Frequency)
有時候我們不知道理論機率，所以我們會進行實驗。如果你拋擲瓶子 50 次，其中 10 次瓶子直立，那麼相對頻率 (Relative Frequency)（即實驗機率）就是 \( 10/50 = 0.2 \)。
重要提示：你的實驗次數越多（例如將拋瓶子次數增加到 500 次而非 50 次），結果就越可靠。隨著試驗次數增加，實驗機率會越來越接近理論機率。
識別偏差 (Bias)
我們可以使用實驗來檢視工具是否「公平」或存在「偏差」。如果你擲骰子 60 次，結果出現 40 次「6」，這遠高於預期的 10 次。這暗示該骰子可能存在偏差 (biased)（即不公平）。
重點總結：理論機率是我們預期的結果；實驗機率是我們在現實生活中實際觀察到的結果。
3. 預期頻率 (Expected Frequency)
如果你知道某個事件的機率，你就可以預測它在一定次數的試驗中會發生多少次。這稱為預期頻率。
公式：
\( \text{預期頻率} = \text{機率} \times \text{試驗總次數} \)
例子：如果種子發芽的機率是 0.8，而你種植了 200 顆種子，你預期有多少顆會發芽？
\( 0.8 \times 200 = 160 \text{ 顆種子} \)
4. 理解風險 (Risk)
在統計學中，「風險」其實就是事件發生機率的另一種說法。
- 絕對風險 (Absolute Risk)： 這是指特定群體中事件發生的機率。例子：如果有 100 人中有 1 人感冒，絕對風險就是 0.01。
- 相對風險 (Relative Risk)： 用於比較兩個不同群體的風險，通常以比率表示。
相對風險公式：
\( \text{相對風險} = \frac{\text{A 組的風險}}{\text{B 組的風險}} \)
例子：如果 A 組的通過率是 0.6，B 組的通過率是 0.2，那麼通過的相對風險就是 \( 0.6 / 0.2 = 3 \)。這意味著 A 組的人通過的可能性是 B 組的 3 倍。
5. 表達結果：圖表法
處理多個事件時，圖表能幫助我們看清所有可能性，而不至於混淆。
樣本空間圖 (Sample Space Diagrams)
這些通常是網格圖，用於處理兩個事件的情況，例如擲兩個骰子。你可以將一個事件列在上方，另一個列在側面，從而找出所有可能的組合。
雙向表 (Two-Way Tables)
這些表格顯示了兩個不同類別的頻率。例如，一個表格可以顯示學生的性別（男/女）與他們上學的方式（步行/搭巴士）。
文氏圖 (Venn Diagrams)
這些利用重疊的圓圈來顯示數據集之間的關係。互斥事件 (Mutually Exclusive) 用不重疊的圓圈表示，因為它們不可能同時發生。
樹狀圖 (Tree Diagrams)
這些非常適合處理「連續」事件（一件接一件發生的事）。每一條「分支」顯示了一個可能的結果及其對應的機率。
常見錯誤：使用樹狀圖時，記得要將分支上的機率相乘，才能得到特定路徑（事件 A 且 事件 B）發生的機率。
6. 機率的法則
互斥事件 (Mutually Exclusive Events)
不可能同時發生的事件（例如電燈不可能同時處於「開啟」和「關閉」狀態）。
加法法則： \( P(A \text{ 或 } B) = P(A) + P(B) \)
窮舉事件 (Exhaustive Events)
如果一組事件涵蓋了所有可能的結果，則它們是窮舉的。對於一組窮舉且互斥的事件，其機率總和永遠為 1。
獨立事件 (Independent Events)
如果兩個事件互不影響，則它們是獨立的（例如擲骰子後再拋硬幣）。
乘法法則： \( P(A \text{ 且 } B) = P(A) \times P(B) \)
條件機率 (Conditional Probability)
這是指當某件事已經發生，導致另一個事件的機率發生改變時的情況。我們使用記號 \( P(B|A) \)，意思是「在 A 已經發生的前提下，B 發生的機率」。
公式：
\( P(B|A) = \frac{P(A \text{ 且 } B)}{P(A)} \)
記憶小撇步：將「條件」理解為「情況已經改變」。例如，如果你從盒中拿走一塊巧克力而沒有放回去，下一次挑選特定口味的機率就改變了，因為剩下的巧克力數量變少了！
總結檢查清單
☑ 你知道機率尺度是 0 到 1 嗎？
☑ 你會計算預期頻率 (\( P \times \text{試驗次數} \)) 嗎？
☑ 你知道對於獨立事件，要將機率相乘嗎？
☑ 你能透過將實驗結果與理論結果進行比較來識別偏差嗎？
如果條件機率感覺有點難也別擔心——只要記得問自己：「總結果的數量改變了嗎？」