Probability

歡迎來到概率章節！

你好，未來的統計學家！本章是你學習所有統計學一（S1）的基礎。概率本質上就是對「機會」的研究——量化某些事件發生的可能性。如果起初覺得有些棘手，不用擔心；我們會用清晰的語言和實用的例子，將每一個概念拆解，一步步帶你掌握。

為什麼概率如此重要？ 它是統計學家進行預測、評估風險和解讀數據的工具，無論是臨床試驗還是預測經濟趨勢都離不開它。掌握了這一章，就等於掌握了統計學的核心語言！

第 1 節：概率的語言與基礎

1.1 定義基礎概念

要以數學方式談論機會，我們需要精確的術語：

實驗/試驗 (Experiment/Trial)： 一個結果不確定的動作或過程（例如：擲硬幣、擲骰子）。
結果 (Outcome)： 實驗的一個可能結果（例如：擲出「正面」、擲出「4」）。
樣本空間 ($S$)： 所有可能結果的集合。例如擲一顆標準骰子時，$S = \{1, 2, 3, 4, 5, 6\}$。
事件 (Event，如 A、B 等)： 結果的特定組合（樣本空間的一個子集）。例如事件 A 可能是「擲出單數」，則 $A = \{1, 3, 5\}$。

1.2 計算簡單概率

如果所有結果的出現可能性相等，我們可以使用以下基本規則來計算事件 A 的概率 $P(A)$：

$$P(A) = \frac{\text{事件 A 中包含的結果數}}{\text{樣本空間中的總結果數}}$$

概率尺度： 概率必須始終介於 0 和 1 之間（包含 0 和 1）。

$P(A) = 0$：該事件為不可能事件。
$P(A) = 1$：該事件為必然事件。
$P(A) = 0.5$：該事件發生與不發生的機會相等。

記號與補集事件

事件 A 的補集，記作 $A'$（讀作 "A prime" 或 "A complement"），是指 A 不發生的事件。

由於 A 和 A' 覆蓋了整個樣本空間：

$$P(A) + P(A') = 1$$

由此得出一個實用的規則：

$$P(A') = 1 - P(A)$$

快速複習： 概率是一個介於 0 到 1 之間的分數。如果計算某事「不發生」的概率更容易，請善用補集規則！

第 2 節：組合事件 – 加法法則（聯集與交集）

當我們處理兩個事件 A 和 B 時，通常會想知道它們同時發生，或者至少其中一個發生的概率。

2.1 交集 ($\cap$) 與聯集 ($\cup$)

交集 ($A \cap B$)： A 且 B 同時發生的概率。（重疊部分）。
聯集 ($A \cup B$)： A 或 B 或兩者皆發生的概率。（A 或 B 覆蓋的所有範圍）。

記憶小貼士： 聯集（Union）中的字母 'U' 就像一個容器，它覆蓋了所有內容。符號 $\cap$ 看起來像一座連接兩條道路的橋樑（連結了兩個事件）。

2.2 互斥事件 (Mutually Exclusive, ME)

如果兩個事件 A 和 B 不能同時發生，它們就是互斥的。它們沒有共同的結果。

如果 A 和 B 是互斥的，那麼它們交集的概率為零：

$$P(A \cap B) = 0$$

互斥事件的加法法則

如果 A 和 B 是互斥的，那麼 A 或 B 發生的概率就等於它們各自概率的和：

$$P(A \cup B) = P(A) + P(B)$$

2.3 一般加法法則（重疊問題）

如果 A 和 B 不是互斥的呢？如果我們直接相加 $P(A) + P(B)$，那麼同時存在於 A 和 B 中的結果（即交集）會被重複計算。為了修正這一點，我們需要減去一次重疊部分。

一般加法法則：

$$P(A \cup B) = P(A) + P(B) - P(A \cap B)$$

你知道嗎？ 這個通用規則即使對互斥事件也適用！如果它們是互斥的，那麼 $P(A \cap B) = 0$，公式便會簡化回特殊情況。

重點提醒： 在計算「或」的概率 ($A \cup B$) 時，務必檢查事件是否重疊。若有重疊，請務必使用一般加法法則。

第 3 節：條件概率與獨立性

本節引入了一個概念：如果已知另一個事件已經發生，那麼該事件發生的概率可能會隨之改變。

3.1 條件概率

條件概率是指在事件 B 已經發生的前提下，事件 A 發生的概率。我們將其寫作 $P(A|B)$。

類比： 想像樣本空間 S 是全校所有學生。事件 A 是「戴眼鏡」，事件 B 是「參加數學學會」。$P(A|B)$ 的意思就是，我們將樣本空間縮小到僅限數學學會的學生 (B)，然後計算在這個小群體中，戴眼鏡 (A) 的學生所佔的概率。

條件概率公式：

$$P(A|B) = \frac{P(A \cap B)}{P(B)}$$

（前提是 $P(B) \neq 0$）。

運算示例： 如果 $P(\text{下雨} \cap \text{交通擠塞}) = 0.2$，且 $P(\text{交通擠塞}) = 0.4$，那麼在已知交通擠塞的情況下，下雨的概率為 $P(\text{下雨} | \text{交通擠塞}) = 0.2 / 0.4 = 0.5$。

3.2 一般乘法法則（重排條件概率公式）

我們可以通過重排條件概率公式來求出交集 ($A \cap B$) 的概率。這個規則對於樹狀圖來說至關重要。

$$P(A \cap B) = P(B) \times P(A|B)$$

同樣地：

$$P(A \cap B) = P(A) \times P(B|A)$$

3.3 獨立事件

如果一個事件的發生不會影響另一個事件發生的概率，那麼這兩個事件 A 和 B 就是獨立的。

如果 A 和 B 是獨立的，那麼：

$$P(A|B) = P(A) \quad \text{且} \quad P(B|A) = P(B)$$

獨立事件的乘法法則（獨立性檢定）

如果 A 和 B 是獨立的，一般乘法法則將簡化為：

$$P(A \cap B) = P(A) \times P(B)$$

關鍵檢定： 要證明兩個事件 A 和 B 是獨立的，你必須計算 $P(A \cap B)$，並將其與 $P(A) \times P(B)$ 進行精確比較。如果兩者相等，則事件獨立。

⚠️ 常見錯誤警示！

切勿混淆互斥事件 (Mutually Exclusive) 和獨立事件 (Independent)。

互斥： 不能一起發生。$P(A \cap B) = 0$。
獨立： 一個的發生不影響另一個。$P(A \cap B) = P(A)P(B)$。

如果事件的概率不為零，它們不可能同時是互斥且獨立的。因為如果 A 發生了，B 就不可能發生（因為它們互斥），這意味著 A 顯著影響了 B 發生的概率（所以它們其實是相關的/依賴的）！

重點提醒： 條件概率會縮小樣本空間。獨立性是一個必須通過乘法法則 $P(A \cap B) = P(A)P(B)$ 在數學上進行驗證的條件。

第 4 節：概率的可視化工具（文氏圖與樹狀圖）

這些圖表對於組織資訊非常有效，特別是在處理複雜的條件問題或重疊情況時。

4.1 文氏圖 (Venn Diagrams)

文氏圖使用長方形（樣本空間 S）內的重疊圓形來表示事件及其關係。

如何使用文氏圖：

畫一個長方形 (S) 並為每個事件畫一個圓圈 (A, B)。
永遠從填寫交集 ($A \cap B$) 開始。
計算 A 的剩餘部分：$P(A) - P(A \cap B)$。
計算 B 的剩餘部分：$P(B) - P(A \cap B)$。
填寫圓圈外的區域 ($A' \cap B'$)，確保所有概率之和為 1。

解讀文氏圖：

$A \cup B$：圓圈 A 和 B 內的所有數字。
$A' \cap B$：在 B 內但不在 A 內的區域（即 B 發生，但 A 不發生）。

4.2 樹狀圖 (Tree Diagrams)

樹狀圖非常適合說明順序事件（一個事件緊隨另一個事件，例如不放回抽牌，或多階段試驗）。

樹狀圖規則：

分支： 在分支上標註該事件發生的概率。
「且」法則（乘法）： 要找到一條路徑的概率（例如：先 A 後 B），你需要將該路徑上的概率相乘。（這使用了一般乘法法則：$P(A \cap B) = P(A) \times P(B|A)$）。
「或」法則（加法）： 如果有多條路徑導向期望的最終結果（例如：第一次嘗試成功 OR 第二次嘗試成功），你需要將這些路徑終點的概率相加。

利用樹狀圖計算條件概率

樹狀圖通常會在第二層分支涉及條件概率（因為第二個事件的概率取決於第一個事件的結果）。

如果你想求 $P(A|B)$，其中 B 是一個可以通過兩條不同路徑發生（路徑 1：A 和 B；路徑 2：A' 和 B）的結果，你必須使用以下公式：