歡迎來到概率：理解不確定性
你好！概率聽起來可能因為那些符號而讓人感到畏懼，但其實質就是機會的數學。在本章中，我們將學習如何量化事件發生的可能性——從擲骰子擲出六點，到預測天氣規律，這些通通都適用。
為什麼這很重要？ 概率是所有進階統計學的基礎（例如你稍後會遇到的假設檢定！）。掌握 Unit S1 中的這些基本規則和概念，對於你在整個 A Level 學習之旅中的成功至關重要。
第 1 節：概率的核心基礎
1.1 關鍵術語
在進行任何計算之前，我們需要先統一統計學的語言：
- 試驗 (Experiment)： 一種產生結果的行動（例如：擲硬幣）。
- 結果 (Outcome)： 試驗中可能出現的結果（例如：正面或反面）。
- 樣本空間 (Sample Space, \(S\))： 所有可能結果的集合。
例子：擲一枚標準骰子，\(S = \{1, 2, 3, 4, 5, 6\}\)。 - 事件 (Event, A, B, C...)： 我們感興趣的一組特定結果。
例子：事件 A 是「擲出偶數」。\(A = \{2, 4, 6\}\)。 - 概率 \(P(A)\)： 事件 A 發生的可能性的度量。它必須始終介於 0（不可能）和 1（必然）之間。
計算概率的基本公式（當各個結果出現的可能性相等時）：
$$P(A) = \frac{\text{A 事件中的結果數量}}{\text{樣本空間中的總結果數量}}$$
1.2 事件視覺化：集合符號與維恩圖
我們使用特殊的符號（集合符號 Set Notation）來描述不同事件之間的關係。如果這些符號起初看起來很複雜，請不要擔心——把它們當作數學上的簡寫即可！
關鍵集合符號：
- 交集 (Intersection, \(A \cap B\))： 意指「A 且 B」。即 A 和 B 同時發生的事件。
聯想：維恩圖中重疊的部分。 - 聯集 (Union, \(A \cup B\))： 意指「A 或 B」。即 A 發生、B 發生，或兩者同時發生的事件。
聯想：圓形 A 和 B 所涵蓋的總面積。 - 補集 (Complement, \(A'\))： 意指「非 A」。即 A 不發生的事件。
聯想：圓形 A 以外、但在樣本空間 (S) 之內的所有區域。 - 空集合 (Empty Set, \(\emptyset\))： 代表不可能發生的事件。\(P(\emptyset) = 0\)。
維恩圖 (Venn Diagram) 是將這些關係視覺化的最佳方式。長方形代表樣本空間 \(S\)，圓形代表事件 A 和 B。
快速回顧： 概率始終是介於 0 和 1 之間的分數或小數。符號 \(\cap\) 和 \(\cup\) 分別代表「且 (AND)」和「或 (OR)」。
第 2 節：概率規則
2.1 補集規則（如果它沒有發生怎麼辦？）
由於某件事發生的概率加上它 不 發生的概率必須等於 1（確定性），我們便得到了補集規則：
$$P(A') = 1 - P(A)$$
記憶小撇步： 當計算 \(P(A)\) 很複雜，但計算 \(P(A')\) 較簡單時，請使用此規則。例如，計算擲三枚骰子時「至少出現一個六點」的概率，若改為計算 \(1 - P(\text{沒有出現六點})\) 會簡單得多。
2.2 加法規則（處理「或」事件）
當你想要求事件 A 或 事件 B 發生的概率 (\(P(A \cup B)\)) 時，必須考慮這些事件是否有重疊。
一般加法規則：
$$P(A \cup B) = P(A) + P(B) - P(A \cap B)$$
為什麼要減去交集？ 如果 A 和 B 有重疊（即 \(P(A \cap B) > 0\)），那麼你在計算 A 時算了一次重疊區，在計算 B 時又算了一次。為了正確計算，你必須將 \(P(A \cap B)\) 減去一次。
2.3 互斥事件
定義： 如果兩個事件不能同時發生，則它們是互斥 (Mutually Exclusive) 的。它們沒有任何共同的結果。
- 如果 A 和 B 是互斥的，它們的交集就是空集合：\(A \cap B = \emptyset\)。
- 因此，它們交集的概率為零：\(P(A \cap B) = 0\)。
特殊加法規則（針對互斥事件）：
$$P(A \cup B) = P(A) + P(B)$$ （由於 \(P(A \cap B)\) 為零，我們不需要減去任何東西！）
例子：在擲一枚標準骰子時，你不可能同時擲出 1（事件 A）和 6（事件 B）。A 和 B 是互斥的。
常見錯誤提醒！ 千萬不要把「互斥」與「獨立」（第 3 節）混淆。它們幾乎是相反的概念！
- 互斥： 事件互相排斥，無法同時發生。
- 獨立： 事件之間互不影響。
核心重點： 在處理「或」的問題時使用加法規則。務必檢查事件是否互斥——如果是，公式將會大幅簡化！
第 3 節：條件概率與獨立性
3.1 理解條件概率
有時，已知一個事件已經發生，會改變另一個事件發生的概率。這就是條件概率 (Conditional Probability)。
定義： 在事件 B 已經發生的前提下，事件 A 發生的概率寫作 \(P(A|B)\)。
類比：想像你正在計算一個人喜歡巧克力的概率。如果你被告知那個人已經是個孩子（條件 B），那個概率可能會改變，因為孩子通常比成人更喜歡巧克力。條件 B 縮小了你的樣本空間。
條件概率公式：
$$P(A|B) = \frac{P(A \cap B)}{P(B)}$$
（只要 \(P(B) \neq 0\)，此公式即成立。）
3.2 乘法規則（處理「且」事件）
我們可以重組條件概率公式，來計算 A 和 B 同時發生的概率：
一般乘法規則：
$$P(A \cap B) = P(A) \times P(B|A) \quad \text{或} \quad P(A \cap B) = P(B) \times P(A|B)$$
當處理依賴事件序列時（例如從抽屜裡取出兩隻襪子而不放回第一隻），此規則非常重要。
3.3 獨立事件
定義： 如果事件 A 的發生不會影響事件 B 發生的概率，則這兩個事件是獨立 (Independent) 的。
如果 A 和 B 是獨立的，知道 B 發生了並不會改變 A 的概率，這意味著 \(P(A|B) = P(A)\)。
獨立性檢定： 如果 A 和 B 是獨立的，乘法規則會大大簡化：
$$P(A \cap B) = P(A) \times P(B)$$
如何使用獨立性檢定： 1. 從數據（例如使用維恩圖或表格）計算出 \(P(A \cap B)\)。 2. 計算 \(P(A) \times P(B)\)。 3. 如果步驟 1 和 2 的結果相等，則該事件是獨立的。
你知道嗎？獨立性在品質控制中至關重要。如果一個產品有缺陷的機率與前一個產品無關，我們就可以輕易算出兩個產品同時有缺陷的概率！
核心重點： 條件概率 \(P(A|B)\) 是關於在縮小的樣本空間內尋找概率。只有當你「知道」或「正在檢定」獨立性時，才使用簡化的乘法規則 \(P(A \cap B) = P(A)P(B)\)。
第 4 節：使用樹狀圖
樹狀圖 (Tree Diagrams) 是表示事件序列的絕佳視覺工具，特別是在涉及依賴事件（即涉及條件概率）時。
4.1 繪製樹狀圖
請按照以下步驟操作：
- 起始節點： 起點代表試驗的開始。
- 第一層分支： 為第一個事件的所有結果繪製分支（例如：下雨或不下雨）。在每個分支上寫上概率。
- 第二層分支： 從每個第一層分支的末端，為第二個事件繪製新分支。關鍵點： 這些概率通常是條件概率，取決於目前所走的路線。
- 列出結果： 在樹的最後端，列出最終組合的結果（例如：R, R' 或 R, C）。
- 計算路徑概率： 要找到特定序列的概率，將該路徑上的概率相乘。
$$P(\text{路徑}) = P(\text{第 1 層分支}) \times P(\text{第 2 層分支|第 1 層分支})$$
4.2 依賴事件（無放回）
當處理無放回 (Without Replacement) 的事件（第一次取樣後總樣本空間會發生變化）時，樹狀圖最為有用。
例子：袋子裡有 5 個紅球和 5 個藍球（總數 10 個）。你取出兩個球，且不放回。
第一次選取： $$P(\text{R1}) = 5/10$$ $$P(\text{B1}) = 5/10$$
第二次選取（條件概率）： 如果你第一次選了紅球 (R1)，現在剩下 4 個紅球和 5 個藍球（總數 9 個）。 $$P(\text{R2}|\text{R1}) = 4/9$$ $$P(\text{B2}|\text{R1}) = 5/9$$
要算出兩次都拿到紅球的概率： $$P(\text{R1} \cap \text{R2}) = P(\text{R1}) \times P(\text{R2}|\text{R1}) = \frac{5}{10} \times \frac{4}{9} = \frac{20}{90}$$
樹狀圖小撇步： 要解決「或」的問題（例如找出拿到一紅一藍的概率），請算出所有成功路徑的概率，然後將它們相加。
核心重點： 樹狀圖對序列使用乘法規則（沿著分支），並對結合成功路徑使用加法規則（在末端）。在處理「無放回」的情況時，調整概率要格外小心！