「今天帶傘還是不帶？」「這支股票值得買嗎？」「要不要接受這份工作？」——這些問題背後，都藏著機率判斷。機率論不是只有數學系才用得到的學問，它是每個人每天都在運作的思維框架，只是大多數人沒有意識到而已。
一、什麼是機率？
機率是描述「某件事發生的可能性」的數字，介於 0 到 1 之間（或以百分比表示為 0% 到 100%）。
- 機率 = 0：不可能發生（擲硬幣出現正反兩面同時朝上）
- 機率 = 1：必然發生（擲硬幣結果是正面或反面）
- 機率 = 0.5：各半，沒有偏好（公正硬幣出現正面）
古典機率（等可能性模型）
當每個基本結果出現的機率相等時：
P(事件) = 有利結果數 ÷ 所有可能結果數
範例：擲一顆公正骰子，出現 3 的機率 = 1 ÷ 6 ≈ 16.7%。出現偶數（2、4、6）的機率 = 3 ÷ 6 = 50%。
二、機率的基本運算規則
加法規則（OR）
事件 A 或事件 B 發生的機率：
- 互斥事件（不能同時發生）：P(A 或 B) = P(A) + P(B)
- 非互斥事件：P(A 或 B) = P(A) + P(B) − P(A 且 B)（避免重複計算）
範例：擲骰子出現 1 或 2 的機率 = 1/6 + 1/6 = 1/3（互斥）。
乘法規則（AND）
事件 A 且事件 B 同時發生的機率：
- 獨立事件（一件事不影響另一件）：P(A 且 B) = P(A) × P(B)
- 非獨立事件：P(A 且 B) = P(A) × P(B|A)，其中 P(B|A) 是「A 發生後 B 的條件機率」
範例：連續擲兩顆骰子都出現 6 的機率 = 1/6 × 1/6 = 1/36 ≈ 2.78%（獨立事件）。
互補規則
事件 A 不發生的機率 = 1 − P(A)。計算「至少發生一次」時特別好用：先算「完全不發生」的機率再取補數。
範例：連擲 4 次骰子，至少出現一次 6 的機率 = 1 − (5/6)⁴ ≈ 51.8%。
三、條件機率與貝氏定理
條件機率 P(B|A) 表示「已知 A 發生的前提下，B 發生的機率」。這是許多直覺錯誤的根源。
貝氏定理
P(A|B) = P(B|A) × P(A) ÷ P(B)
一個經典範例：某疾病發生率（先驗機率）為 1%。一種檢測工具的準確率是：有病時 99% 陽性，沒病時 98% 陰性（2% 偽陽性）。
若你測出陽性，你真的有病的機率是多少？
| 情境 | 人數（1萬人） |
|---|---|
| 有病且陽性（真陽性） | 100 × 99% = 99 |
| 沒病但陽性（偽陽性） | 9900 × 2% = 198 |
| 所有陽性結果 | 99 + 198 = 297 |
P(有病 | 陽性) = 99 ÷ 297 ≈ 33%。
即使檢測準確率高達 99%，測出陽性時你真的有病的機率也只有 1/3。這就是低先驗機率（罕見疾病）壓制高準確率的結果——貝氏定理揭示了為什麼單次檢測陽性通常需要進一步確認。
四、期望值：長期結果的平均
期望值（E）= 每個可能結果的（數值 × 機率）的加總，代表長期重複下的平均結果。
範例：擲骰子的期望值 = 1×(1/6) + 2×(1/6) + 3×(1/6) + 4×(1/6) + 5×(1/6) + 6×(1/6) = 3.5。
期望值在決策中的應用
考慮一個遊戲：花 10 元參加，擲骰子出現 6 贏 50 元，否則什麼都沒有。
- 贏的期望值：50 × (1/6) ≈ 8.33 元
- 淨期望值：8.33 − 10 = −1.67 元
這是一個負期望值遊戲——長期參與你會虧錢。幾乎所有賭場遊戲的設計都是讓莊家有正期望值，玩家有負期望值。
五、常見機率認知偏誤
賭徒謬誤（Gambler's Fallacy）
「連續出現 5 次正面，下一次一定是反面！」——錯誤。每次投擲是獨立事件，過去結果不影響未來。硬幣沒有記憶。
熱手謬誤（Hot Hand Fallacy）
與賭徒謬誤相反：「他連續進了 5 球，下一球一定也進！」對於真正隨機的獨立事件（如骰子），這是錯誤的；但對於有技能成分的活動（如籃球），熱手效應可能真實存在——需要區分情境。
小數法則（Law of Small Numbers）
樣本太小時，結果不具代表性，但人們容易過度解讀。投 10 次骰子出現 3 次 6，不代表骰子動了手腳——需要更多樣本才能判斷。
基率忽視（Base Rate Neglect）
如同前面的貝氏定理範例，人們往往忽略「先驗機率（基率）」，過度依賴新資訊（如測試結果）。正確的機率判斷必須把基率納入考量。
六、排列與組合：計算有利結果數
計算複雜情境下的機率，需要先算出「有利結果數」與「所有可能結果數」。
排列（Permutation）：順序重要
從 n 個物品取 r 個，且順序有意義：P(n,r) = n! ÷ (n−r)!
例：5 人跑步比賽，前 3 名的排列方式 = 5×4×3 = 60 種。
組合（Combination）：順序不重要
從 n 個物品取 r 個，順序無關：C(n,r) = n! ÷ (r! × (n−r)!)
例：50 個號碼中選 6 個（樂透），組合數 = C(50,6) = 15,890,700 種，中獎機率約 1 / 1,590 萬。
七、機率思維在日常決策中的應用
風險評估
不要只看「最壞情況」，要看「最壞情況的機率 × 損失大小」（即期望損失）。同時考量上行潛力，才能做出理性決策。
多重事件的機率計算
許多「小機率」事件組合起來，可能讓整體成功率大幅下降。
例：一個計畫需要 10 個步驟，每步驟成功率 90%，整體成功率 = 0.9¹⁰ ≈ 34.9%。這就是為什麼複雜系統的可靠性比直覺想的低很多。
保持謙遜
隨機性比我們以為的更強大。一位出色的決策者不是永遠做出正確決策的人，而是在每個決策點都選擇了「期望值最高的選項」，即使結果有時不理想。
總結
- 古典機率：有利結果 ÷ 所有結果，適用於等可能性情境
- 條件機率：已知某條件下的機率，注意基率的重要性
- 貝氏定理：根據新證據更新機率估計的標準工具
- 期望值：長期重複下的平均結果，是理性決策的核心指標
- 賭徒謬誤：獨立事件之間沒有記憶，過去不影響未來
- 排列組合：計算複雜情境下有利結果數的工具
機率論的核心不是計算，而是思維方式的轉變：從「這件事會不會發生」到「這件事以多大機率發生，後果有多嚴重」。培養這種量化思維，能讓你在不確定的世界裡做出更理性的判斷。