如何计算概率——完全指南
学习概率基础，包括基本概率、复合事件、条件概率、贝叶斯定理和期望值，附有详细例题。
什么是概率？
概率是研究不确定性和随机性的数学分支。它为一个事件分配一个介于 0 和 1 之间的数字，其中 0 表示事件不可能发生，1 表示事件必定发生。概率为 0.5（或 50%）意味着事件发生和不发生的可能性相等。概率起源于17世纪的赌博问题，但后来已成为科学、工程、医学、金融和人工智能的基础。无论你是在预测天气、评估医学检测的准确性还是分析金融风险，概率都提供了关于不确定结果进行推理的框架。
基本概率公式
对于等可能结果，事件的概率等于有利结果数除以总的可能结果数：P(A) = 有利结果数 / 总结果数。例如，掷一个公平的六面骰子得到 4 的概率是 1/6，因为在六种可能性中有一个有利结果。从一副标准的52张牌中抽到红心的概率是 13/52 = 1/4。当样本空间中的每个结果概率相等时，这种计数方法才有效，对于公平骰子、公平硬币、洗匀的纸牌和从均匀总体中的随机选择都是如此。
互补事件
事件 A 的补事件，记作 A'，包含所有不在 A 中的结果。一个事件和它的补事件的概率之和总是 1：P(A) + P(A') = 1。这意味着 P(A') = 1 - P(A)。当计算某事不发生的概率更容易时，这个法则极其有用。例如，掷四次骰子至少出现一次 6 的概率，更容易计算为 1 减去完全没有 6 的概率：1 - (5/6)⁴ = 1 - 625/1296 ≈ 0.518。如果不用补集法则，你需要考虑包含至少一次 6 的每一种掷骰子组合。
复合事件：与和或
组合事件时，加法法则给出 A 或 B 的概率：P(A 或 B) = P(A) + P(B) - P(A 且 B)。减去 P(A 且 B) 防止了对属于两个事件的结果的重复计数。如果 A 和 B 互斥（不能同时发生），则 P(A 且 B) = 0，公式简化为 P(A 或 B) = P(A) + P(B)。乘法法则给出 A 和 B 同时发生的概率：对于独立事件，P(A 且 B) = P(A) × P(B)。例如，连续两次抛硬币都是正面的概率为 (1/2) × (1/2) = 1/4。独立性意味着一个事件的发生不影响另一个事件的概率。
条件概率
条件概率衡量在事件 B 已经发生的情况下事件 A 发生的概率，记作 P(A|B)。公式为 P(A|B) = P(A 且 B) / P(B)。例如，如果一个袋子里有 3 个红球和 5 个蓝球，你不放回地抽了一个红球，第二个球也是红球的概率为 P(红2|红1) = 2/7，因为在剩余的 7 个球中只有 2 个红球。条件概率是理解新信息如何更新我们信念的关键。它在医学诊断、质量控制、垃圾邮件过滤以及任何先验知识影响结果可能性的场景中都是必不可少的。
贝叶斯定理
贝叶斯定理提供了反转条件概率的方法。它指出：P(A|B) = P(B|A) × P(A) / P(B)。这让你在获得新证据 B 后更新假设 A 的概率。一个经典的例子是医学检测：如果一种疾病影响 1% 的人口，检测灵敏度为 95%（P(阳性|有病) = 0.95），特异度为 90%（P(阴性|无病) = 0.90），则 P(有病|阳性) = (0.95 × 0.01) / (0.95 × 0.01 + 0.10 × 0.99) = 0.0095 / 0.1085 ≈ 8.8%。尽管检测结果为阳性，实际患病的概率不到 9%，这是一个反直觉但重要的结果。
期望值
随机变量的期望值是实验重复多次后的长期平均结果。它计算为每个结果乘以其概率的和：E(X) = Σ(xᵢ × P(xᵢ))。例如，在一个游戏中，掷骰子得到 6 赢 $10，得到其他数字付 $2，期望值为 (1/6 × $10) + (5/6 × (-$2)) = $1.67 - $1.67 = $0.00，这是一个公平的游戏。期望值是决策理论、保险定价、赌博分析和风险管理的基础。它告诉你"平均而言"可以期望什么，即使任何单次试验可能有很大差异。
常见概率分布
有几种概率分布在实践中反复出现。二项分布描述在固定次数的独立试验中成功次数的模型，如 10 次抛硬币中正面的次数。正态（高斯）分布描述许多自然现象，以其钟形曲线为特征，由均值和标准差两个参数确定。泊松分布描述在固定区间内稀有事件发生次数的模型，如每小时的顾客到达人数。理解这些分布使你能够用数学模型描述不确定性，并做出带有量化置信度的预测。