Monte Carlo 怎麼算條件機率 P(A|B)？
考慮擲出骰子並採用 Monte Carlo 方法估算條件機率，參考附圖程式碼。
import numpy as np
np.random.seed(123)
n = 100000
dice_rolls = np.random.randint(1, 7, size=n)
A = (dice_rolls % 2 == 0)
B = (dice_rolls > 3)
A_and_B = A & B
事件 A：擲出偶數
事件 B：擲出大於 3
請問下列何者為條件機率 P(A | B) 的正確值？
程式模擬了 10 萬次擲骰子，定義了兩個事件：事件 A 是擲出偶數（2、4、6），事件 B 是擲出大於 3 的點數（4、5、6）。程式分別算出 A 出現幾次、B 出現幾次，以及 A 和 B 同時出現幾次，接著提供四個不同的計算式。
問你：哪一個計算式才能正確算出「已知 B 發生的前提下，A 發生的機率」P(A|B)？
一句話總結
條件機率 P(A|B) 的公式是 P(A∩B) / P(B)，換成程式碼就是 A_and_B.sum() / B.sum()：分子是「A 和 B 同時發生」的次數，分母是「B 發生」的次數。
先感受問題：「已知骰子大於 3，偶數機率是多少？」
假設你在桌遊社裡用程式幫大家驗證機率。你擲了 10 萬次骰子，現在有人問：「如果你知道這次骰出來的點數大於 3，那麼它同時是偶數的機率是多少？」
大於 3 的點數有 4、5、6 三種，其中偶數只有 4 和 6 兩種，所以直覺告訴你答案應該接近 2/3 ≈ 0.667。
這就是「條件機率」的核心想法：縮小範圍。不是在所有 10 萬次中找偶數，而是先把範圍縮小到「大於 3 的那些次」，再看其中有多少是偶數。
用程式碼來表達這個縮小範圍的概念，分母就是 B 的次數（大於 3 發生了幾次），分子是 A 和 B 同時滿足的次數（又大於 3 又是偶數）。
直接算「偶數的總次數」，為什麼會算錯？
- 沒縮小範圍就算：如果用 A.sum() / n 算出的是「所有 10 萬次中偶數的機率」，也就是無條件機率 P(A) ≈ 0.5，完全沒有用到「已知大於 3」這個條件。
- 用 A.sum() 當分母：選項 C 的 A_and_B.sum() / A.sum() 算的是「在偶數中有多少大於 3」，這是 P(B|A)，不是 P(A|B)，把條件搞反了。
- 用兩個事件的次數相乘當分母：選項 A 的 A.sum() * B.sum() 沒有機率學上的意義，不對應任何正確公式。
- 用兩個事件的次數相加當分母：選項 B 的 A.sum() + B.sum() 也沒有意義，不是條件機率的計算方式，這樣分母會超過總樣本數。
- 混淆聯合機率與條件機率：聯合機率 P(A∩B) = A_and_B.sum() / n，是兩者同時發生的無條件機率；條件機率 P(A|B) 要再除以 P(B)，也就是再縮小到 B 的範圍。
條件機率：先鎖定 B 的範圍，再數 A
骰子模擬的結果：10 萬次中，大於 3 的次數（B）大約是 50,000 次（機率 3/6 = 0.5），其中又是偶數的（A∩B，即點數 4 或 6）大約是 33,333 次（機率 2/6 ≈ 0.333）。
條件機率公式：P(A|B) = P(A∩B) / P(B)
換成樣本次數：P(A|B) ≈ A_and_B.sum() / B.sum() ≈ 33,333 / 50,000 ≈ 0.667
這與直覺計算（大於 3 的 3 個點數 4、5、6 中，偶數有 4 和 6 共 2 個，所以 2/3）完全一致。
這就是選項 D 講的：A_and_B.sum() / B.sum()。
技術版：條件機率公式與 Monte Carlo 程式碼對照
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
想像你是籃球場的計分員，負責記錄每次投籃。你有一本記錄簿，裡面有「是否三分球」和「是否進球」兩欄。
有人問：「已知這次是三分球，進球的機率是多少？」
你不會去數所有投籃的進球率，而是先翻到「三分球」那幾頁，再數其中進球了幾次。這就是條件機率：先縮小到已知的條件範圍，再計算目標事件的比例。
Monte Carlo 做的事情一樣：先用程式模擬大量樣本，然後數出「符合條件 B 的樣本」有多少，再數其中「同時符合 A」的有多少，兩者相除就是 P(A|B) 的估計值。
| 白話說法 | 程式碼 |
|---|---|
| 模擬 10 萬次骰子 | dice_rolls = np.random.randint(1, 7, size=n) |
| 事件 A：擲出偶數 | A = (dice_rolls % 2 == 0) |
| 事件 B：擲出大於 3 | B = (dice_rolls > 3) |
| A 和 B 同時發生 | A_and_B = A & B |
| P(A|B) = P(A∩B) / P(B) | A_and_B.sum() / B.sum() |
- P(A|B)
- 條件機率：在 B 已發生的前提下，A 發生的機率
- P(A∩B)
- 聯合機率：A 和 B 同時發生的機率
- P(B)
- 邊際機率（marginal probability）：B 發生的機率，不論 A
- A_and_B.sum()
- A 和 B 同時為 True 的樣本數，近似 n×P(A∩B)
- B.sum()
- B 為 True 的樣本數，近似 n×P(B)
- n
- 總模擬次數（10 萬），n 越大估計越準確
條件機率公式：P(A|B) = P(A∩B) / P(B) 骰子理論值： P(A) = 3/6 = 0.5 （偶數：2, 4, 6） P(B) = 3/6 = 0.5 （大於3：4, 5, 6） P(A∩B) = 2/6 ≈ 0.333 （偶數且大於3：4, 6） P(A|B) = (2/6) / (3/6) = 2/3 ≈ 0.667 程式碼估計（10萬次模擬）： A_and_B.sum() ≈ 33,333 B.sum() ≈ 50,000 P(A|B) ≈ 33,333 / 50,000 ≈ 0.667 ✓ 與理論值吻合 選項 A：A_and_B.sum() / (A.sum() * B.sum()) 分母 ≈ 50,000 × 50,000 = 2.5 × 10⁹ → 結果接近 0，無意義 選項 B：A_and_B.sum() / (A.sum() + B.sum()) 分母 ≈ 100,000 → 實際算的是 P(A∩B)，不是條件機率 選項 C：A_and_B.sum() / A.sum() ≈ 33,333 / 50,000 ≈ 0.667 → 這是 P(B|A)，條件反了
- P(A|B) 和 P(B|A) 有什麼差異？請各舉一個生活例子。
- 如果把程式碼的 B.sum() 改成 n，算出的是什麼機率？
- 為什麼選項 C 算出來的數字和正解 D 接近（都約 0.667），但意義完全不同？
- Monte Carlo 的估計值和理論值為什麼不會完全相同？n 增大時會怎樣？
- np.random.seed(123) 的作用是什麼？去掉會怎樣？
為什麼其他選項是錯的
字面在說什麼：用 A 發生次數乘以 B 發生次數當分母。
為什麼不對：A.sum() 和 B.sum() 各約 50,000，相乘後分母高達 25 億，讓結果趨近於零。這個算式在機率學中沒有意義，不對應任何已知的機率概念。這是把「積事件」和「積」混淆：A∩B 的個數除以 A 個數，而非除以 A 個數乘以 B 個數。
誰會選錯：看到題目裡同時有 A 和 B，不假思索地把兩者都放進分母、卻用乘法而非加法的人。直覺上覺得「兩個事件的組合」就要用兩個的乘積。
字面在說什麼：用 A 發生次數加上 B 發生次數當分母。
為什麼不對：A.sum() + B.sum() ≈ 50,000 + 50,000 = 100,000，接近總樣本數 n，所以這個式子算出來的值近似 A_and_B.sum() / n，也就是聯合機率 P(A∩B)，不是條件機率 P(A|B)。條件機率需要「縮小到 B 的範圍」，分母應該只用 B 的次數。
誰會選錯：記得「條件機率要用到 A 和 B」，但不確定分母是相加還是只用 B，於是選了「兩者相加」這個看起來最保險的選項。
字面在說什麼：用 A 的發生次數當分母，A 和 B 同時發生的次數當分子。
為什麼不對：這個式子算的是 P(B|A)，也就是「已知擲出偶數，點數大於 3 的機率」，把條件搞反了。骰子的 P(B|A) = P(A∩B) / P(A) = (2/6) / (3/6) = 2/3，確實也約等於 0.667，和正解相同——這是個典型的陷阱，數字一樣但公式意義相反。
誰會選錯：沒注意到 P(A|B) 和 P(B|A) 在這個題目中恰好數值相同（因為 P(A) = P(B)），以為選了正確公式，實際上公式是顛倒的。
同個考點下次怎麼變形
直覺：醫療篩檢中，已知某人測試陽性，實際上有病的機率要怎麼算？
答案：用條件機率 P(有病|陽性) = P(有病∩陽性) / P(陽性)。同樣的公式，分子是「真陽性」次數，分母是「所有陽性」次數，這就是醫學上的「陽性預測值（PPV）」。
直覺：同一個骰子程式，P(B|A) 怎麼算？答案是多少？
答案：P(B|A) = A_and_B.sum() / A.sum()，這就是選項 C 的算法。在這題中 P(B|A) ≈ 33,333 / 50,000 ≈ 0.667，和 P(A|B) 數值相同，但意義完全不同。如果改變骰子面數或改變事件定義，P(A|B) 和 P(B|A) 就不會相等。
直覺：如果事件 A 和 B 互相獨立，P(A|B) 等於什麼？
答案：P(A|B) = P(A)。獨立的意思就是「B 的發生不影響 A 的機率」。可以用程式驗證：如果把 B 改成「擲出奇數或偶數」（必然事件），P(A|B) 就等於 P(A) = 0.5。
直覺：把 n 從 100,000 改成 1,000，估計結果會怎麼變化？
答案：隨機誤差會增大，估計值在 0.667 附近波動更大。Monte Carlo 的收斂速度是 1/√n，樣本數減少 100 倍，誤差增加 10 倍。這就是為什麼 Monte Carlo 模擬通常需要大量樣本才能得到可靠估計。
直覺：如果改寫成 np.mean(A[B]) 而非 A_and_B.sum() / B.sum()，結果一樣嗎？
答案：一樣。A[B] 是 NumPy 的布林索引，取出 B 為 True 時對應的 A 值，np.mean(A[B]) 計算這些 A 值的平均，就是「B 發生時 A 也發生」的比例，等價於條件機率 P(A|B)。這是更 Pythonic 的寫法，但背後邏輯相同。
想再往下看，這 5 個
- 蒙地卡羅方法（Monte Carlo Method）本題核心工具，用大量隨機模擬來估計機率或積分值，樣本越多結果越準確。
- 貝氏定理（Bayes' Theorem）條件機率的進階應用，描述在已有先驗知識的情況下如何更新機率估計。
- 機率分佈（Probability Distribution）描述隨機變數各種結果的機率，骰子模擬的基礎，也是機器學習模型的核心假設。
- 假設檢定（Hypothesis Testing）統計推論的基本方法，條件機率是計算 p-value 的基礎概念。
- 常態分佈（Normal Distribution）Monte Carlo 模擬中最常用的機率分佈之一，許多統計推論都以此為假設基礎。