iPAS AI 應用規劃師 · 初級＋中級

🎲 iPAS 專用機率速成

不教數學系那套。iPAS 從來不叫你證明大數法則——它只考六件事：P(A|B) 的分母是誰、獨立跟互斥差在哪、貝氏定理的四個字母、PDF 與 CDF 的關係、情境該配哪個分布、Z-score 怎麼讀。這頁就把這六件事用三個互動實驗室講完。

🟢 綠標＝初級也會考🔵 藍標＝中級才考🧪 3 個互動實驗室📌 全部對到歷屆真題

💡 先講白話：AI 模型吐出來的其實都是機率

分類模型說「這是貓」，內部其實是說「貓 0.93、狗 0.05、兔 0.02」——softmax 把分數轉成一組加起來等於 1 的機率。所以：門檻怎麼切是機率問題、損失函數（交叉熵）是機率問題、資料漂移偵測（KL 散度）是機率問題、異常值判定（3σ）也是機率問題。機率不是背公式，是 AI 的通用語言。
📌 考試心態校正：iPAS 的機率題幾乎都是「讀懂情境 → 選對工具」：客服每分鐘幾通來電該用哪個分布？CDF 是 PDF 的什麼？P(A|B) 的程式碼該除以誰？要動筆的計算只有像 2/3、0.686 這種一步到位的小數字。

🔤 看到符號就卡住？先把這張表放旁邊

這頁會用到的符號全部列在下面，一行一個。數學的困難常常不是概念難，而是沒人告訴你那個圖案怎麼念、代表什麼——看不懂符號，整條式子就等於空白。

符號怎麼念在這頁的意思
∩ ∪cap / cup
交集、聯集		∩＝兩邊都要（交集）；∪＝兩邊任一即可（聯集）。
|x|absolute value
絕對值		只看大小、不管正負。|−2| = 2。
× ·multiplication
乘號兩種寫法		都是乘。差別純粹是歷史與排版習慣。
±plus-minus
正負號		兩個都要算。x̄ ± 1.96×SE＝上下各抓一段，就是信賴區間。
=equals
等號		兩邊相等。
≠not equal
不等於		兩邊不相等。
≤ ≥less/greater than or equal
小於等於、大於等於		包含「剛好等於」的那個邊界。
≈approximately equal
約等於		差不多相等（四捨五入或近似之後）。
÷division
除號		除。
μmu
謬（母體平均）		整個母體的真實平均值（相對於樣本平均 x̄）。
σ σ²sigma
西格瑪（標準差、變異數）		σ＝標準差（資料多分散，單位同原資料）；σ²＝變異數（平方單位）。
αalpha
阿爾法（顯著水準）		你願意承擔的誤判機率上限，通常設 0.05。也就是第一類錯誤（偽陽性）的機率。
P(A|B)given
條件機率的那條豎線		「已知 B 發生的前提下，A 發生的機率」。豎線讀作「given」。
~tilde
波浪號（服從某分布）		「服從」。X ~ N(0,1) 讀作「X 服從標準常態分布」。
N(μ, σ²)Normal
常態分布		平均是 μ、變異數是 σ² 的常態（鐘形）分布。
E[X]expectation
期望值		長期平均下來會是多少。
Φ φphi
斐（常態的 CDF 與 PDF）		Φ＝累積到某點的面積（機率）；φ＝某一點的高度（密度）。
ZZ-score
標準分數		距離平均幾個標準差。Z = (x − μ) / σ。
←assignment
賦值箭頭		「用右邊的結果取代左邊」，不是「等於」。
🔍 想知道「為什麼是這個符號」？例如 Σ 其實是希臘文的 S，來自拉丁文 Summa（和）、∫ 是一個被拉長的 S、∂ 是圓體的 d——完整的 50 個符號來源、發明者與年代，都整理在 數學符號解碼器。
那頁還會誠實標出哪些符號根本查不到出處（像機器學習學習率的 η，翻遍符號史文獻都沒人記載為什麼是它）——看不懂不是你的問題，是真的沒人寫下來。

🎲 實驗室 1：骰子事件實驗室 初級中級

點每顆骰子下面的 A / B 決定它屬於哪個事件，右邊的機率會即時重算。重點在看懂條件機率的分母換了誰，以及「獨立」和「互斥」根本是兩回事。

只在 A 只在 B A ∩ B（都在） 都不在
A = –　P(A) = –
B = –　P(B) = –
A ∩ B = –　P(A∩B) = –
A ∪ B = –　P(A∪B) = –
P(A|B) = P(A∩B) ÷ P(B) = –　分母只剩 B
P(B|A) = P(A∩B) ÷ P(A) = –　分母只剩 A
獨立檢查：P(A)×P(B) = – ↔ P(A∩B) = –
––
–
🎯 真題還原（114 年第 2 回 中級 科目三）：用蒙地卡羅估 \(P(A|B)\)，事件 A＝擲出偶數、事件 B＝擲出大於 3，程式碼該寫哪個？
正解 A_and_B.sum() / B.sum()。因為 \(P(A|B)=\dfrac{P(A\cap B)}{P(B)}\)——已經知道 B 發生了，分母就從「全部」縮小成「B」。錯誤選項把分母寫成 A.sum()（那是 P(B|A)）或 A.sum()+B.sum()、A.sum()*B.sum()（根本不是機率定義）。
⚠️ 全站最愛考的觀念混淆：獨立 ≠ 互斥
互斥（Mutually Exclusive）＝兩件事不可能同時發生，\(P(A\cap B)=0\)。
獨立（Independent）＝一件事發生不影響另一件的機率，\(P(A\cap B)=P(A)P(B)\)。
關鍵推論：兩個機率都不為 0 的互斥事件，一定「不獨立」——因為 A 一旦發生，B 就完全不可能了，這影響大到極點。按上面的「互斥範例」按鈕自己驗一次。
🎯 冷門但考過（115 年第 1 回 中級 科目二）：關聯規則的三個指標其實就是機率換個名字——
支援度 Support = \(P(A\cap B)\)（同時出現占全部交易的比例）
信賴度 Confidence = \(P(B|A)\)（買了 A 的人裡有幾成也買 B）← 它才是條件機率
提升度 Lift = \(\dfrac{P(A\cap B)}{P(A)P(B)}\)，等於 1 代表獨立、>1 正相關、<1 負相關，範圍不限在 [0,1]。

🧮 貝氏定理：把「看到的證據」換算成「更新後的信念」 中級

\[ P(Y \mid X) = \frac{P(X \mid Y)\, P(Y)}{P(X)} \] 白話：看到特徵 X 之後，這筆資料屬於類別 Y 的機率。右邊三塊各有名字——\(P(Y)\) 是先驗（還沒看資料前的信念）、\(P(X|Y)\) 是概似（如果真是 Y，會看到 X 的機率）、\(P(Y|X)\) 是後驗（看完資料後更新的信念）。
🎯 真題還原（114 年第 2 回 中級 科目三）：電商用瀏覽紀錄推估「觀察到這些行為後、該顧客會購買的機率」，問貝氏定理的核心運作機制 → 正解是「以條件機率方式計算顧客屬於會購買／不會購買的分類機率」。
看到「貝氏定理」就想到「條件機率」和 P(A|B)。錯誤選項通常混進分群（非監督）、MSE 迴歸、強化學習回饋——都不是條件機率。
⚠️ 樸素貝氏（Naive Bayes）的「樸素」在哪？它假設所有特徵彼此獨立，才能把 \(P(X|Y)\) 拆成一堆相乘。現實中特徵當然會相關（這假設「很天真」），但它訓練極快、在文字分類／垃圾郵件過濾上意外好用——這是它的固定考點。

想看完整的先驗→後驗動畫與疾病篩檢的直覺陷阱，走這兩頁：貝氏定理互動教學、樸素貝氏分類器。

📈 實驗室 2：常態面積尺（PDF vs CDF） 初級中級

上圖是機率密度函數 PDF，陰影面積就是機率；下圖是累積分佈函數 CDF，也就是把 PDF 一路積分累加起來的曲線。拖動 z 看兩張圖怎麼連動。

機率（陰影面積）：– CDF F(z) = P(Z ≤ z)：– –
–

三個一定要背的數字

① ±1σ ≈ 68%　② ±2σ ≈ 95%（更精確是 ±1.96σ）　③ ±3σ ≈ 99.7%
所以「超過 3 個標準差」大約是 千分之 3 的事——這就是 3σ 離群值判定的由來。
🎯 真題還原（114 年第 2 回 中級 科目二）：問「累積分佈函數 CDF 的數學定義」→ 正解「機率密度函數 PDF 的積分」。
記法：PDF 是每一點的高度、CDF 是從左邊累積到現在的面積。CDF 一定是遞增、從 0 爬到 1；PDF 本身可以大於 1（它是密度不是機率），但整條曲線下的總面積必定等於 1。
🎯 Z-score 判讀真題（115 年第 1 回 中級 科目一）：監控設 |Z| ≥ 2 觸發警示，某特徵 Z-score = −2 → 代表該值低於歷史平均 2 個標準差（負號＝在平均值下方，絕對值 2＝距離兩個標準差），剛好踩到警示邊界。別看到負號就選「超出常態分布範圍」。
公式：\(z=\dfrac{x-\mu}{\sigma}\)。上面實驗室右邊那顆膠囊會用真題情境（溫度感測器 μ=25°C、σ=2°C）幫你換算成實際數值。

🎯 實驗室 3：二項分布什麼時候能用常態近似 中級

二項分布數的是「n 次嘗試中成功幾次」。當 n 夠大、p 不要太極端時，它的形狀會逼近常態——但有條件，而那個條件正是考題本身。拖動 n 與 p，看鐘形什麼時候才真的貼合。

平均 np：– 變異數 np(1−p)：– 標準差：–
np > 5 ?n(1−p) > 5 ?
–
🎯 真題還原（中級 科目二）：推播給 5,000 位顧客、單次點擊率 p=0.4，想用常態分布近似二項分布，哪個判斷合理？→ 正解「只有當 np 與 n(1−p) 皆大於 5 時，才能以常態分布作近似」。
不是「樣本數夠大就一定可以」——如果 p 極小（例如 0.001），就算 n=1000，np 才 1，分布仍嚴重右偏、貼不上鐘形。這種「稀有事件」該用的是卜瓦松分布。

🗂️ 分布選型速查：讀情境、挑分布 中級高頻

這是機率題出現頻率最高的一種：給你一段業務情境，問「最適合用哪個分布描述」。抓關鍵字就好。

分布在數什麼情境關鍵字典型考題
二項 Binomialn 次獨立嘗試中成功幾次固定次數、每次成敗、機率相同推播 5000 人，點擊人數的分布
卜瓦松 Poisson單位時間／空間內發生幾次平均每小時 20 通、事件獨立、與時間長短成正比客服中心每分鐘接到幾通來電
指數 Exponential下一次事件要等多久間隔時間、等待時間、壽命兩通來電之間相隔幾分鐘
常態 Normal大量因素疊加後的連續數值身高、量測誤差、平均值、鐘形對稱感測器溫度 μ=25、σ=2
均勻 Uniform每個結果機會完全一樣隨機亂數、無偏好隨機初始化、隨機抽樣
🔑 卜瓦松 vs 指數是同一件事的兩面：「一小時內來 20 通」用卜瓦松（數次數，離散）；「下一通要等幾分鐘」用指數（量時間，連續）。題目問幾次就選卜瓦松，問多久就選指數。詳細動畫在 卜瓦松與指數分布。

📊 期望值、變異數、偏態與盒鬚圖 初級

期望值與變異數

期望值 E[X]＝長期平均會是多少（\(\sum x_i P(x_i)\)）。變異數 Var(X)＝離平均值有多散（平方單位），開根號就是標準差（回到原本的單位，所以報表都報標準差）。

🎯 期望值在 AI 裡的真題：Dropout 的程式碼 x * mask / p，那個「除以 p」是 Inverted Dropout——隨機關掉一部分神經元後，把剩下的放大回去，讓輸出的期望值維持不變，這樣訓練和推論才對得起來。

偏態 Skewness：看長尾在哪一邊

右偏（正偏）左偏（負偏）
Skewness> 0< 0
長尾方向尾巴拖向右邊（高值）尾巴拖向左邊（低值）
大小關係平均數 > 中位數平均數 < 中位數
盒鬚圖長相中位數線偏向盒子下方、上鬚較長中位數線偏向盒子上方、下鬚較長
常見例子所得、房價、等待時間考試高分群、壽命資料
🎯 盒鬚圖真題（115 年第 1 回 中級 科目三）：「盒子很短但鬚很長」＝中間 50% 集中但有極端值；「中位數明顯偏向盒子下方」＝右偏分布。另一題直接給分布圖問 Skewness 正負——長尾在左就是負偏。這兩題都是純判讀，不用計算。

🤖 機率在 AI 裡長什麼樣（考題都藏在這） 中級

概念它在做的機率的事考點
Softmax把一堆分數（logits）轉成總和為 1 的機率分布多類別互斥單標籤用 softmax；多標籤各自獨立要用 sigmoid
交叉熵 Cross Entropy衡量「預測的機率分布」離「真實標籤」多遠PyTorch 的 CrossEntropyLoss 內建 softmax，輸出層別再加一次
KL 散度兩個機率分布的差異程度偵測資料漂移 Data Drift——比較新舊輸入分布
Temperature調整 softmax 的「陡峭程度」溫度高→機率變平均→輸出更隨機有創意；溫度低→更確定、更保守
蒙地卡羅用大量隨機抽樣逼近機率、期望值、分布沒有解析解時使用（風險值模擬、估 P(A|B)）
信賴區間 / p 值從樣本推論母體的不確定性虛無假設值落在信賴區間內 → 無法拒絕虛無假設（與 p > α 一致）
⚠️ 中級真題易錯：單樣本 t 檢定 p 值 = 0.08、95% 信賴區間 [95, 108] 萬，檢定值 100 萬。正解是「因 100 萬落在信賴區間內，無法拒絕虛無假設」——信賴區間與 p 值必然一致，別被「p 值 < 0.05 可拒絕」這種自相矛盾的選項騙了。細節在 信賴區間 與 型一／型二錯誤。

✅ 自我檢測

Q1：擲一顆公正骰子，A＝擲出偶數、B＝擲出大於 3。P(A|B) 是多少？程式碼要除以誰？

B = {4,5,6}，A∩B = {4,6}，所以 \(P(A|B)=\frac{2/6}{3/6}=\frac{2}{3}\approx 0.667\)。程式碼是 A_and_B.sum() / B.sum()——條件機率的分母是被條件的那個事件。

Q2：A 和 B 互斥，且 P(A)、P(B) 都不為 0。它們是獨立的嗎？

一定不獨立。互斥代表 \(P(A\cap B)=0\)，但獨立要求 \(P(A\cap B)=P(A)P(B)\)，兩個非零數相乘不可能是 0。直覺上：A 一發生，B 就完全不可能了——這叫影響超大，怎麼會是獨立。

Q3：CDF（累積分佈函數）的數學定義是什麼？

PDF（機率密度函數）的積分。CDF 從 0 單調爬升到 1，F(z) = P(X ≤ z)；PDF 是每一點的密度高度，本身可以大於 1，但曲線下總面積等於 1。

Q4：客服中心平均每小時 20 通來電，想描述「每分鐘接到幾通」的機率分布，該用哪個？如果改問「兩通之間相隔多久」呢？

「每分鐘幾通」＝數次數 → 卜瓦松分布。「相隔多久」＝量等待時間 → 指數分布。同一個隨機過程的兩種問法。

Q5：推播 5,000 人、單次點擊率 p = 0.4，可以用常態分布近似二項分布嗎？判準是什麼？

可以。判準是 np > 5 且 n(1−p) > 5：np = 2000、n(1−p) = 3000，都遠大於 5。注意不是「n 夠大就一定可以」——p 極小時（如 0.001）np 只有 5，分布仍嚴重右偏。

Q6：某特徵的 Z-score = −2，代表什麼？

該值低於歷史平均 2 個標準差。負號是方向（在平均下方），絕對值是距離。若監控規則是 |Z| ≥ 2 觸發警示，這筆剛好踩到邊界。

Q7：關聯規則裡，哪一個指標才是條件機率？提升度等於 1 代表什麼？

信賴度 Confidence = P(B|A) 才是條件機率（支援度是 P(A∩B)）。提升度 Lift = 1 代表 A 與 B 獨立，>1 正相關、<1 負相關；Lift 的範圍不限在 [0,1]。

Q8：盒鬚圖中，某城市的中位數線明顯偏向盒子下方，資料是什麼偏態？

右偏（正偏，Skewness > 0）。中位數靠下代表上半部資料延伸得更長，長尾在右邊。

🎯 重點整理（考前 5 分鐘掃這裡）

① 條件機率：\(P(A|B)=\dfrac{P(A\cap B)}{P(B)}\)。分母是被條件的那一個，程式碼寫成 A_and_B.sum()/B.sum()。
② 互斥 vs 獨立：互斥 \(P(A\cap B)=0\)；獨立 \(P(A\cap B)=P(A)P(B)\)。非零機率的互斥事件必定不獨立。
③ 貝氏：\(P(Y|X)=\dfrac{P(X|Y)P(Y)}{P(X)}\)＝先驗×概似÷證據＝後驗。看到貝氏就想條件機率；樸素貝氏的「樸素」＝假設特徵互相獨立。
④ PDF vs CDF：CDF 是 PDF 的積分，遞增且 0→1；PDF 可大於 1，總面積 = 1。
⑤ 分布選型：數次數→二項（固定 n）／卜瓦松（單位時間）；量等待→指數；連續對稱→常態；機會均等→均勻。
⑥ 常態近似二項：條件是 np > 5 且 n(1−p) > 5，不是「n 大就好」。
⑦ Z-score：\(z=\frac{x-\mu}{\sigma}\)；±1σ≈68%、±2σ≈95%、±3σ≈99.7%；負號只代表在平均下方。
⑧ 偏態：長尾在右→Skew>0 右偏、平均>中位數、盒鬚圖中位線偏下。
⑨ AI 應用：softmax→機率分布（互斥用它、多標籤用 sigmoid）；交叉熵比較分布；KL 散度抓資料漂移；蒙地卡羅在沒解析解時用隨機抽樣逼近。