statistics

พื้นฐานความน่าจะเป็น: กฎ การจัดหมู่ และตัวอย่าง

บทแนะนำความน่าจะเป็นที่ชัดเจน — นิยาม กฎการบวก / การคูณ / แบบมีเงื่อนไข การเรียงสับเปลี่ยนและการจัดหมู่ พร้อมตัวอย่างที่แก้แล้ว
AI-Math Editorial Team

By AI-Math Editorial Team

Published 2026-05-02

ความน่าจะเป็นทำให้ความไม่แน่นอนกลายเป็นปริมาณ ข่าวดีคือ โจทย์การบ้านส่วนใหญ่ลดรูปลงเหลือกฎเพียงไม่กี่ข้อและความเต็มใจที่จะนับอย่างรอบคอบ คู่มือนี้ครอบคลุมพื้นฐานที่คุณต้องมีก่อนจะก้าวต่อไปยังการแจกแจง การทดสอบสมมติฐาน หรือการอนุมานแบบเบส์

"ความน่าจะเป็น" หมายความว่าอย่างไร

ความน่าจะเป็นของเหตุการณ์ AA คือ

P(A)=ผลลัพธ์ที่เป็นไปได้ตามต้องการผลลัพธ์ทั้งหมดP(A) = \frac{\text{ผลลัพธ์ที่เป็นไปได้ตามต้องการ}}{\text{ผลลัพธ์ทั้งหมด}}

โดยสมมติว่าผลลัพธ์ทุกอย่างมีโอกาสเท่ากัน P(A)[0,1]P(A) \in [0, 1]:

  • 00 = เป็นไปไม่ได้
  • 11 = แน่นอน
  • 0.50.5 = การโยนเหรียญ

สำหรับผลลัพธ์ที่ไม่ได้มีโอกาสเท่ากัน คุณกำหนดน้ำหนักให้แต่ละผลลัพธ์ (นี่คือสิ่งที่การแจกแจงความน่าจะเป็นทำ)

กฎหลักสามข้อ

กฎการบวก (ความน่าจะเป็นของ A หรือ B)

P(AB)=P(A)+P(B)P(AB)P(A \cup B) = P(A) + P(B) - P(A \cap B)

ลบส่วนตัดออกเพื่อไม่ให้นับซ้ำ ถ้า AA และ BB เป็น เหตุการณ์ที่ไม่เกิดร่วมกัน (เกิดทั้งคู่ไม่ได้) ส่วนตัดจะเป็นศูนย์

ตัวอย่าง: จั่วไพ่จากสำรับ 52 ใบ P(คิงหรือโพแดง)=4/52+13/521/52=16/52=4/13P(\text{คิงหรือโพแดง}) = 4/52 + 13/52 - 1/52 = 16/52 = 4/13 (ไพ่หนึ่งใบเป็นทั้งคิงและโพแดง จึงต้องลบออก)

กฎการคูณ (ความน่าจะเป็นของ A และ B)

P(AB)=P(A)P(BA)P(A \cap B) = P(A) \cdot P(B \mid A)

ถ้า AA และ BB เป็น อิสระต่อกัน (อันหนึ่งไม่กระทบอีกอัน) P(BA)=P(B)P(B | A) = P(B) ลดรูปเหลือ P(A)P(B)P(A) \cdot P(B)

ตัวอย่าง: ทอยลูกเต๋าสองลูก P(ได้ 6 ทั้งคู่)=1/61/6=1/36P(\text{ได้ 6 ทั้งคู่}) = 1/6 \cdot 1/6 = 1/36 (การทอยเป็นอิสระต่อกัน)

ความน่าจะเป็นแบบมีเงื่อนไข

P(BA)=P(AB)P(A)P(B \mid A) = \frac{P(A \cap B)}{P(A)}

ความน่าจะเป็นของ BB เมื่อกำหนดว่า AA เกิดขึ้นแล้ว เป็นรากฐานของ ทฤษฎีบทเบส์ และสถิติเชิงอนุมานส่วนใหญ่

ตัวอย่าง: ไพ่ที่จั่วได้เป็นไพ่หน้า ความน่าจะเป็นที่มันเป็นคิงคือเท่าไร

  • P(คิงและไพ่หน้า)=4/52P(\text{คิงและไพ่หน้า}) = 4/52
  • P(ไพ่หน้า)=12/52P(\text{ไพ่หน้า}) = 12/52
  • P(คิง | ไพ่หน้า)=(4/52)/(12/52)=4/12=1/3P(\text{คิง | ไพ่หน้า}) = (4/52) / (12/52) = 4/12 = 1/3

การนับ: การเรียงสับเปลี่ยนและการจัดหมู่

สำหรับ nn สิ่งเลือก rr:

  • การเรียงสับเปลี่ยน (ลำดับสำคัญ): P(n,r)=n!(nr)!P(n, r) = \frac{n!}{(n-r)!}
  • การจัดหมู่ (ลำดับไม่สำคัญ): C(n,r)=(nr)=n!r!(nr)!C(n, r) = \binom{n}{r} = \frac{n!}{r!(n-r)!}

การตัดสินใจคือ "การสลับสองสิ่งที่เลือกไว้ทำให้ผลต่างกันหรือไม่":

  • ใช่ (เช่น เหรียญทองกับเหรียญเงิน) → การเรียงสับเปลี่ยน
  • ไม่ (เช่น เลือกกรรมการ 5 คน) → การจัดหมู่

ตัวอย่างที่แก้แล้ว: ลอตเตอรี

เลือก 6 ตัวเลขจาก 49 ลำดับบนตั๋วของคุณไม่สำคัญ — เป็นการจัดหมู่

(496)=49!6!43!=13,983,816\binom{49}{6} = \frac{49!}{6! \cdot 43!} = 13,983,816

ดังนั้น P(ถูกแจ็กพอต 6 ตัวเลข)=1/13,983,8167.15×108P(\text{ถูกแจ็กพอต 6 ตัวเลข}) = 1/13{,}983{,}816 \approx 7.15 \times 10^{-8}

อิสระต่อกัน กับ ไม่เกิดร่วมกัน (อย่าสับสนทั้งสอง!)

  • อิสระต่อกัน: การรู้ AA ไม่เปลี่ยน P(B)P(B) การโยนเหรียญเป็นอิสระต่อกัน
  • ไม่เกิดร่วมกัน: AA และ BB เกิดทั้งคู่ไม่ได้ การทอยลูกเต๋าเป็นทั้ง 1 และ 2 พร้อมกันไม่ได้

เหตุการณ์สองเหตุการณ์อาจเป็นอย่างหนึ่ง อีกอย่างหนึ่ง ทั้งสอง หรือไม่เป็นทั้งคู่ มันไม่ใช่แนวคิดเดียวกัน แม้จะมักถูกสับสนกันบ่อย ๆ

ข้อผิดพลาดที่พบบ่อย

  • ความเข้าใจผิดของนักพนัน: "ฉันโยนได้หัว 5 ครั้งติด ครั้งต่อไปต้องเป็นก้อย" การโยนเหรียญเป็นอิสระต่อกัน — อดีตไม่เปลี่ยนความน่าจะเป็นในอนาคต
  • การบวกความน่าจะเป็นที่เกิดร่วมกันได้ โดยไม่ลบส่วนตัด P(คิง)+P(โพแดง)P(คิงหรือโพแดง)P(\text{คิง}) + P(\text{โพแดง}) \neq P(\text{คิงหรือโพแดง})
  • การสับสน P(AB)P(A | B) กับ P(BA)P(B | A) ความเข้าใจผิดแบบอัยการที่คลาสสิก: "เมื่อกำหนดว่าจำเลยบริสุทธิ์ โอกาสที่จะมีหลักฐานนี้มีน้อย ดังนั้นเมื่อกำหนดหลักฐาน โอกาสที่จะบริสุทธิ์จึงมีน้อย" ผิดทางตรรกะหากไม่นำทฤษฎีบทเบส์มาใช้

ลองด้วยตัวเอง

ใส่โจทย์ความน่าจะเป็นใด ๆ ลงในเครื่องคิดเลขความน่าจะเป็น — การบวก การคูณ แบบมีเงื่อนไข พร้อมการจัดหมู่ AI จะพาคุณไปทีละขั้น

ที่เกี่ยวข้อง:

Frequently Asked Questions

Theoretical probability is calculated from equally likely outcomes (favorable ÷ total). Experimental probability is the observed frequency from actual trials. As the number of trials grows, experimental probability converges to theoretical probability (law of large numbers).

The complement rule states P(not A) = 1 − P(A). It is especially useful for "at least one" events: it is often easier to compute the probability that none of the event occurs and subtract from 1.

Independent events do not affect each other's probabilities; P(A and B) = P(A)·P(B). Mutually exclusive events cannot both occur at once; P(A and B) = 0. Two events can be independent without being mutually exclusive.

AI-Math Editorial Team

By AI-Math Editorial Team

Published 2026-05-02

A small team of engineers, mathematicians, and educators behind AI-Math, focused on making step-by-step math help accessible to every student.