面積機率有好幾種演算法，這裡只講一種，即分別考慮每種事件發生的頻次，單個事件頻次除總頻次，即是機率值，或者單個事件頻次除以其他事件頻次，然後再轉化為機率值。
例如：郵件箱中收到大量郵件，有詐騙郵件，有正常郵件。根據統計，詐騙郵件中出現文字：“中獎”佔30%，出現“www.”佔40%；正常郵件出現“中獎”佔1%，出現“www.”佔2%。資料統計顯示郵箱中詐騙郵件佔比為20%，隨機抽取一封郵件發現含有“中獎”和“www.”，這封郵件是詐騙郵件的機率是多少。
想直接列出機率算式有點難度，透過頻次計算就比較簡單。
這封郵件要麼是詐騙郵件，要麼是正常郵件。
先考慮含有“中獎”和“www.”的正常郵件有多少：(1-20%) x 1% x 2% = 160 %%%
再考慮 含有“中獎”和“www.”的詐騙郵件有多少 20% x 30% x 40% = 240%%%
兩者比值 160 ：240 = 2:3
因為這封郵件不是正常郵件就是詐騙郵件，兩者的機率之和是1，所以詐騙郵件的機率就是：
3 ：（2+3）= 60%。
從這個例子中可以看出，用頻次計算機率，就是分別考慮所有情況發生的頻次，然後算出比值，然後再看總機率等於多少，若是互斥事件，總機率就是1，所以頻次比就可以轉化為機率值。這樣用分別考慮各自的頻次的方法就能降低思考難度。
再舉個取球的例子，兩個盒子，甲盒子裝有70個白球30個紅球，乙盒子裝有20個白球80個紅球。隨意拿出一個盒子，取出一個球看顏色，再放回，連續取20次，發現10個白球10個紅球。問拿出的盒子是甲的機率多少。
用頻次演算法極為簡單，分別算頻次。
甲盒子中拿出10個白球和10個紅球的頻次是 0.7^10 x 0.3^10
乙盒子同樣演算法 0.2^10 x 0.8^10
頻次之比就是機率之比，因為是機率之和等於1，就很容易把頻次比轉化為機率。
在教科書中，針對 這類問題，發明條件機率概念和貝葉斯公式，甚至還用到階乘的運算，這種做法並不能降低思考的難度，在我看來沒有必要。
面積機率有好幾種演算法，這裡只講一種，即分別考慮每種事件發生的頻次，單個事件頻次除總頻次，即是機率值，或者單個事件頻次除以其他事件頻次，然後再轉化為機率值。
例如：郵件箱中收到大量郵件，有詐騙郵件，有正常郵件。根據統計，詐騙郵件中出現文字：“中獎”佔30%，出現“www.”佔40%；正常郵件出現“中獎”佔1%，出現“www.”佔2%。資料統計顯示郵箱中詐騙郵件佔比為20%，隨機抽取一封郵件發現含有“中獎”和“www.”，這封郵件是詐騙郵件的機率是多少。
想直接列出機率算式有點難度，透過頻次計算就比較簡單。
這封郵件要麼是詐騙郵件，要麼是正常郵件。
先考慮含有“中獎”和“www.”的正常郵件有多少：(1-20%) x 1% x 2% = 160 %%%
再考慮 含有“中獎”和“www.”的詐騙郵件有多少 20% x 30% x 40% = 240%%%
兩者比值 160 ：240 = 2:3
因為這封郵件不是正常郵件就是詐騙郵件，兩者的機率之和是1，所以詐騙郵件的機率就是：
3 ：（2+3）= 60%。
從這個例子中可以看出，用頻次計算機率，就是分別考慮所有情況發生的頻次，然後算出比值，然後再看總機率等於多少，若是互斥事件，總機率就是1，所以頻次比就可以轉化為機率值。這樣用分別考慮各自的頻次的方法就能降低思考難度。
再舉個取球的例子，兩個盒子，甲盒子裝有70個白球30個紅球，乙盒子裝有20個白球80個紅球。隨意拿出一個盒子，取出一個球看顏色，再放回，連續取20次，發現10個白球10個紅球。問拿出的盒子是甲的機率多少。
用頻次演算法極為簡單，分別算頻次。
甲盒子中拿出10個白球和10個紅球的頻次是 0.7^10 x 0.3^10
乙盒子同樣演算法 0.2^10 x 0.8^10
頻次之比就是機率之比，因為是機率之和等於1，就很容易把頻次比轉化為機率。
在教科書中，針對 這類問題，發明條件機率概念和貝葉斯公式，甚至還用到階乘的運算，這種做法並不能降低思考的難度，在我看來沒有必要。