这可以表述为：发生撑伞这一事件的概率为0.3。大家可以观察这个例子，注意一下：相比文字，使用概率符号进行记述要简单得多。总结一下上述的符号方法，用“事件”来表示“发生的事情”，可以得到如下图表：
概率p：“事件”→“数值”，“数值”＝p（事件）
我们再来思考另一个代表性概率模型的例子：“掷骰子出现的点数”的概率模型。该案例中的基本事件为：
{1点，2点，3点，4点，5点，6点}
为了方便起见，“点”字可以省略掉，只写出数字，为：
{1，2，3，4，5，6}
也就是说，可以将基本事件设为数字的集合。那么，事件也将变为数字的集合，例如：
“偶数”＝{2，4，6}
“4以下”＝{1，2，3，4}
因此，在分配概率时，可以先自然地对基本事件的概率进行以下设定：
因此，对于事件，则可以确定为类似如下的形式：
在这里，将“偶数”这一事件记作E，将“4以下”这一事件记作F，则可以记为：
14-3 概率与面积的性质相同
通过上一节中关于“基本事件”“事件”“概率”的定义，我们可以了解到：概率具有与面积相同的性质。
关于掷骰子的概率模型，我们可以通过图表14-1来实际进行一下图解。这与之前的讲解中多次出现的长方形分割图（可能性示意图）是完全相同的。并且，用来表示事件F＝“4以下”的概率的p（F），与表示长方形1到4部分面积的数值是一致的，这一点显而易见。
图表14-1 概率模型即为面积图
如果将概率理解为面积，那么自然就能理解以下所述的性质。下面的“AorB”事件表示：“A或B其中之一将会发生”的事件。
概率的加法法则
设定事件A和事件B没有重复，即这两个事件当中，不存在共通的基本事件。
此时，事件“AorB”的概率为：A的概率与B的概率之和，即：
p（AorB）＝p（A）＋p（B）
根据概率与面积相同的原理，通过观察图表14-2，很容易就可以理解该法则。
图表14-2 概率的加法法则
14-4 用概率符号来表示贝叶斯推理的先验概率
之前的那些贝叶斯推理的先验概率，可以使用以上事件和概率的符号重新表示出来。
例如，在第2讲的例子中，有“癌症”和“健康”两个类别。那么在概率模型中，基本事件的集合可以表示为：
{癌症，健康}
用分配给每一类别的先验概率来反映实际的罹患率，为：
p（癌症）＝0.001，p（健康）＝0.999
而这在图表14-3（与图表2-1相同）中，分别对应面积为0.001的长方形和面积为0.999的长方形（由面积为1的长方形分割得来）。
图表14-3 根据癌症罹患率得到的先验分布
另外，关于第4讲中介绍的“某对夫妇生的第一胎为女孩的概率为多少”的概率模型，可以将生女孩的概率p的数值设定为基本事件。在这里，将基本事件称为“概率”可能会让人感觉有些奇怪，事实上这并不突兀。可以将基本事件设定为{0.4}、{0.5}、{0.6}。在这里，{0.4}的含义是“该夫妇生的第一胎为女孩的概率为0.4”这一事件，可以理解为类似于掷骰子出现的点数。用概率符号来表示图表14-4（与图表4-1相同）中长方形的面积的话，先验分布可以记为：
图表14-4 某对夫妇生的第一胎为女孩的概率的先验分布
写作p（{0.4}）的情况下，由于中间的0.4也表示概率，整体的p（{0.4}）也表示概率，所以可能有些难以理解。但因为中间的概率“0.4”是针对“某对夫妇生的第一胎为女孩”这一基本事件（事件）的，而整体的p（{0.4}）则用来表示：估计这一基本事件有多大的可能性，也就是所谓的“信念的程度”，因此，可以理解为意思完全不同的两个概念。
14-5 用概率符号来表示用“＆”连接起来的事件
