概率与统计——从"碰运气"到用数据做决策

小学生的回答

"70%就是100天里面有70天会下雨。但明天要么下要么不下，怎么知道这70%准不准？"

直觉知道"有些事能估计"，但不知道估计的可靠性怎么衡量、数据有多大的说服力。

古典概型——如果每个可能情况一样可能

掷一枚公平的硬币：正、反两种结果等可能。正面概率 = 1/2。

掷一颗公平的骰子：6种结果等可能。掷到3的概率 = 1/6。掷到偶数的概率 = 3/6 = 1/2。

就是数清楚全部情况，然后数符合条件的情况。但情况一多，不是"一数就能数清楚的"——需要排列组合。

排列组合——数情况的工具箱

你抽5张扑克牌，拿到同花顺的概率是多少？分母是所有5张牌的组合 C(52,5) = 2598960种等可能情况。分子是一种花色的同花顺组合=4种花色×10种起点=40种。概率 = 40/2598960 ≈ 1/65000。不是靠经验猜，是靠计数精算。

古典概型的三个前提——不满足就不能硬算

1. 所有结果等可能——骰子要是灌了铅，1/6就不成立
2. 结果有限——比如"明天可能下雨"——你不能列出所有等可能情况
3. 情况能数清——连续量（如"温度在25-30度之间的概率"）不能用"数情况"来算

当这些前提不满足时，就需要概率的第二次飞跃。

概率的三个公理——整个概率论的根基

柯尔莫哥洛夫在1933年把概率建立在三个公理之上：

1. 任何事件的概率 ≥ 0（没有负数概率）
2. 所有可能事件的概率总和 = 1（一定发生某件事）
3. 互斥事件的概率相加：P(A∪B) = P(A) + P(B)（A和B不可能同时发生）

所有概率计算的公式——条件概率、全概率公式、贝叶斯定理——都从这三条推导出来。公理化的力量：你不用每次都"数情况"——你可以从已知概率推导出未知概率。

条件概率——知道了一部分，概率就变了

P(A|B) = P(A∩B) / P(B)

问题：如果检测某种罕见病（发病率1%），检测准确率99%。你检测结果为阳性，你真的有病的概率是多少？

• 全班10000人假设——100人有病（1%），9900人没病
• 100个有病的人里99人检出阳性
• 9900个没病的人里99人检出阳性（1%的误报率）
• 阳性总人数 = 99 + 99 = 198人
• 阳性的人中真有病的概率 = 99/198 = 50%

你的直觉可能觉得"检测准确率99%所以阳性应该有99%的概率有病"——但算出来只有50%。这就是条件概率在说话。贝叶斯定理就是条件概率的系统化应用。

概率分布——不确定性有了"形状"

每个分布都有自己的"身份证"——均值（期望值）和方差（分散程度）。知道一个现象符合什么分布，就能预测它的行为。正态分布是最重要的分布（中心极限定理：大量独立因素的叠加趋向正态）。

描述统计——数据长什么样

拿到一堆数据，第一步不是分析，而是"看清楚"。描述统计给数据画一张"肖像"：

只看平均数可能完全误导。平均温度20°C的好日子，可能是白天35°C晚上5°C——均值掩盖了极端。

中心极限定理——统计推断的基石

中心极限定理说：不管原始数据符合什么分布，只要样本量足够大，样本均值的分布近似正态。

这意味着：

• 你采一个样，样本均值不会离总体均值太远（落在正态分布的高概率区域）
• 你能给出一个置信区间："总体均值有95%的把握在 (样本均值 - 1.96σ, 样本均值 + 1.96σ) 内"
• 样本量大，区间就窄（估计更精确）

这是一个非常反直觉的事实：你不需要知道总体分布长什么样（它可能是任何奇怪的形状），只要样本量够大，均值就服从正态分布。这就是为什么正态分布无处不在——不是因为数据本身正态，而是因为均值是正态的。

假设检验——这个结果是真的还是偶然？

新药组平均康复时间10天，对照组12天。差了2天——这是新药有效，还是随机波动？

假设检验的逻辑：

1. 假设新药无效（原假设），差2天只是随机波动
2. 计算"如果新药无效，出现这个差距的概率"——这就是 p 值
3. 如果 p < 0.05（惯例），就认为"这个差异不太可能是偶然"→ 拒绝原假设，认为新药有效

关键理解：p 值不是"新药有效的概率"。它是"如果新药无效，出现这个结果的概率"。两个截然不同。这个区分是统计学习中最容易被误解的。

相关 ≠ 因果——经典陷阱

相关不代表因果。可能有一个"混杂变量"让它们同时变动。随机对照试验（RCT）是最可靠的因果推断方法——随机分组消除了混杂变量。但很多问题不能做RCT（"烟会导致肺癌？不能随机让人抽烟"），需要更精细的因果推断方法。

贝叶斯统计——你的信念应该怎么被数据更新

传统（频率学派）统计的视角：概率是长期频率——"如果重复无数次，这个结果出现的比例"。

贝叶斯统计的视角：概率是信念的强度。你有一个先验信念 → 看到数据 → 更新成后验信念。

P(假设|数据) = P(数据|假设) × P(假设) / P(数据)

• 先验P(假设)：看到数据之前你对假设的相信程度
• 似然P(数据|假设)：假设成立时数据出现的可能性
• 后验P(假设|数据)：看到数据之后你对假设的更新信念

贝叶斯统计被广泛用于机器学习、垃圾邮件过滤、推荐系统——不是因为它更好，而是因为它更自然地处理"逐步积累证据"的过程。

数据和决策——数据不会替你做决定

最后一个飞跃：数据告诉你"如果这样做，结果大致是什么"，但不告诉你"应不应该这样做"。决策还需要价值判断。

• 新药有95%的概率延长寿命1个月，有5%的概率导致严重副作用。你该不该吃？
• 这不是统计问题——它取决于你多看重那1个月、多害怕副作用

决策理论把统计（概率）和价值（效用）结合在一起。它告诉你：最好的决策不是"概率最高的选项"，而是"期望效用最大的选项"。数据提供事实，但你自己的价值和风险偏好决定选择。