（长文）一文读懂概率论：贝叶斯�...

来源：市场资讯

（来源：图灵人工智能）

（本文较长，阅读大约需要15分钟，建议先收藏）

01 概率的诞生：不是骰子，而是一个“未完的赌局”

很多人以为概率论起源于掷骰子，其实真正点燃这个学科的，是一个分赌金的问题。

1654年，法国一位叫德·梅雷的赌徒，给数学家帕斯卡出了个实际难题：

两个人玩赌博，规定谁先赢够5局，谁就拿走全部赌金。现在A赢了3局，B赢了2局，比赛突然被迫中断。问：该怎么公平地分配赌金？

凭直觉，按3:2分？不对。因为如果比赛继续，两人的获胜机会并不相等。

帕斯卡自己也算不清楚，就写信和另一个数学家费马讨论。两人通过通信，想出了一个办法：把比赛从当前局面继续下去的所有可能情况都列出来，然后计算每个人最终获胜的概率。

比如，最多还需要再打几局才能分出胜负？

A差2胜，B差3胜，所以最多再打4局（因为2+3-1=4）就能决出胜者。

下面我们列出所有可能的结果序列。

结果序列：就是用字母A和B按顺序记录每一局谁赢，直到有人先达到5胜为止（A原有3胜，B原有2胜）。例如：

“A A” 表示第一局A赢，第二局A赢。此时A从3胜变成5胜，比赛立即结束。

“A B A” 表示第一局A赢，第二局B赢，第三局A赢。第三局结束后A达到5胜，结束。

所有可能的序列如下表（假设每局胜负概率各1/2，且各局独立）：

02 从“数等可能”到“统计频率”：概率论的一次大飞跃

最初的概率叫做古典概型。它要求所有结果都是等可能的，而且结果总数有限。

比如掷硬币：正面概率 = 1/2；抽一张扑克牌是红桃的概率 = 13/52。

公式很简单：

但问题来了：现实中的大多数事件，并不是等可能的。

比如“某篮球运动员罚球命中的概率”，你不能假设命中和不命中各占一半。

那怎么办呢？人们发现了一个现象：如果你把同一个试验重复很多很多次，事件发生的频率（次数÷总次数）会越来越稳定，最终接近一个固定数值。

这个固定数值，就定义为概率。

举个例子：

让那个球员罚1000次球，他投进600次，频率 = 0.6。

再罚10000次，投进6050次，频率 = 0.605。

再罚100000次，频率可能稳定在0.604左右。

数学家雅各布·伯努利证明了大数定律：只要试验次数足够多，频率就会无限接近那个真正的概率。

03 频率概率之后：从“客观频率”到“主观信念”

你可能会问：频率概率只能用来描述可以重复发生的事件，比如投篮、掷骰子。但现实中有很多事无法重复，比如“明天某只股票上涨的概率”或者“美联储下周降息的概率是60%”——这类事件只发生一次，没有“长期频率”可言，那这些概率又是从哪里来的？

这就引出了概率论的又一次飞跃：从“频率”推广到“信念”。

频率派的局限

严格的频率派认为，概率必须是“无限次重复试验中事件发生的长期比例”。这个定义在物理世界很完美（比如掷硬币），但面对独一无二的事件（一次选举、一次利率决议）就无能为力了。因为下周只会有一次降息或不降息，没有“重复试验”的机会。

逻辑概率：一座桥梁

在20世纪早期，经济学家凯恩斯等人提出了“逻辑概率”。他们认为，概率衡量的是证据和结论之间的一种客观逻辑关系。比如，根据现有的经济数据，我们可以说“降息”与“数据”之间有某种确定程度的逻辑支持。这为从客观频率转向主观信念搭了一座桥。

主观概率的突破：概率就是“合理信念的度量”

到了20世纪20-30年代，数学家拉姆齐、德·菲内蒂等人提出了更彻底的观点：概率本质上是个体对某个事件发生可能性的“主观置信度”，只要这个置信度符合概率的数学规则（比如加起来等于1），就是理性的。

什么是“置信度”？

置信度（Degree of Belief）就是你对某件事发生可能性的个人判断，用一个0到1之间的数字表示。

置信度 = 1：你百分之百相信这件事会发生。

置信度 = 0：你百分之百相信这件事不会发生。

置信度 = 0.6：你觉得发生的可能性比不发生的可能性稍大一点，但还不确定。

比如，你说“美联储明天降息的概率是60%”，就表示你对“降息”这件事的置信度是0.6。

这个数字不是凭空瞎猜，而是基于你掌握的所有信息（经济数据、官员讲话、市场反应等）做出的理性判断。

为什么主观概率不是乱猜？——概率的数学公理与“荷兰书论证”

你可能会担心：主观的信念不是想怎么定就怎么定吗？

首先，现代概率论作为数学分支，有严格的公理基础（由柯尔莫戈洛夫在1933年提出）。概率必须满足三条基本规则：

1.非负性：任何事件的概率在0和1之间（包括0和1）。

2.归一性：必然事件（所有可能结果的总和）的概率为1。

3.可加性：如果两个事件互斥（不可能同时发生），那么它们至少有一个发生的概率等于各自概率之和。

这些公理是概率运算的“交通规则”，任何合理的概率都必须遵守。

那么，主观置信度也必须遵守这些公理吗？

数学家德·菲内蒂用“荷兰书论证”给出了肯定的答案：如果你的主观置信度违反上述公理，就会被人设计赌局让你必输。

什么是“荷兰书”？

就是一组赌局的组合，不管结果怎样，你都一定会赔钱。

用下雨的例子：

假设老王说：“明天下雨的概率是70%（0.7），明天不下雨的概率也是70%（0.7）。”

注意：这两个概率加起来是1.4 > 1，违反了归一性（所有可能结果的概率和应为1）。

小张（懂概率的人）来找老王打赌：

赌局1：老王花0.7元买一个“如果明天下雨，就给1元”的权利。

赌局2：老王再花0.7元买一个“如果明天不下雨，就给1元”的权利。

老王一共花了1.4元。

结果：

如果下雨：第一个赌局给他1元，第二个得0元 → 到手1元，净亏0.4元。

如果不下雨：第一个得0元，第二个得1元 → 到手1元，净亏0.4元。

无论下不下雨，老王都亏0.4元。这就是荷兰书：一组必输的赌局。

反过来，如果老王说下雨0.3、不下雨0.3（总和0.6 < 1），小张也可以反向操作，让老王同样稳亏。

只有一种情况不会被套利：当老王的两个概率加起来正好等于1，且各自在0和1之间（比如下雨0.6、不下雨0.4），这就同时满足了非负性和归一性。

这时他花0.6+0.4=1.0元买两个赌注，无论结果如何，他都会收到1元 → 不赚不赔，没有人能让他必输。

至于可加性：假设老王认为“明天下小雨”概率0.3，“明天下大雨”概率0.4，且这两件事互斥（不可能同时下小雨和大雨），但“明天下任何雨（小雨或大雨）”的概率他给成0.8（而非0.3+0.4=0.7）。同样可以构造荷兰书让他必亏。细节类似，不再展开。

结论：

理性的置信度必须满足概率的数学公理（非负性、归一性、可加性）。否则，就会被别人利用，制造必输的赌局。这就是“荷兰书论证”的核心——它用金钱惩罚来强制概率公理。

04 条件概率与贝叶斯定理：根据新证据更新信念

条件概率是怎么来的？为什么需要它？

早期概率只关心“某件事发生的概率”，比如掷骰子出6点的概率是1/6。

但现实中，我们常常已经知道了一些额外信息，想在这个信息的基础上重新评估概率。

例如：

已知今天阴天，下雨的概率是不是比平时高？

已知一个人打喷嚏，他感冒的概率是多少？

已知检测结果是阳性，真正得病的概率是多少？

这些问题的共同点是：在给定某个条件（证据）下，求另一事件发生的概率。

这就催生了条件概率的概念，记作 P(A∣B)，读作“在B发生的条件下A发生的概率”。

它的意义在于：让概率从“绝对”走向“相对”，能够处理信息更新后的不确定性。没有条件概率，我们就无法回答“如果你知道了一些事，概率会变成多少”这类实际问题。

贝叶斯定理：条件概率的“逆运算”

有时候，我们容易知道 P(B∣A)（比如有病时检测呈阳性的概率），但实际想求的是反过来 P(A∣B)（检测阳性时真的有病的概率）。

贝叶斯定理就给出了从前者计算后者的公式：

核心道理：先验信念（病很罕见） + 新证据（阳性） → 合理更新（依然不高）。

贝叶斯定理的实际应用

贝叶斯定理的核心思想是“用新数据不断更新旧判断”，这让它成为许多领域的底层工具：

垃圾邮件过滤：根据已收邮件统计词语概率，新邮件进来后计算“是垃圾邮件的概率”，超阈值就拦截。

人工智能：自动驾驶、语音识别等场景中，贝叶斯推理帮助AI在不确定信息下做出稳健判断。

医药研发：在临床试验中采用贝叶斯自适应设计，可中途分析数据，提前终止无效试验或加速有效药物上市。

天气预报与金融：降水概率、股价预测等，本质上都是把先验知识与最新观测数据结合，得到更新后的置信度。

任何需要从数据中学习并持续更新信念的系统，几乎都离不开贝叶斯定理。

05 总结

费马和帕斯卡因为“未完的赌局”算出了概率，概率论诞生。

古典概型只能数等可能结果，但现实中很多事件无法重复或不等可能。频率概率用大数定律推广到可重复试验。

对于独一无二的事件，主观概率将概率理解为“理性信念的度量”，并通过荷兰书论证证明：理性的信念必须遵守概率的数学公理（非负性、归一性、可加性）。

条件概率让我们能在已知信息下重新评估概率，贝叶斯定理则给出了更新信念的精确公式，其正确性直接来自条件概率的定义。