4.3 概率公理与分布族

4.3 概率公理与分布族：计算运气

本节摘要：柯尔莫哥洛夫用三条公理（非负、规范、可列可加）把概率变成测度论的分支，从此"运气"可计算、可证明。本节从公理走到条件概率与贝叶斯公式，澄清 Base rate 与赌徒谬误两大高频误读，走访三大分布族（二项、泊松、正态）的适用场景，用蒙特卡洛模拟算圆周率并展示中心极限定理的威力。

三条公理撑起一门学科

1933 年，柯尔莫哥洛夫给概率论装上地基：每个事件的概率非负；全空间的概率为一；互不相容事件之并的概率等于各自概率之和（可列版本）。就这三条，加上测度论语言（第 3 章勒贝格积分的亲戚），概率论从赌博指南升格为数学分支。随机变量的定义尤其精彩：它不是"随机的数"，而是从样本空间到实数的函数——随机性住在样本空间里，函数本身完全确定。期望、方差这些"平均量"随之变成积分运算。

条件概率公式看似朴素，却是最容易被误用的公式。P(A|B) 等于 AB 同时发生的概率除以 B 的概率，方向性极强："给定 B"与"给定 A"是两个不同的世界，贝叶斯公式就是两者之间的换算桥：

# 经典误读样本：罕见病筛查的逆向概率
# 设疾病率 0.1%，检测灵敏度 99%，误报率 5%，问阳性者真患病的概率
prior = 0.001          # P(病)
sens  = 0.99           # P(阳性|病)
fpr   = 0.05           # P(阳性|无病)

posterior = (sens * prior) / (sens * prior + fpr * (1 - prior))
print(f"{posterior:.3f}")   # 约 0.019：阳性者中只有约 2% 真患病！
# 直觉给 95%，答案给 2%——差距来自基础率：健康人群基数太大，5% 误报的绝对数量压倒真阳性
# 医生与法官都系统性地掉进这个坑（检方谬误），贝叶斯公式是解药
​

分布族：随机性的模板

三大常用分布对应三类问题模板。二项分布：固定次数独立试验的成功次数（抛硬币 n 次正面数）。泊松分布：单位时间窗内稀有事件的到达次数（客服来电、放射性衰变），是二项在"试验多、单次概率小"下的极限。正态分布：大量独立微小因素叠加的结果——这条来路由中心极限定理担保，是它"无处不在"的真正原因，而不是因为世界天然钟形。

import random, math

# 蒙特卡洛算圆周率：随机点落在单位正方形，落入四分之一圆的比例 * 4
def mc_pi(n):
    hits = sum(1 for _ in range(n)
               if random.random()**2 + random.random()**2 <= 1)
    return 4 * hits / n

for n in [1_000, 100_000, 10_000_000]:
    print(n, mc_pi(n))
# 收敛速度按 1/根号n：精度每提高一位数，样本量乘一百
# 蒙特卡洛的杀手锏是"维度不敏感"：高维积分照样可用，是第 5 章数值方法的主力
​

概率代码的调试要靠统计性质——多次运行看分布是否稳定，而不是盯单次输出。换个随机种子再跑：

random.seed(42)
print([round(mc_pi(n), 4) for n in [1_000, 100_000, 10_000_000]])
# 输出形如 [3.1648, 3.1415, 3.1416]：稳定逼近 pi，误差随样本量缩小

# 中心极限定理现场演示：均匀分布（明显非正态）的样本均值趋于正态
def clt_demo(n_samples, size=30):
    means = [sum(random.random() for _ in range(size)) / size
             for _ in range(n_samples)]
    mean = sum(means) / n_samples
    var  = sum((m - mean)**2 for m in means) / n_samples
    # 标准化后偏度应接近 0（对称化）；原始均匀分布偏度为零但形状扁平
    return mean, var
# 均匀分布均值 0.5、方差 1/12；30 个样本均值的方差应为 1/360
print(clt_demo(50_000))   # 输出约 (0.5, 0.00277)——与理论 1/360 吻合
​

从公理到分布的推理链

赌徒谬误与大数定律的正确读法

轮盘连出七次红，赌徒觉得"该出黑了"；大数定律说的是频率趋近概率，但不提供任何补偿机制——每次旋转独立，硬币没有记忆。大数定律的正确读法是"长期平均的稳定性"，而非"短期偏差的修正"。投资里的"均值回归"只在真有结构性均值时成立，把它当成大数定律的应用是最贵的错误之一。反过来，"小数定律"是镜像谬误：小样本波动被过度解读为规律（新功能上线头一百个用户的数据几乎不说明任何事）。

💡 关键直觉：方差告诉你"平均多远会偏一次"，标准差是它的平方根。金融里把波动率当风险、机器学习里用方差度量预测不确定性、A/B 测试里用方差算样本量——同一个量，三套马甲。

本节要点回顾

• 三条公理加测度论让概率成为可证明的数学，随机变量是函数而非"随机的数"；
• 贝叶斯公式是逆向概率的换算桥，基础率被忽略会造成数量级误判；
• 三大分布族各有问题模板：二项管计数、泊松管到达、正态管叠加；
• 蒙特卡洛按根号 n 分之一收敛但维度不敏感，是高维问题的通用武器；
• 大数定律不补偿短期偏差，赌徒谬误与"小数定律"是同一枚硬币的两面。

最后把概率论的"三面旗帜"排成一列方便记忆：大数定律保证长期频率稳定（赌场的商业模式）；中心极限定理保证叠加量趋于正态（风控模型的底气）；大偏差理论刻画罕见事件的衰减速度（保险与极端天气定价的依据）。三者层层递进，从"平均而言"到"如何分布"再到"尾部多重"。工程师的日常决策大多停在前两面旗帜之下，但真正区分专业与业余的往往是第三面：尾部事件概率被低估一个数量级，在样本外就是一次黑天鹅。概率论的价值不在算出精确数字，而在把"我感觉不太可能"升级为"它发生的机会约为千分之三，代价几何"。

概率给了不确定性的语法，下一节把它接到数据上：统计推断——用有限样本对世界下判决。