音频：概率论22讲
作者：刘嘉
01 | 全局：从局部随机性到整体确定性
知道了概率论的本质
- 把局部的随机性转变为整体的确定性，是概率论解决问题的本质。
- 概率论不是用来预测未来，也不是对一次偶然的结果进行计算，它是更高层次的、确定性的认知。
- 概率论的大厦像什么？我更愿意说：概率论不是一栋建筑，而是一个城市。我可以不知道城市里每一栋建筑的样子，但我确定地知道这个城市的建筑模式。
02 | 随机：随机性不等于不确定性
- 随机性不等于不确定性。概率论研究的是随机性，而不是不确定性。
- 随机分真伪。真随机是数学上的理想概念，是绝对不可预测。而我们最常遇到的，是在效果上类似于真随机效果的随机。
- 随机是这个世界的决定性力量。
03 | 概率：对世界可能性的度量
- 概率是随机事件发生可能性大小的定量描述。
- 概率是随机事件在样本空间的比率。
- 样本空间的完备性是一个幽灵。从某种角度来说，我们对世界的认识，就是对样本空间完备性的认识。
04 | 独立性：随机事件的相互关系
- 如果一个随机事件发生的结果，不会影响另一个随机事件的概率，那它们就是互相独立的事件，反之就是非独立事件。
- 只有明白了随机事件之间的关系，判断它们是否有独立性，才能正确分析和度量它的概率。
- 很多看似独立的事件，其实都是互相联系、互相影响的。评估随机事件的概率时，对独立事件的设定需要格外谨慎。
05 | 概率计算：定义问题比计算更重要
- 排列组合法则、加法法则、乘法法则，是概率计算最基础的三个法则，可以解决大部分概率计算问题。
- 大部分人不会做概率题，不是因为不会计算，而是因为没看明白题目。
- 概率计算之所以复杂，是因为很难将现实问题准确的抽象成“对”的概率问题。准确的翻译现实问题，就是概率思维的核心。
06 | 概率度量：建立整体确定性的三种方式
这就是精益思维的数学依据。小步快跑、MVP都明白了。
迭代法就是说，先利用手头少量的数据做推测，甚至是主观猜测一件事儿的概率，然后再通过收集来的新数据，不断调整对这件事概率的估算。最常用的方法就叫作“贝叶斯”。
08 | 大数定律：局部频率不是整体概率
黄金定律
到此为止，我们先用弱大数定律找到了整体，又用强大数定律确定了整体一定是稳定的。大数定律又被称为“黄金定理”，它让我们真正能用整体的确定性来对抗局部的随机性。
常见误区
整体不需要对局部进行补偿
这种整体对局部的约束作用，是怎么进行的呢？
很多人会有一种朴素的想法，叫作“补偿思维”。举个例子，当硬币连续抛了10次都是正面朝上后，很多人就认为，下一次反面朝上的概率肯定得更高一些。因为只有这样才能补偿不平衡的状况，要不然怎么保证最终硬币正面朝上的概率还是50%呢？
看起来很合理，但我要告诉你的是，这种思维是错的。整体不需要通过补偿来对局部产生作用，大数定律并不通过补偿来实现。
还是刚才的例子，假如抛硬币前10次都是正面，那想让正面朝上的概率稳定在50%，后面是不是得抛出更多的反面来补偿呢？不需要。
09 | 数学期望：对随机事件长期价值的衡量
决策的数学依据
几乎所有金融产品的价值，比如基金、股票是否值得投资，也都可以使用数学期望来衡量。如果赢的期望超过输的期望，也就是说，如果数学期望是正的，就证明它值得长期投资。这就是金融领域“价值投资”的真谛。
11 | 概率分布：认识现实世界的数学模型
面对不确定性，先假设再求证，贝叶斯定理思维。假设权是你拥有的最大权利！
用模型不断逼近世界的真相
找到了变化规律的，可以用概率分布模型描述。还没有找到变化规律的怎么办呢？只能束手无策吗？
当然不是。
一般情况下，面对一个无法解释的现象，专家会先假设它服从某个概率分布模型，然后再去验证假设。
比如对于股市这个问题，过去的经济学家发现：股票的波动情况和抛硬币一样，连续两天都涨或连续两天都跌的可能性差不多都是50%，挺服从正态分布的。于是，他们就用正态分布来模拟股市，并根据这个模型的数学特征，比如数学期望、方差、极端情况出现的可能性等，来构建整个金融体系的风险系统。
最后，人们拿模型的预测和现实中股市的涨跌情况做个对比，发现变化挺一致的。所以人们就认为，股市的变化服从正态分布这个模型。
但是很快，这个结论就出问题了。金融危机爆发的时候，市场完全不遵循正态分布的规律。在正态分布的模型中，几十亿年才会出现一次的极端情况，会在一天内反复出现。
这时候，人们终于明白——用正态分布来评估股市的风险，可能压根就是错的。换句话说，我们可能从一开始就选错了模型。
请注意，是我们选错了模型，而不是说模型本身是错的。概率分布模型是逻辑的产物，百分之百是正确的；但是模型那么多，我们选择时可能出错。打个比方，菜刀的设计没有错，但你用菜刀钉钉子，就不免会伤到手。错的不是菜刀，而是你选错了工具。
12 | 正态分布：最简单却最重要的概率分布
专业和业余的数学量化就是概率的均值和标准差。
其他人总是用“刻意练习”“精准”等来评价专业和业余，但在数学家看来，这些词都太模糊。真正精确的标准只有两个——均值和标准差。专业就是均值更高，标准差更小，业余恰恰相反。
13 | 中心极限定理：正态分布是概率分布的神
信息熵和正态分布联系起来了
而巧合的是，正态分布就是所有已知均值和方差的分布中，信息熵最大的一种分布。如果熵不断增长是孤立系统确定的演化方向，那熵的最大化，也就是正态分布，就是孤立系统演化的必然结果。
14 | 幂律分布：给人带来希望的魔鬼
幂律分布是对抗熵增的有效办法，也就是长期主义的数学依据。
其中一个比较主流，也是我最喜欢的，是1982年诺贝尔物理学奖得主肯尼斯·威尔逊的观点。因为这个研究给人类对抗熵增，对抗世界的宿命，提供了新的希望。
威尔逊的研究突破，源于水变成冰这个常见的生活现象。他发现，在水变成冰的过程中，存在一个神奇的临界温度——在临界温度之前，水分子里原子的自旋都是随机指向不同的方向；可一旦到了临界温度，就会非常有序地指向同一个方向。
这是个神奇的事情，为什么在那一瞬间突然就从混乱变成了有序呢？
威尔逊收集了很多临界态一瞬间的关键数据，结果发现，每个指标都在临界态附近涌现出了幂律分布。换句话说，在水变成冰，也就是从无序到有序的临界状态上，所有指标都呈现出幂律分布的现象。而我们知道，无序是熵值最大，有序是熵值最小，所以这也就说明，在从无序到有序这个熵减的过程中，幂律分布必然发生。
为什么说这个结论给人带来希望呢？
你想，如果这个理论是幂律分布产生的原因，那幂律分布就是我们对抗熵增的必经状态。只要一个生命还存在，一个系统还在演化，它就必然在做熵减的工作，所以出现幂律分布也就不足为奇。这也正好解释了正态分布和幂律分布在生活里都很常见，秒杀其他分布的原因。
所以你看，虽然幂律分布像魔鬼一样狡诈、难以预料，但它可能是我们对抗熵增的必然选择，是每个系统从无序到有序，从混沌到清晰，从未知世界到规律世界的必经之路。幂律分布存在的地方，看似凶险，却恰恰是对抗熵增，对抗死寂，对抗死亡的角斗场，是我们的希望之光。
19 | 贝叶斯推理：概率是对信心的度量
概率本质上是对信心的度量，信心也就是确定性。
在贝叶斯的世界里，概率本质上是对信心的度量，是我们对某个结果相信程度的一种定量化的表达。
生活里，我们说的很多概率，其实表达的都是我们对某个结果的相信程度。
比如说，一场精彩的球赛看下来，我们总说比赛跌宕起伏、千回百转，其实就是因为场上局势不断变化，我们对比赛结果、对某支球队输赢的信心在不断调整。
起点不重要，迭代更重要。
生活里，为什么我们总是寻找新信息，争取信息完备？其实就是为了运用尽可能多的信息，提高自己判断的准确率，本质上还是贝叶斯推理。
这其实是一种非常高级的思维模式。起点不重要，迭代很重要，就需要保持充分的开放和积累；而信息越充分，结果越可靠，又要求随时调整、不断逼近真相。这样每次精进一点，每次精进一点，这样的人可不就越活越通透，越活越聪明吗？
20 | 贝叶斯计算：定量解决逆概率问题
需求决定科学价值。
从数学上，贝叶斯老先生并没有发明任何东西，他只是对条件概率公式做了简单变形。如果你相信条件概率公式，就得坚信贝叶斯公式也一定正确。
21 | 主观与客观：不同的概率学派在争什么？
下围棋和打麻将的比喻太贴切了！
而贝叶斯，是个动态的、反复的过程。每个新信息的加入都要重新进行一遍计算，获得一个新概率。贝叶斯没有什么限制条件，只是在这一次次获得新信息、重新计算的过程中迭代自己的判断。它甚至不认为现实的事儿都有正确答案，因为所谓答案，也是在不断变化的。
打个比方，频率法就像下围棋，对局双方都是完全信息的，每个人都能看到双方棋局的全貌。在某个时刻，一定存在一个最优解，而且对于下棋的双方都是一样的；而贝叶斯更像打麻将，只能看到自己的牌，而看不到别人的牌，参与者获得的是非完全信息。根据局势的不断变化，每个人都会针对自己获得的信息决定怎么打，也许有不一样的最优解和打法。
概率论的两兄弟
确切的说，频率法和贝叶斯这两种方法都是基于严格的数学证明和推导，都是客观的，但在使用的过程中，都会或多或少的产生主观性。
说实话，主观、客观属于哲学讨论的范畴，是认识论的基本问题。在现在的数学领域，应用数学家基本是不太讨论这些问题的，而是两者都用，哪个好用用哪个。
不管是过去，还是在大数据技术非常火的现在，频率法都非常有用，甚至在很多领域可能都是最好的方法。它特别适合解决那些普遍的、通用的、群体性的问题，比如抛硬币、玩德州扑克，或者计算生育率、患病概率、飞机失事率等。毕竟对于这类问题，得到最终那个普适的概率值就好了嘛。
而贝叶斯更适合解决变化的、个体的、无法重复的概率问题，比如明天比赛某球队获胜的概率、发生金融危机的概率，以及人工智能这些技术等。毕竟它衡量的就是信心，而且本身就是通过搜集不同的信息，不断调整、不断迭代的。
而在更多的时候，两个方法并不是泾渭分明，而是混合着使用的。
通常，我们会先用频率法获得先验概率，再用贝叶斯计算某个证据的权重。这时候，频率法就是贝叶斯方法的前提，提供相对靠谱的先验概率。而有些问题，贝叶斯方法又能为频率法提供原始的估算，方便频率法在茫茫的噪音中快速定位问题。这时候，贝叶斯又为频率法提供了支撑。
也许很多年以后，数学家能做出突破，将频率法和贝叶斯融合为一个统一的理论。但现在，用好它就行了。频率法和贝叶斯就像概率论的两个儿子，虽然两个儿子性格不同，但它们常常合作解决现实问题。这就叫“兄弟同心，其利断金”。
