「今天带伞还是不带？」「这支股票值得买吗？」「要不要接受这份工作？」——这些问题背后，都藏着概率判断。概率论不是只有数学系才用得到的学问，它是每个人每天都在运作的思维框架，只是大多数人没有意识到而已。
一、什么是概率？
概率是描述「某件事发生的可能性」的数字，介于 0 到 1 之间（或以百分比表示为 0% 到 100%）。
- 概率 = 0：不可能发生（掷硬币出现正反两面同时朝上）
- 概率 = 1：必然发生（掷硬币结果是正面或反面）
- 概率 = 0.5：各半，没有偏好（公正硬币出现正面）
古典概率（等可能性模型）
当每个基本结果出现的概率相等时：
P(事件) = 有利结果数 ÷ 所有可能结果数
范例：掷一颗公正骰子，出现 3 的概率 = 1 ÷ 6 ≈ 16.7%。出现偶数（2、4、6）的概率 = 3 ÷ 6 = 50%。
二、概率的基本运算规则
加法规则（OR）
事件 A 或事件 B 发生的概率：
- 互斥事件（不能同时发生）：P(A 或 B) = P(A) + P(B)
- 非互斥事件：P(A 或 B) = P(A) + P(B) − P(A 且 B)（避免重复计算）
乘法规则（AND）
事件 A 且事件 B 同时发生的概率：
- 独立事件（一件事不影响另一件）：P(A 且 B) = P(A) × P(B)
- 非独立事件：P(A 且 B) = P(A) × P(B|A)
互补规则
事件 A 不发生的概率 = 1 − P(A)。计算「至少发生一次」时特别好用：先算「完全不发生」的概率再取补数。
范例：连掷 4 次骰子，至少出现一次 6 的概率 = 1 − (5/6)⁴ ≈ 51.8%。
三、条件概率与贝叶斯定理
条件概率 P(B|A) 表示「已知 A 发生的前提下，B 发生的概率」。这是许多直觉错误的根源。
贝叶斯定理
P(A|B) = P(B|A) × P(A) ÷ P(B)
一个经典范例：某疾病发生率为 1%。检测准确率：有病时 99% 阳性，没病时 2% 偽阳性。
若你测出阳性，你真的有病的概率是多少？
| 情境 | 人数（1万人） |
|---|---|
| 有病且阳性（真阳性） | 100 × 99% = 99 |
| 没病但阳性（偽阳性） | 9900 × 2% = 198 |
| 所有阳性结果 | 99 + 198 = 297 |
P(有病 | 阳性) = 99 ÷ 297 ≈ 33%。即使检测准确率高，测出阳性时真的有病的概率也只有 1/3——这就是低先验概率压制高准确率的结果。
四、期望值：长期结果的平均
期望值（E）= 每个可能结果的（数值 × 概率）的加总，代表长期重复下的平均结果。
范例：掷骰子的期望值 = 1×(1/6) + 2×(1/6) + 3×(1/6) + 4×(1/6) + 5×(1/6) + 6×(1/6) = 3.5。
期望值在决策中的应用
考虑一个游戏：花 10 元参加，掷骰子出现 6 赢 50 元，否则什么都没有。
- 赢的期望值：50 × (1/6) ≈ 8.33 元
- 净期望值：8.33 − 10 = −1.67 元
这是一个负期望值游戏——几乎所有赌场游戏都让庄家有正期望值，玩家有负期望值。
五、常见概率认知偏误
赌徒谬误
「连续出现 5 次正面，下一次一定是反面！」——错误。每次投掷是独立事件，过去结果不影响未来。
热手谬误
对于真正随机的独立事件，连续成功不代表下次更容易成功。
基率忽视
人们往往忽略「先验概率（基率）」，过度依赖新信息。正确的概率判断必须把基率纳入考量。
六、排列与组合
排列（顺序重要）
P(n,r) = n! ÷ (n−r)! 例：5 人比赛前 3 名排列方式 = 60 种。
组合（顺序不重要）
C(n,r) = n! ÷ (r! × (n−r)!) 例：彩票 50 选 6，组合数 ≈ 1,590 万，中奖概率极低。
七、概率思维在日常决策中的应用
风险评估
不要只看「最坏情况」，要看「最坏情况的概率 × 损失大小」（即期望损失）。
多重事件的概率
一个计划需要 10 个步骤，每步骤成功率 90%，整体成功率 = 0.9¹⁰ ≈ 34.9%。复杂系统的可靠性比直觉想的低很多。
总结
- 古典概率：有利结果 ÷ 所有结果，适用于等可能性情境
- 条件概率：已知某条件下的概率，注意基率的重要性
- 贝叶斯定理：根据新证据更新概率估计的标准工具
- 期望值：长期重复下的平均结果，是理性决策的核心指标
- 赌徒谬误：独立事件之间没有记忆，过去不影响未来
概率论的核心是思维方式的转变：从「这件事会不会发生」到「这件事以多大概率发生，后果有多严重」。培养这种量化思维，能让你在不确定的世界里做出更理性的判断。