一句话说清
概率是把「会不会」变成可检验算法的约定。
为什么值得懂
入门篇《概率思想》给了三个改坏习惯的动作：把「会不会」换成「有多大可能」、把决策质量和运气分开、对小样本打折。这三个动作有效，却回答不了三件更根本的事：概率凭什么能算，它在什么条件下会彻底不管用，以及它和统计、期望值、不确定性到底怎么分。把这三件事分清楚，你才知道什么时候该给数字，什么时候该说「这个我给不出概率」——后者不是认输，而是对参考类诚实。
零基础讲解
一、历史脉络：从赌桌逼出来的算法。 概率不是从哲学推出来的，是从赌局里逼出来的。古典概率论的起点是算清赌博中的期望：赌局中途散场，筹码按什么比例分，这个问题逼出了「把每种结果的收益乘以它的可能性再相加」这套算法（达斯顿 / 论文《概率期望与古典概率论中的理性》 / 载《数学史》1980 年第 7 卷第 3 期）。又过了一个多世纪，雅各布·伯努利在《推测术》第四部分证明了后来被称作大数定律的命题：次数足够多时，观测频率会稳定在真实概率附近（马特米勒 / 论文《随机学的艰难诞生：雅各布·伯努利的〈推测术〉（1713）》 / 载《数学史》2014 年第 41 卷第 3 期）。真正的转折在 1933 年：柯尔莫哥洛夫把概率写成一套公理系统，概率从此不再依赖「频率」或「信念」中的任何一种解释，而是一组满足条件的集合函数（谢弗、沃夫克 / 论文《柯尔莫哥洛夫〈概率论基础〉的诸来源》 / 载《统计科学》2006 年第 21 卷第 1 期）。这里有一个常被跳过的后果：公理只规定了概率怎么算，没有规定概率是什么——频率派与贝叶斯派至今争的就是后者。
二、核心机制：三层约定。 一套完整的概率陈述有三层。第一层是样本空间：把「所有可能发生的事」列全，这是最容易被跳过、也最容易出错的一层，列漏一种结果，后面的加法就全错。第二层是概率本身：给每个事件一个 0 到 1 之间的数，让互斥事件的概率加起来等于 1。第三层是解释：这个数字到底指长期频率，还是指某个人此刻的信念度。三层缺一层，谈话就会滑向吵架——两个人算的是同一个数，理解却不是一回事。这也是为什么概率更像一门语言而不是一条定律：它要求你先说清口径，才肯给出数字。
三、失效边界：参考类说不清的时候。 概率要求你先讲清「和哪些情形比、比了多少次」，这个集合叫参考类。参考类成立的前提是有重复样本；一旦事件只有一次，或者每次都不同，频率就无从谈起，概率只能退化成信念度。更麻烦的是，人脑估计概率时会本能地走捷径：用「这件事像不像那个典型」代替「这种事发生过多少次」，于是代表性、可得性这类启发式悄悄顶替了计算（特沃斯基、卡尼曼 / 论文《不确定性下的判断：启发式与偏差》 / 载《科学》1974 年第 185 卷第 4157 期）。所以概率的失效有两个来源：参考类不成立，以及估计者本身不可靠。前者是数学问题，后者是人的问题，两者不能用同一个办法补救。
四、与相邻概念的分界。 概率与统计最容易混：概率是从模型推数据，统计是从数据反推模型，方向正好相反（详见《统计学》）。概率与期望值也不是一回事：概率说某件事有多大可能，期望值说的是把各种结果按概率加权之后的长期平均值（详见《期望值》）。概率与不确定性同样有界：可估的叫风险，连概率都估不出的叫不确定性，后者需要的不是计算，是留余地（详见《不确定性》）。至于贝叶斯更新，它处理的是另一件事——新证据进来之后，旧的数字该怎么改（详见《贝叶斯更新》）。
这里存疑。 热手效应是最常被引用的「直觉不可信」案例。吉尔维奇、瓦隆与特沃斯基分析篮球投篮数据后认为，球员「手感来了」之后命中率并不更高，热手是一种错觉（吉尔维奇、瓦隆、特沃斯基 / 论文《篮球中的热手：对随机序列的误感知》 / 载《认知心理学》1985 年第 17 卷第 3 期）。主流观点是「热手是错觉」，也有研究者认为这个结论本身被选择偏差污染了：把「投中之后那几球的命中率」和「全部投篮的命中率」直接相比，会系统性地低估前者；米勒与桑胡尔霍把这个偏差算清楚之后，热手效应在数据里是存在的（米勒、桑胡尔霍 / 论文《被热手谬误惊到了吗？小数定律中的一个真相》 / 载《计量经济学》2018 年第 86 卷第 6 期）。本文采用「先别急着下结论」的读法：1985 年那篇论文的方法确实有已知缺陷，但它推翻的那个直觉，也远没有被重新坐实。
一个例子
一个反例：杀死华尔街的公式。 李祥林把每对房贷的违约相关性写成一个可估的参数，让结构化产品的定价第一次有了统一口径，这套方法很快成了行业默认（李祥林 / 论文《论违约相关性：相依函数方法》 / 载《固定收益杂志》2000 年第 9 卷第 4 期）。问题出在 2008 年：危机中相关性同时跳向 1，而历史数据里根本没有这种样本，模型给出的「分散化」保护在一夜之间消失（萨蒙 / 《灾难配方：杀死华尔街的公式》 / 载《连线》2009 年 2 月号）。公式在数学上完全正确，反例的意思正在这里——一个精确到小数点后好几位的答案，可以对一个从未出现过的状态一无所知。参考类不成立时，精度不是可靠，只是把错误包装得更像结论。
常见误解
- 以为概率就是频率：没有重复样本时频率无从谈起，此时概率只能是信念度，而信念度需要额外的校准规则。
- 以为公理化回答了「概率是什么」：柯尔莫哥洛夫只规定了怎么算，频率派与贝叶斯派的分歧至今未解。
- 以为答案越精确越可信：参考类不成立时，多算两位小数不会让结论更真，只会让它更难被反驳。
- 以为热手这类直觉偏差已被实验钉死：见上文的复现争议，结论强度远不如流行叙事。
应用场景
- 生活：给「我觉得」补一个参考类。把「这事八成能成」改成「在过往 10 次类似情形里成了 8 次」；说不出参考类，就先别给数字。
- 职场：给预测标一个等级——有重复样本、可估概率的算 A 类，只能给区间加最坏情况的算 B 类。写进汇报里，比一个假装精确的点估计有用得多。
- 写作与创作：写人物做判断时，让他先说出参考类再报数字。读者立刻能分辨这是判断还是情绪，人物也立刻立起来了。
关联知识点
- 概率思想（probability-thought，本篇的入门篇，先读它拿到三个改坏习惯的动作）
- 期望值（expected-value，把各种结果按概率加权的长期平均值）
- 不确定性（uncertainty，概率估不出来时的那一侧）
- 贝叶斯更新（bayesian-updating，新证据进来之后概率怎么改）
- 统计学（statistics，方向相反的另一半：从数据反推模型）
- 所属主线：风险与概率