一文读懂概率论：一个公式改变世界普罗米修斯的海洋
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。
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。
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。
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。
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：
