概率从不确定开始
明天会不会下雨？下一班车会不会马上来？这枚硬币会朝哪一面？从一副洗好的牌里抽出红牌还是黑牌？
这些问题都有一个共同点：答案还没有出现，但我们并不是完全无话可说。我们能列出可能结果，能说清楚自己关心哪一类结果，也能用一个数表示它有多可能发生。概率的第一步，就是把这种“不确定”说得足够清楚。
本节先建立概率语言，不急着进入复杂计算。你要先练会三句话：可能结果有哪些？我关心哪些结果？这些结果有多可能？
先问：结果还没发生时，我们到底知道什么
如果把一枚普通硬币抛到空中，落下前你不知道它会是正面还是反面。可是你通常知道，它不会变成骰子，不会出现“红桃 A”，也不会显示明天的天气。
这就是概率问题和完全混乱的区别。概率处理的是有边界的不确定：结果还不知道，但可能结果的范围可以先说清楚。
从四个日常场景看不确定
注意，这里不是在说“世界很随机”。我们是在说：当结果还没发生，或者你还没观察到结果时，可以用概率语言来描述这种不确定。
概率语言的三件事
接下来反复使用三个词：
这些词听起来有点正式，但它们做的事很朴素：先把“可能发生什么”摆在桌面上，再圈出“我关心什么”。
样本空间：把可能结果说完整
在概率里，“实验”不一定是实验室里的实验。只要你关心一个结果还没确定的过程，就可以把它看成一次随机实验。
随机实验的每一个具体结果叫做一个结果。所有可能结果合在一起，就是样本空间，常用 表示。
例子一：抛一枚硬币
如果只抛一枚硬币，而且只记录正面或反面，那么样本空间是：
这看起来简单，但它已经做了一件重要的事：把问题的边界定下来了。
例子二：抛两枚硬币
如果抛两枚硬币，并且区分“第一枚”和“第二枚”，样本空间是：
有同学会把“一个正面一个反面”只写成一种结果。这个写法适合回答“结果类型有几类”，但如果两枚硬币是分别抛出的， 和 是两个不同结果。它们对应不同的发生路径。
写样本空间时，不要急着合并看起来相似的结果。先问清楚：题目是否区分顺序、位置、时间或身份？如果区分，它们就可能是不同结果。
交互：自己搭一个样本空间
例题：先列样本空间，再说事件
题目：先抛一枚硬币，再从只有一张红卡和一张黑卡的小盒中随机抽一张。请写出样本空间。
先确定这次随机实验有两个阶段：第一阶段是硬币，第二阶段是抽卡。每个最终结果都要同时包含这两个阶段的信息。
硬币有两个可能结果：正面、反面。抽卡也有两个可能结果：红卡、黑卡。每个硬币结果都可以和每个抽卡结果配成一个最终结果。
因此样本空间可以写成 。
最后检查是否漏掉或重复。这里一共有 个结果，每个结果都说明了硬币和卡片两个部分，所以样本空间完整。
事件：从结果里圈出关心的部分
事件是样本空间中的一部分结果。它可以很小，也可以很大；可以只包含一个结果，也可以包含很多结果。
继续看抛两枚硬币：
如果事件 表示“至少出现一个正面”，那么：
如果事件 表示“两枚都是反面”，那么：
事件的关键不是名字，而是它到底包含哪些结果。很多概率错误并不是算错了，而是事件一开始就圈错了。
事件可以来自日常语言
日常问题通常不会直接说“事件 ”。它会说：
把日常语言翻译成事件，是概率学习里非常重要的一步。翻译越清楚，后面的计算越不容易偏。
概率：给事件一个可能性标尺
概率是一个从 到 的数，用来描述事件发生的可能性。 表示不可能发生， 表示一定发生，靠近 表示更可能发生，靠近 表示更不可能发生。
在所有基本结果同样可能时，可以用“数结果”的方法计算：
这条式子很有用，但它有一个前提：样本空间里的基本结果必须同样可能。普通六面骰的 通常被看成同样可能；一枚明显偏重的硬币，正反两面就不能直接这样处理。
不要把“列出了几个结果”误认为“每个结果都同样可能”。例如“今天下雨”和“今天不下雨”虽然可以写成两个结果，但并不自动各占一半。
例题：两枚硬币至少一个正面
题目：抛两枚公平硬币。事件 是“至少出现一个正面”。求 。
先列出样本空间。区分两枚硬币的位置或先后时，，一共有 个同样可能的结果。
再圈出事件 。至少一个正面包括 、、，不包括 。
事件 包含 个结果，样本空间包含 个结果，所以：
这个答案表示：如果重复很多次抛两枚公平硬币，出现“至少一个正面”的比例会在长期中接近 。
例题：抽卡时不要漏掉样本空间
题目：从一副普通扑克牌中随机抽一张。事件 是“抽到红色牌”。求 。
普通扑克牌有 张。如果不考虑大小王，红色牌包括红桃和方块，共 张。
抽牌时每张牌被抽到的机会相同，所以可以用“有利结果数除以总结果数”的方法。
这里的 来自牌的数量，而不是因为日常语言里只有“红色”和“黑色”两个词。
长期频率：短期会摇晃，长期有方向
如果公平硬币正面的概率是 ，是不是每抛 次就一定有 次正面？不是。
短期结果会摇晃。抛 次出现 次正面并不奇怪，抛 次出现连续几次正面也不奇怪。概率说的是长期趋势：当重复次数越来越多，正面出现的累计比例通常会越来越接近 。
这就是长期频率的想法。概率可以被理解为大量重复试验中事件发生比例靠近的数。
交互：看硬币频率怎样靠近
长期不等于每一段都平均
把“长期接近”误读成“短期必须平均”，会带来很多错误判断。
例如，硬币已经连续出现了 次正面。下一次更可能是反面吗？
如果硬币公平，而且每次抛掷互不影响，那么下一次正面的概率仍然是：
连续正面看起来“该反过来了”，但公平硬币没有记忆。过去的结果不会自动补偿未来的结果。
长期频率会靠近概率，不代表随机过程会主动修正短期偏差。看到一串正面后说“该出反面了”，通常是在把长期规律误用到单次预测上。
天气和排队：不是所有概率都来自反复实验
硬币和骰子适合用“重复很多次”的方式理解概率。可是有些问题不能真的重复同一个明天。
例如天气预报说“明天本地降雨概率为 ”。这不是说一定会下雨 的时间，也不是说城市中 的地方一定下雨。更合理的理解是：在当前资料、模型和经验下，针对指定地点和指定时间段，预报员认为出现可测降水的可能性约为 。
这种概率带有判断成分。它依赖已有信息，也可能随着新信息改变。晚上看到雷达回波变强，概率可能上升；天气系统偏移，概率可能下降。
排队中的事件
排队也很适合练概率语言。
在咖啡店排队时，你也许关心的不是“具体等几分几秒”，而是事件：
这个事件是否发生，取决于前面有多少人、每个人点单多久、是否突然来了很多外卖单、店员是否刚好换班。现实中的概率通常没有硬币那样整齐，但样本空间、事件和概率的语言仍然有用。
长期频率适合描述可以反复观察的随机机制，主观不确定性适合描述在已有信息下对单次情境的判断。两者都可以用概率表达，但它们回答问题的方式不同。
常见误区：概率没有那么会读心
概率入门最常见的错误，往往不是公式太难，而是直觉太急。
误区一：只要有两个结果，就是各占一半
“下雨”和“不下雨”是两个说法，但不表示各占 。如果某地正处在强台风影响下，下雨概率可能很高；如果是长期干旱季节，概率可能很低。
判断是否能平均分配概率，要看每个基本结果是否同样可能，而不是看语言上能分成几类。
误区二：随机结果应该看起来很均匀
很多人觉得连续 次正面“不像随机”。其实随机序列中出现短串、长串、局部偏多都很正常。真正不随机的，反而可能是过于整齐的序列。
你可以把随机想成“没有固定剧本”，而不是“每隔几步就自动平衡”。
误区三：概率高就一定发生
的下雨概率不表示一定下雨， 的下雨概率也不表示一定不下雨。概率高说明更值得重视，不是保证书。
决策还要看后果。如果淋雨损失很大，即使下雨概率不高，也可能值得带伞；如果带伞非常麻烦，阈值又会变。
误区四：先看到的结果会改变公平硬币下一次概率
公平硬币的每次抛掷互不影响。连续几次正面之后，下一次仍然是正面或反面的机会各半。除非你开始怀疑硬币本身不公平，否则不能只凭“该轮到了”来改概率。
练习：先说清楚，再计算
做下面题目时，先写样本空间或事件，再算概率。不要跳过“翻译”这一步。
练习一
抛两枚公平硬币。事件 是“正面和反面各出现一次”。写出事件 ，并求 。
事件 。样本空间有 四个同样可能的结果，所以：
练习二
掷一个公平六面骰。事件 是“点数大于 ”。写出事件 ，并求 。
样本空间是 。事件 ，包含 个结果，所以：
练习三
从普通扑克牌中随机抽一张。事件 是“抽到 A”。求 。
普通扑克牌有 张，其中 A 有 张。每张牌同样可能被抽到，所以：
练习四
天气预报说“明天下雨概率为 ”。下面哪种理解更合适？
- 明天一定会下 的时间。
- 明天这个地点和时间段是否下雨还不确定，当前信息支持一个约 的下雨判断。
- 明天一定不会下雨，因为 小于 。
更合适的是第 2 种。天气概率是对固定地点和固定时间段的不确定判断，不是把一天机械切成百分比，也不是把概率低于 的事件判成不可能。
练习五
一枚公平硬币已经连续 次出现正面。第 次出现反面的概率是多少？
如果硬币公平，并且每次抛掷互不影响，那么第 次出现反面的概率仍然是：
连续正面说明前面发生了一个少见序列，但它不会让公平硬币“欠”一个反面。
练习六
在咖啡店排队时，你关心“等待超过 分钟”。请用概率语言写出这个事件，并说明为什么它不一定容易用简单分数计算。
可以写成事件 。它不一定容易用简单分数计算，因为等待时间受顾客到达时间、点单复杂度、店员速度和临时状况影响。这里仍然可以用概率语言描述事件，但概率可能要靠历史数据、模拟或经验判断来估计。
收束：概率先是一种表达方式
这一节的重点不是背公式，而是建立表达顺序：
先确认随机实验是什么。你要观察的是抛硬币、抽卡、天气，还是一次排队等待？
再写出样本空间。所有可能结果是否列完整？是否需要区分顺序、位置或时间？
接着把日常语言翻译成事件。你关心的是“至少一个正面”“抽到红牌”“下雨”，还是“等待超过某个时间”？
最后再谈概率。如果基本结果同样可能，可以数结果；如果不是同样可能，就要依靠数据、模型或已有信息来估计。
下一次遇到不确定问题时，先别急着猜答案。先把可能结果摆出来，再把关心的事件圈出来。概率的计算，往往会在这两步之后变得自然得多。