概率论研究什么：随机性、模型与不确定性

概率论研究的不是“会不会发生奇怪的事”，而是当结果不能事先确定时，怎样用清楚的数学对象描述可能结果、关心的事件和事件发生的可能程度。

这门课会一步步建立随机变量、分布、期望、方差和极限定理。第一章先不急着计算复杂概率，而是回答一个更靠前的问题：面对一个现实中的不确定现象，我们究竟在建什么模型？

---

从随机试验开始

概率论通常从随机试验开始。这里的“试验”不是一定要在实验室里做，它指一种可以在相近条件下重复观察的过程。掷一枚硬币、抽取一件产品、记录明天是否下雨、观察一位顾客的等待时间，都可以看成随机试验。

一个随机试验有三个基本特征：它可以重复；一次试验的具体结果事先不能确定；所有可能结果至少可以被列出或描述。

这三个特征缺一不可。只说“明天会发生什么”太宽泛，因为可能结果没有被清楚描述；只说“这枚硬币已经落地，结果是正面”也不是概率问题，因为结果已经知道；只说“这位同学未来的人生轨迹”也很难直接建模，因为可重复条件和结果边界都不清楚。

下面几个例子展示了“随机试验”在不同语境下的含义。

---

样本空间是模型的边界

随机试验的所有可能结果组成样本空间，通常记作 $\Omega$。样本空间不是从现实里自动掉出来的，它由研究问题决定。

比如掷同一枚骰子，如果我们关心点数，那么样本空间可以写成：

$$\Omega=\{1,2,3,4,5,6\}$$

如果我们只关心点数是奇数还是偶数，那么样本空间可以改成：

$$\Omega=\{\text{奇},\text{偶}\}$$

如果我们只关心是否大于 4，那么样本空间又可以写成：

$$\Omega=\{\text{是},\text{否}\}$$

这就是概率建模的第一步：先决定要保留哪些信息，也要承认哪些信息被舍弃。样本空间越细，能回答的问题越多，但模型也可能更复杂；样本空间越粗，模型越简洁，但它不能回答被你合并掉的问题。

事件是样本空间中的一部分结果。若掷骰子的样本空间是 $\Omega=\{1,2,3,4,5,6\}$，那么“点数为偶数”这个事件可以写成：

$$A=\{2,4,6\}$$

若样本空间已经被简化为 $\Omega=\{\text{奇},\text{偶}\}$，同一个意思就变成了事件 $A=\{\text{偶}\}$。两种写法都可以，但它们属于不同的模型。

---

概率模型由三件事组成

一个概率模型至少要交代三件事：样本空间 $\Omega$、我们允许讨论的事件，以及给事件赋值的概率规则 $P$。在本章可以先把事件理解为“样本空间中一类我们关心的结果”；更严格的事件系统会在后面章节中逐步出现。

概率赋值的意思是：对每个可讨论的事件 $A$，给出一个数 $P(A)$，表示事件 $A$ 在模型中的可能程度。这个数必须在 0 和 1 之间。事件不可能发生时概率是 0；事件必然发生时概率是 1。

本课程后面会正式学习概率公理。现在只需要先记住一个朴素版本：概率不是随便填的分数，它要和事件之间的包含、互斥、合并关系相容。例如，如果 $A$ 和 $B$ 不可能同时发生，那么“$A$ 或 $B$ 发生”的概率应当由两者的概率相加得到：

$$P(A\cup B)=P(A)+P(B)$$

这个公式的条件是 $A$ 与 $B$ 互斥。省掉这个条件，公式就会出错。

等可能只是一个特殊模型

很多人第一次接触概率，会把概率直接理解成“有几个有利结果除以几个总结果”。这种算法只适用于等可能模型。掷一枚均匀骰子时，6 个点数通常被建成等可能结果，所以“点数为偶数”的概率可以写成：

$$P(A)=\frac{3}{6}=\frac{1}{2}$$

但现实中很多样本空间并不等可能。比如“明天是否下雨”的样本空间可以是 $\{\text{下雨},\text{不下雨}\}$，但这不意味着下雨概率就是 $\frac{1}{2}$。两个结果不等于两个结果等可能。

---

频率稳定给模型校准

概率模型给的是对不确定性的描述。它不是在承诺下一次结果一定怎样，而是在描述大量重复下的稳定结构。

假设事件 $A$ 在前 $n$ 次重复试验中出现了 $N_n(A)$ 次，则事件 $A$ 的相对频率是：

$$\hat p_n(A)=\frac{N_n(A)}{n}$$

如果模型认为 $P(A)=0.5$，我们并不要求前 10 次、前 20 次的相对频率都非常接近 0.5。短期里，相对频率可能摇摆很大。重复次数增加后，如果试验条件保持相近，相对频率通常会在模型概率附近稳定下来。

频率稳定很重要，因为它让概率模型有了可以检验的抓手。若一个硬币模型声称正面概率是 0.5，但在严格控制条件下抛了 10000 次，正面只出现约 3000 次，我们就有理由怀疑硬币、抛掷机制或记录方式出了问题。

不过，频率稳定不能被读成“短期补偿”。如果一枚均匀硬币已经连续出现 5 次反面，下一次正面的概率仍然是 0.5。长期稳定不是靠下一次结果“必须补回来”，而是靠很多次独立重复的平均效果逐渐显现。

---

不确定性不只一种

概率论里的不确定性可以来自不同地方。有些不确定性来自系统本身，比如放射性衰变的时间；有些来自我们掌握的信息不足，比如不知道明天某地具体天气；有些来自观测误差，比如传感器读数有噪声；还有些来自模型简化，比如我们把复杂的人群行为压缩成“支持”和“不支持”两类结果。

这些不确定性在数学上都可以用概率来表达，但建模含义不同。

因此，概率不是一种单一语气的“猜”。在长期重复的场景中，概率常常和频率稳定联系在一起；在一次性决策中，概率也可以表达基于当前信息的合理信念；在科学测量中，概率还能描述误差和置信程度。本课程主要学习共同的数学语言，让这些场景都能被清楚计算和比较。

---

模型假设不是现实本身

概率模型要有假设。假设不是装饰，而是模型能够计算的原因。我们常见的假设包括独立性、同分布、等可能、概率稳定、抽样代表性和测量误差可忽略。

比如抽样调查中，我们可能想估计某城市居民对一项政策的支持率。若样本只来自某个社交平台的活跃用户，这个样本很可能不能代表全体居民。此时，即使样本量很大，模型也可能偏离问题本身。

再比如网页 A/B 测试中，我们可能假设每个用户的点击行为相互独立。但如果用户之间会互相推荐、同一个人反复访问、或者不同时间段流量结构不同，独立同分布的假设就需要重新检查。

判断一个模型是否合适，不是看它有没有公式，而是看它回答的问题是否和现实问题一致，假设是否可以接受，数据是否能校准它。

一个建模检查清单

面对新的概率问题，可以按下面的顺序检查。

---

一个完整例子

考虑一个简单问题：某工厂要估计一批零件的不合格概率，并决定是否需要调整生产线。

这个问题听起来像质量管理，但它的概率结构很清楚。一次随机试验可以定义为“从当前批次中按规定方式抽取一件零件，并记录检测结果”。如果只关心合格状态，可以取样本空间：

$$\Omega=\{\text{合格},\text{不合格}\}$$

令事件 $A=\{\text{不合格}\}$。模型中真正关心的是 $P(A)$，也就是一件随机抽取零件不合格的概率。

如果过去稳定生产时，不合格比例大约在 1% 到 2% 之间，那么一个初始模型可能设为 $P(A)=0.015$。随后抽检 500 件，若发现 26 件不合格，则相对频率是：

$$\hat p_{500}(A)=\frac{26}{500}=0.052$$

这个结果明显高于 0.015。它不自动证明模型“错了”，但会提出具体问题：这 500 件是否真的是随机抽取？检测标准是否变化？生产线是否换了材料或设备？是否存在同一批次内部相关性？概率论不替我们回答这些工程问题，但它把问题定位得更清楚。

---

练习

1. 一个应用显示“明天本地降雨概率为 70%”。如果明天没有下雨，这是否说明这个概率预报一定错误？

2. 掷一枚骰子，只关心“点数是否为 6”。请写出一个合适的样本空间和事件。

3. 某人说：“明天要么下雨，要么不下雨，所以明天下雨概率是 $\frac{1}{2}$。”这句话的问题在哪里？

4. 连续抛一枚均匀硬币 8 次都出现正面。第 9 次出现反面的概率是否大于 $\frac{1}{2}$？

5. 一个学校想通过午餐时间在食堂门口访问 200 名学生，估计全校学生每天平均自习时长。这个概率模型最需要先检查什么假设？

---

小结

本章的主线可以压缩成一句话：概率论先把现实中的不确定现象改写成随机试验、样本空间、事件和概率赋值，再用频率稳定与数据检查模型是否合适。

后面的章节会把这些对象变得更精确。下一章会正式学习事件运算和概率公理，也就是给本章的“概率模型”补上严格规则。