引子

今天咱们来讲讲概率统计和数据科学的一些有启发的模子勾引。

我作念过东谈主工智能公司，是以在昔时十几年我亲眼看见数据科学的发展怎样把东谈主工智能，这门原本像玩物一样的冷门学科，变成像今天一样强劲无比、炙手可热的超等学科。

今天好多高端行业都离不开概率统计，大数据、东谈主工智能、医药研发、金融用具想象都是如斯。

为什么概率这样紧迫？

因为概略情味才是这个寰宇的常态，而概率论巧合提供量化概略情味的模范，是以它就成为了率领东谈主类过问概略情味时间的一把钥匙。

比如东谈主工智能里最紧迫的机器学习对概率论的使用就尽头多，这和主流谋划机工程师常见的使命环境有很大的别离。

门径员世俗可以假定 CPU 可以齐全奉行每一条指示，是以大部分软件欺诈在想象时并不需要商量未必性这个要素。

如今即使是工程师，过问东谈主工智能寰宇也需要像普通东谈主一样从头去了解概率和统计。

是以这亦然咱们今天这节课要讲的东西，在概率和统计寰宇里找到一些灵验的想维框架先容给人人。

1 概率论 反直观

开始我要辅导人人，概率论自身尽头反直观，因为咱们东谈主类进化速率太慢，是以咱们的大脑结构相比适用于解释古代环境里糊口成长的一些气候，而不太稳妥这个日月牙异的当代社会。

昔时咱们依靠本能就能在传统社会内部应付自在，但今天就显得时弊百出。

假如咫尺张三去病院查验体魄，医师告诉他查验效果估计张三有 99% 的概率患上了亨廷顿跳舞症。

布景知识：亨廷顿跳舞症概况每 10 万东谈主会有 4-8 东谈主得这种病，是一种尽头典型的疏远疾病。

因为是疏远疾病，是以检测效果有一定概率出错，误诊率为1%，这个数据看起来聊胜于无。

即 100 个莫得患病的东谈主里可能会有 1 东谈主被误诊为患病

而确切患病可以被会诊出的概率是 99% ≈ 1 。

市欢这几个数据，咱们可以估算一下张三确切患有亨廷顿跳舞症的概率是若干？

A. 99% B. 50% C.10% D. 1%

你认为是哪一个更接近？

开始会有一部分东谈主敬佩随即就选 A——敷讲演 99%，那即是 99%。

这部分东谈主是凭借本能在想考问题，完全莫得概率想考的俗例。

稍稍有概率想考俗例的东谈主会认为既然是疏远病，那确切的可能性就应该小于 99% ，有可能是10%。

这个有进步，看起来像一个有判断力的东谈主。

本体谜底是若干呢？

1%

这即是概率科学最反知识的地点，因为这个例子有两个人人很容易忽略的数字。

第一，每 10 万东谈主内部只好 4 - 8 东谈主有这种病。

第二，没得病的东谈主被误诊的概率是 1%，这个数字看起来微不及谈，但它恰正是问题关键，为什么？

10 万东谈主只好 4-8 东谈主可能得病，为了简化运算，咱们按 10 东谈主来算，患病率是10/100000

图片

按这个比例，每 10 万东谈主有若干莫得亨廷顿跳舞症的呢？

99， 990

那么剩下的 10 东谈主都有这种病，且他们都被查验出来了。

而另外的 99， 990 东谈主也去查验，内部就会有 999 东谈主本来没病但被误诊的。

确切无病东谈主数*误诊率=被误诊的东谈主数

99900 * 1%=999

贯注，这 999 个误诊的东谈主即是谋划最终概率的关键所在。

因为这 999 个东谈主跟本体得病的那 10 东谈主加起来，一共是 1009 东谈主。

每 10 万东谈主参加查验，就有 1009 东谈主最终被会诊为患有亨廷顿跳舞症。

张三即是 1009 东谈主之一，而 1009 东谈主中只好 10 个东谈主是确切有病的。

是以张三的确切得病概率是 10/1009 ，它是小于1%的。

图片

这是谐和概率论尽头紧迫的案例，是以咱们再温习一下。

这内部有3个关键数值——

第一，敷陈估计出此东谈主有 99% 可能得病。

第二，敷陈有 1% 的误诊率（把没病的东谈主确诊为有病的东谈主）。

第三，此病确切得病率只好 0.01%。

人人最容易不雅察到的是阿谁 99% 的估计得病率，但忽略了它背后两个荫藏的比率。

第一，疏远病得病率只好 0.01% 。

第二，1% 的误诊率看起来虽微不及谈，但要是把它跟疏远病极低的得病率（0.01%）相除，就可能产生一个远大的数字，大到足以颠覆咱们的直观。

图片

1.1 启发

要是咱们生活中要对很小概率的事情作念估计，那么一定要温雅估计的造作率，哪怕造作率只好 1%，要是这个事情本体发生概率远远小于 1% ，那么它就足以把上头阿谁造作的竣工数字变得尽头大，这即是小概率事件给东谈主类酿成的最大错觉。

比如马云告诉你渴望如故要有的，只消有渴望你也可以成为下一个马云。

但马云莫得告诉你 10 亿东谈主里也只好 10 个能达到马云资产级别的东谈主，这个比例是亿分之一，是极小概率事件，成为马云在概率上比患有亨廷顿跳舞症的概率还小 1 万倍，这个数字会颠覆一切，这短长常极点的幸存者偏差。

2 贝叶斯公式

贝叶斯公式长这样，我详确解释一下不同模块的含义。

图片

用一个例子来解释下这个公式。

2.1 例如 领路员药检

比如检测一个领路员是否使用犯禁药，

图片

A 代表领路员确切用药情况

B 代表检测效果

假定这种犯禁药的使用概率尽头低，只好 0.1%。

P(A = 使用犯禁药) = 0.001

犯禁药被检出来的概率为 95%

P(B = 阳性|A = 使用犯禁药) = 0.95

然则他没灵验犯禁药，也有 10%概率会被冤枉。

P(B = 阳性|A = 清白) = 0.1

那在该情况下，要是这个领路员被检出了使用犯禁药，他确切犯错的概率是多大？

那么使用上头的贝叶斯公式即是

图片

要是只好一次，只好 0.009 的概率这个东谈主是有问题的。

要是第二次查验也查出阳性，根据这个公式再算一遍，就会发现概率上升了，从刚才的 0.009 变成了0.079。

要是第三次查验如故查出阳性，概率会变成 0.45 。

图片

从 0.009 到 0.079 到 0.45，开始咱们看到的是每次新增雷同的字据对全体概率的普及并不是一丝点，而是量级上的普及，比如这内部每一次都让可能性上升快要 10 倍。

但这还不是咱们最无意的地点，最让东谈主无意的地点是你看一个东谈主要是一语气3次药检都呈阳性，那日常东谈主随即认为这个东谈主势必是 100% 使用犯禁药的东谈主，这还有假吗？

但本体上 3 次阳性事后，他的可能性仍然只好 0.45，连一半都不到，这短长常反知识的。

之是以会出现这样的气候，如故因为本体使用这种疏远犯禁药的概率 0.001 在作怪。

2.2 启发

咱们去看身边新闻时，要是只温雅新闻名义，看到某些很罕有的事件一语气发生了两次。

此时好多媒体说：“你看寰宇变了，翌日会……，通盘这个词寰宇会移山倒海……”。

然则要是咱们我方不才判断之前，再深入想考这两个问题，就会有不一样的谜底。

1 这件事情情被误判的可能性有多大？哪怕它只好很小的可能性被误判，但如故存在的。

2 ★这个事情在确切寰宇内部发生的概率有多小？

这就波及统计学中一个尽头关键的观念——先验概率（又称基础概率）

3 基础概率

基础概率说的是一件事情在昔时统计中曾经被考证的发生的概率。

比如上头亨廷顿跳舞症万分之一的概率，成为马云的亿分之一的概率勾引，都是基础概率。

可以说在实验生活中作念好多事情是基础概率决定成败，而不是勤劳进度。

你想成为马云，基础概率就决定了你极难胜利，不管你每天有多勤劳，每天只睡 3 小时也莫得真谛。

咱们关于基础概率并不需要有尽头明晰的谋划，然则却需要有量级的判断力。

量级即是 ×10 ，个、十、百、千、万，这些观念之间差的即是一个量级。

图片

在贸易竞争中，假定有两个公司他们功绩出入几倍，那么这两家公司之间如故可以好好争一争的，因为他们如故在统一个量级上的。

但要是是一家公司比另外一家公司功绩大了 10 倍，那么这两家公司基本上就没得争，除非是开导新战场，因为量级产生碾压的效果即是很难翻盘。

这即是孙子讲的打胜利的十倍压制道理。

在学习上亦然近似，要是两个东谈主在年级排行上，一个排在第 5，一个排在第 9 ，那么这两个东谈主的差距并莫得拉开，但一个东谈主要是排在第 5，另外一个东谈主排在第 50，那么这种差距经常即是很难追逐的。

3.1 基础概率关于最终概率的影响

从数学上进一步解释基础概率关于最终概率的影响，把上头的公式简写成更简单的模子。

图片

基础概率是分子 P(A) 。

刚才讲的药检效果，是这个新字据的分母部分 P(B)。

药检的正确率即是似然度的部分。

“=” 前边的后验概率，评估一个东谈主是否得疏远病或者是否用犯禁药的概率。

根据数学正比道理可知，基础概率与最终概率之间本体上是一个正有关干系。

3.1.1 启发

贝叶斯公式告诉咱们，要是想作念事情更容易胜利，那么选对一个更合适的战场如实比勤劳更紧迫。

因为咱们无数的勤劳都可能是在加减法的级别上更动最终效果。然则要是这些勤劳被乘以一个极小的基础概率，就等于在量级上被降维打击了。

比如你是一个男生，想让我方大学时更容易有契机谈恋爱，持续勤劳让我方变得更智谋更帅，都是作念加法，关键是要选对你就读的学校。

要是学校男女比例是 10：1，那么你再有迷惑力也很难找到女一又友。要是学校男女比例是 1：10，那我就不明释了~

好多时咱们的确不是勤劳不够，而是所在的泥土太贫穷、所在的平台基础太差。

这个道理适用于选城市、选学校、选行业、选公司。

为什么我的视频内容独特心爱讲宏不雅层面的东西，比如行业大趋势、国度大计谋，因为这些东西的确是跟基础概率独特高有关。

要是在 10 年之前，人人看到中国的货币 M2 增速，就一定会昭彰其时房地产上升是势必的效果。

比如在 2021 年，你要是对中国的 2035 年出息策动有一定的了解，就知谈芯片、环保、大消费这些行业在成长基础概率上都是很高的限度。

取舍正确的大主张就近似查理芒格所说，

他的一世都在勤劳寻找那种跨越只好一尺高的低矮无比的围栏，而灭绝那种需要蹦得老高才能够跨越的围墙。

——查理芒格

这说的亦然取舍高基础概率的道理。

那么说完基础概率，咱们再看底下这谈公式。

3.2 例如 “贝叶斯”的含笑

为了让人人更深化的谐和贝叶斯，咱们再举一个例子。

假定你是个男同学，想象一下你在楼下小卖部有一个小小姐叫小芳，有一天你途经时，小芳对你笑了，笑得很灿烂。

那么请示从小芳对你笑这件事情，咱们就能够估计出他心爱你的概率有若干？

要回到这个问题要用贝叶斯公式进行瓦解

图片

咱们要估算的谜底在左边 P(L|S) ，指小芳对你笑之后，你估计出来她心爱你的新概率。

新概率对应的旧概率为P(L)，指小芳心爱你的基础概率。

基础概率在她莫得对你笑之前你就统计出来了，这个数尽头紧迫、越高越好。

那么这个基础概率应该乘以一个小芳心爱一个东谈主就会对他笑的概率，即是 P(S|L)

为什么要乘以这个概率呢？

近似于药检，小芳心爱一个东谈主也可能永诀他笑，或者小芳不心爱一个东谈主，她也有可能对他笑，是以这种情况得商量进去，这个数值越高越好。

然后还得除以一个小芳平时会笑的概率，这个数值是越低越好，因为它跟最终效果成反比。

你想小芳要是平时一直在笑，对谁都笑，那么这个笑的价值就没那么大了；

要是她从来没笑过，也即是今天笑了这样一趟，那就千年笑一趟。

你看咱们再从头温习一下这个笑貌，何等有深意。（过于绚烂就不放图了）

通过这个例子，你应该能够更好地谐和贝叶斯公式，也就学会了评估楼下小卖部的小芳对你含笑，代表他心爱你的概率，你看数学如故很灵验的。

3.3 P(L|S)解释

这内部还有一个问题， P(L|S) 是什么道理？

它是条款概率的一个标记，P 是概率的标志。

比如 P(A) 指的是 A 发生的概率。

那么 P(A丨B) 描摹的是一种条款概率（如下图）

图片

假定有两件事情，一个 A，一个是 B，他们零丁发生但有错乱。

那么 P(A丨B) 这个条款概率即是在 B 这件事情发生的条款下， A 这件事情发生的概率，是以它是用 A B 两者的错乱 ÷ B 的面积谋划出的效果。

真實精液大爆射

3.4 启发

上头我花了好多篇幅去讲贝叶斯，因为这是概率统计最紧迫的一个模子。

比如你看到身边有个一又友没读大学出来赚了好多钱，于是你就认为读大学也没什么用，这即是莫得谐和贝叶斯的道理。

莫得读大学就胜利的同学亦然提供了一个新的字据，但从通盘这个词社会来看非大学学历者胜利的概率即是远低于大学学历者，这个才是起决定作用的基础概率。

然则咱们反过来想，要是你启动一语气看到身边多样没读大学的一又友都混得很好，那么贝叶斯公式雷同可以给咱们启发。回忆上头药检的例子，当新字据持续重叠时，最终概率是会持续高速加多的，每加多一个字据，就有可能让最终概率提高 10 倍而不是两倍。

这也意味着就算基础概率很小，但要是新字据层见叠出，最终概率也有可能会渐渐变得很大。

When the facts change， I change my mind。——凯恩斯

是以从一条小小的贝叶斯公式内部其实看到深化的玄学。某种进度上，贝叶斯是数学版块的辩证法，它启发咱们需要很恬逸地看待事物的基础概率，不要被那些名义气候诱骗，但你同期要在新字据、新信息持续累积时实时调治对全局的评估。

在概率论内部，还有几个充满想辨玄学意味的模子，比如均值和额外值的观念

4 均值和额外值

4.1 平均值

平均值的想想深深地植根在咱们大脑内部。

因为咱们在漫长的邃古时间所能吸收的最直不雅的概率散播即是正态散播。

图片

比如成年东谈主的身高就像正态散播摆设的那样，长得独特漂后过 2 米的成东谈主和长得独特矮低于 1 米的成东谈主都很少，大多数成年东谈主身高都皆集在腰部这个部分，是以平均身高的这个数字很有真谛，平均体重亦然如斯。

然则你看平均资产就很莫得真谛，按照东谈主均 GDP 来谋齐截个国度实力，其实很难反应这个国度确切的经济实力，要知谈中国东谈主均 GDP 比俄罗斯还低一样。

股票阛阓上的平均收益也莫得什么真谛，比如有一个公司，假定它昔时 5 年每个月的盈利情况如下图所示，绿色柱代表盈利，红色柱代表蚀本。

图片

按照平均值谋划，它有 8% 的月均收益率，这似乎是一个尽头可以的数字，但问题是其中有一条红色柱子独特深，这意味着什么？

这个月公司蚀本极其严重，蚀本率接近90%，曾经花费掉了公司通盘的现款流。

从这个角度，哪怕临了两个月它从头盈利，曾经经回天乏术然后就倒闭了。

你看要是按照平均收益率来不雅察这家公司，你就会认为尽头吞吐。一家一直以每个月 8% 的收益率收获的公司，奈何霎时间就倒闭了呢？

但要是按照额外值的筹算来不雅察这家公司就一目了然。

因为公司在策动的倒数第三个月事历了一次额外策动景色，一个公司的生命能否延续，并不是光看它的平均情况，而是要看它在遭受紧要困难、遇到额外情况时还有莫得材干自卫。

咱们看一个东谈主同理，有的东谈主在顺风顺水时一直施展精致，但要是遇到突发性的紧要周折可能一下子就完全崩溃了，作念出不能营救的造作决定，然后透顶捐躯我方的东谈主生。

比如之前在游戏圈内部有一个高管，之前东谈主生一直很胜利，但霎时之间遭受到除名，完全无法吸收，尽然决定要投鸩杀死公司雇主，临了雇主被杀，这高管也被关进监狱，这即是最典型的例子，东谈主生之前一直顺风顺水，只消有一次额外情况，就足以透顶更动全局。

是以这就要说到额外值的观念了

4.2 额外值

在统计学里，额外值是指跟平均值的偏差杰出两倍圭臬差的数值，如下图

图片

假定坐标轴上一堆数值很内部大部分的数值都皆集在左下角。

然则有两个数值不管是在纵轴如故横轴上，都两倍高于全体的平均值。

那么咱们可以很直不雅看到，这两个数值是被明晰地分出来的，这即是典型的额外值。

面临额外值，咱们世俗有三种处分神情——

A 把他们全部断念掉

B 把它们跟其他数值一视同仁

C 把它们单独列为一个独特的皆集去照看

A 最常见，比如比赛评分时，咱们经常听到“去掉一个最高分，去掉一个最低分”，主张即是要去掉额外值，让全体的分数更合理。

这样作念的原因是有的评委因为个东谈主喜好以致个东谈主利益，会影响专科判断而故意打高分/打低分。

这个模范它的基础假定是什么？

这个寰宇是领悟的、平均的、一语气的，也即是最主流的不雅点即是最正确的。

而与之相对的是 C ，假定这个寰宇是不领悟的、不均匀的、当先的。

在这样的寰宇里，天然不是每一个额外值都值得温雅，然则每一次这个寰宇的紧要变化都会先从额外值的出现先反应出来，这即是所谓的“见微知类”。

比如之前国度叫停支付宝上市，这个在昔时 20 年互联网公司发展历史里都是相比额外的情况，是以它属于典型的额外值。

其时我身边有的一又友，认为这仅仅国度在整顿互联网金融行业或者在经管最头部的互联网公司不要过度延伸，关于通盘这个词互联网行业并莫得很大的影响。

这种想考神情即是去掉额外值的想考模范。

但之后咱们一语气看到风投复旧的多样互联网公司、教师公司的大调治，最初的阿谁额外值是一个前奏，它预示着一个新的国度监管时间的到来，而这个背后更是一场全球领域内百年不遇的大变局。

比如本年以来国度房产调控额外严厉，还有中国创业板额外弘扬，都是一些值得咱们了解的额外值。

要是把额外值和贝叶斯公式市欢起来，就会发现生活在这个时间的咱们为什么需要对多样额外值提高温雅度呢？

因为 2020 年之后，通盘这个词寰宇变动的基础概率都变高了，多样昔时几十年习以为常的次序都在发生变化，况兼这些变化牵一发动全身。

是以在基础概率大幅变动的布景下，额外值影响你最终判断的进度也变高了。

说完额外值，咱们再说一个聊概率论就绕不外去的观念——大数定律。

5 大数定律

5.1 例如 抛硬币

在条款不变的情况下，咱们作念一个实验的次数越多，那些看起来很未必的事情最终发生总概率会接近一个领悟值。比如抛硬币，要是抛 10 次、 20 次，你会发现概率散播尽头不均匀，有时一语气 5 次你都抛到正面或者是反面，就像图里接近 0 的地点，两种极点情况是一样的。

然则跟着你抛的次数越来越多，正面和反面的概率就会越来越不竭，接近 1/2 的中线，直到最终你抛上 1 千次， 1 万次，就会发现正面和反面的概率会越来越领悟的在 1/2。

图片

这个气候在数学上可以严格说明注解，它即是柯尔莫哥洛夫的——“强劲数定律”。

5.2 启发

在一启动的少许据阶段，大道理可能毫无参考价值。

比如你从学校毕业出来，刚刚启动使命时可能发现我方对所谓的大道理、鸡汤完全无感，比如

早睡早起成心体魄健康诚恳是最佳的护身符不要衔恨，要领路……

你看他们描摹的东西跟你身边看到的气候有远大的各异，此时你要昭彰一个统计学的道理，因为年齿轻时你战役的数据样本太少，它们经常会大幅度的偏离寰宇的真相。

而那些能够流传数百上千年的大道理，都是经过无数次的抛硬币最终千里淀下来的统计学警戒。世俗跟着你的年龄加多、履历加多，会越来越发现他们说的是有道理。

天然更严重的情况是，咱们生活中好多事情根柢就莫得所谓的大道理可以来蛊卦，通盘东谈主不得不我方去摸索跟这个寰宇相处的原则。

此时谐和少许据统计的效果可能会大幅偏离大数据论断这个道理就尽头紧迫了，因为东谈主类很难叛逆在一语气抛几次硬币之后就启动追想警戒这种本能。

比如你谈两次恋爱，要是对象都不靠谱，或者你找的前两份使命雇主都不奈何样，那么你很可能就曾经对恋爱和求职这两件事情产生了我方的警戒追想，然后就会根据这个警戒来蛊卦我方的生活。

这个很可能使你生活走上一条羊肠小谈，而不是康庄通衢。

叮属的模范是开始要让我方保抓更多的耐性，作念更多的尝试，拿到更多的数据之后再渐渐追想警戒，不要太快给一件事情贴标签。

而与之相匹配的是咱们必须保抓身心健康。因为在这个持续作念实验的经由中，本体上是咱们在用肉身跟寰宇的概率打交谈。要是你的肉身、膂力、耐力跟不上，那么就连持续作念的检会的基础都莫得了。

但我也不能能在这个经由中完全不追想警戒，此时再回忆一下贝叶斯公式，

图片

这个经由中追想的警戒即是所谓的先验概率P(A)，

而新字据进来之后会使咱们持续地调治概率的测算，得到后验概率

不才次字据进来时，之前的后验概率又会从头放到公式内部，成为先验概率，

这样即是一个迭代轮回的形成，这也即是人人常说要追想警戒和复盘在数学上的弘扬。

6 概率散播

这是咱们以前在视频内部经常提到的东西，比如幂律散播即是最典型的一种概率散播，

图片

允洽幂律散播的事情有好多，比如

全球 80% 资产皆集在 20% 的东谈主手里一个行业 80% 的阛阓被 20% 的公司把持一家公司 80% 的生意来自 20% 的客户

这个寰宇上最幂律散播的气候描摹的词汇也好多，比如马太效应、赢家通吃、二八定律等等。

一言以蔽之，它是一种寰宇不雅，影响咱们看寰宇的底层假定——寰宇到底是平均的如故极点的。

要是咱们认为这个寰宇是极点的，那么就必须勤劳让我方在某一个细分限度能够作念到极致的好，这样才能在极点寰宇里得到高薪金。

是以这个就不张开了。感好奇羡慕好奇羡慕的同学可以看一下我的《钱收割东谈主的年代 六大新糊口王法》和《疫情之后的新寰宇》这两期。

今天咱们重心说一下之前说的相比少的正态散播。

咱们引入三个跟它有关的紧迫观念——方差、圭臬差，平均值。

6.1 平均值

平均值最佳谐和，它即是弧线顶部对应到横轴红点位置的数据。

图片

方差和圭臬差说的基本是统一个东西——弧线双方拉伸的进度。

方差和圭臬差的别离即是方差是圭臬差的平方，方差放大了圭臬差的各异。

6.2 圭臬差

咱们咫尺照看一下圭臬差。这个图里有好多正态散播弧线，

图片

看一下内部的蓝色线、红色线、黄色线他们的均值都是一样的。

那么谁的圭臬差更大？

黄色线的圭臬差更大，蓝色线的圭臬差更小。

它的实验真谛是什么？

咱们想象一下，在古代有两对武力平均值一样的军队，

一边是江湖东谈主士构成，一边是正规军构成，

江湖东谈主士之间武功各异很大，有的武林高东谈主武力值独特高，也有的东谈主尸位素餐，打架水平，也即是农民伯伯的水平。

是以江湖东谈主士的圭臬差很大，在这群东谈主内部挑出一个东谈主来可能是武功盖世，也可能是一个弱鸡，两者武功一丈差九尺。

与之相对的是正规军，天然莫得武功独特高强，而然则因为全体经过正规考验，各自武功水平各异就莫得那么大了，即军队内部武功独特差的莫得。

是以咱们说正规军的圭臬差很小，他们说就璷黫挑出来一个基本都能打。

6.3 方差

底下这个例子是四个不同选手投掷飞镖的例子，

图片

相比高方差的 B 和 D 两个东谈主和低方差的 A 和 C 两个东谈主，可以尽头直不雅地看出来方差代表了什么——

它代表了效果的浮松度，也代表了一个东谈主施展的领悟性。

这个图把方差和偏差放在沿途，还有另外一个启发，咱们可以很容易看出来四个选手内部得分：

最高的是 C，第二名是 D，第三名是 B，第四名是 A 。

他们就像咱们生活中遇到的四种东谈主，

第一种东谈主 C 是坚强的智谋第二种东谈主 D 是不坚强的智谋第三种东谈主 B 是不坚强的愚蠢第四种东谈主 A 是坚强的愚蠢

图片

毫无疑问，作念一个智谋而坚强的东谈主敬佩最佳，但咱们要记着要勤劳幸免作念一个愚蠢而坚强的东谈主。

6.4 启发

投掷飞镖的例子市欢上头贝叶斯和大数定律可知，

在年青时，咱们世俗因为眼界局限，对寰宇的谐和偏颇的，是以容易堕入坚强的愚蠢的状态 A 。

这个时间咱们需要放欢腾态，让我方变成一个不坚强的愚蠢的东谈主 B 。这个时间咱们要给东谈主作念加法，去拥抱新字据，去选拔好多额外值。

然后咱们会渐渐发现我方有契机战役到愈加智谋的跟寰宇相处的模范，此时咱们就启动持续调治我方，过问到不坚强的智谋的状态 D 。

然后咱们过问临了阶段，持续作念减法，让我方渐渐只皆集在最能施展我方材干的区间 C 产生价值。

但这还不是故事的全部，因为跟着时间的发展，阿谁圆心的位置还会偏移。

而好多成年东谈主在第一次胜利之后，之是以很难再次胜利，即是因为我方没特意志到圆心曾经偏离了。之前阿谁坚强的智谋，霎时之间就变成了坚强的愚蠢。

从贝叶斯公式的角度，这即是基础概率发生了紧要的更动，此时就需要再一次过问轮回，再一次让我方浮松之前的坚强，回到不坚强的愚蠢的状态，然后再从头调治。

图片

7 追想

今天这一课勾引，咱们了解了强劲的贝叶斯公式、基础概率、均值和额外值、大数定律、概率散播以及方差、圭臬差的观念，但愿对人人有所启发。

本站仅提供存储管事，通盘内容均由用户发布，如发现存害或侵权内容，请点击举报。