计算机数学入门（六）：不确定的世界

上一篇：（五）验证很快，找到很难——讲有些事能算但算不动。 这一篇：讲世界是不确定的，而概率是唯一能驾驭不确定性的工具。

耗时：读完约 50 分钟，动手约 2 小时。

开头：一个检测，准确率 99%，测出阳性，你慌不慌

假设你去做一项体检，医生说：

这个检测准确率 99%。

结果出来：阳性。

你觉得自己有病的概率是多少？99%？90%？

正确答案：可能不到 10%。

这不是抬杠。这是一个真实的、反复被证实的数学事实。而它之所以反复骗到人，是因为它踩中了人类直觉的一个盲区——我们把"检测准确率"和"我有病"混为一谈了。

这一篇就从这里讲起。前面五篇都在讲"确定的东西"——格点、离散、证明、可计算、复杂度。但真实世界里，大多数判断是在不确定下做的：体检、风控、垃圾邮件、天气预报、抽卡、推荐系统、AI 的每一步。

概率论，是计算机科学里唯一能处理"不确定"的数学。 而且它有一个反直觉到骨子里的特性：用随机，反而能算得更准、更快。

一、贝叶斯定理：把"直觉"翻译成"公式"

先说那个检测。关键是要区分三个概念，大多数人只听过一个：

“准确率 99%“这句话，什么都没说清楚。 它可能是敏感性 99%、特异性 99%，也可能只是其中一个。而结论完全取决于这三个数怎么组合。

贝叶斯定理一句话

阳性后真有病的概率（PPV）= 真阳性 ÷ 阳性总数

写成公式（这就是贝叶斯定理）：

PPV = 患病率 × 敏感性 ÷ [患病率 × 敏感性 + (1−患病率) × (1−特异性)]

实测：10 万人模拟

我模拟了 10 万人（患病率 0.1%，敏感性 99%，特异性 99%）：

真病人    100 人
健康人  99,900 人
真阳性 TP = 99 人        ← 100 个病人，99 个被查出
假阳性 FP = 999 人       ← 99,900 个健康人，1% 被误判 = 999 人
阳性总数 = 1,098 人
阳性中真有病 = 99 ÷ 1,098 = 9.02%

你测出阳性，真有病的概率是 9.02%。

为什么这么低？因为假阳性的人数（999）是真阳性人数（99）的 10 倍。

• 病很罕见（0.1%），所以绝大多数受检者是健康人
• 健康人里 1% 被误判 → 数量巨大
• 病人里 99% 被查出 → 但病人本来就少

“准确率 99%“掩盖了"健康人太多了"这个事实。

患病率一换，结论天翻地覆

同一个检测（敏感性 99%、特异性 99%），换不同的患病率：

同样的检测，同样的 99%，在罕见病上是 9%，在常见病上是 97%。

这就是贝叶斯定理最核心的一课：结论不只取决于"检测多准”，更取决于"这件事本来就多常见”。

特异性动一点点，结论翻五倍

再看一个反直觉的：

特异性 99%   → PPV = 9.02%
特异性 99.9% → PPV = 49.77%

特异性只提高 0.9 个百分点，PPV 从 9% 跳到 50%。

因为假阳性的人数直接除以 10，而假阳性正是压垮 PPV 的那部分。

为什么"准确率"这个词在医学和风控里几乎没用？ 因为它把敏感性和特异性混成一个数。而这两个数对结论的影响，一个在分子、一个在分母，方向完全不同。

二、条件概率的陷阱：先验比你想的重要

贝叶斯定理逼你面对一个不舒服的事实：你的判断，取决于你先相信什么（先验）。

这不是"主观”，这是数学结构。换一种说法就更刺人：

说法 A："这个检测准确率 99%"
说法 B："这个检测的假阳性率是 1%"

这两句话是同一件事。 但 A 让你觉得"很可靠”，B 让你开始警惕。

而真正该问的是第三个：“这件事本身有多常见？” —— 先验。没有它，前两句话都不完整。

计算机里的贝叶斯无处不在：

• 垃圾邮件过滤器（贝叶斯分类器）—— 一个词出现在垃圾邮件里的概率，要乘以"垃圾邮件本身的占比"
• 推荐系统 —— “你喜欢这个” 要乘以 “你本来就喜欢这类东西”
• 异常检测 —— “这个行为像攻击” 要乘以 “攻击本来就很罕见”（否则整天误报）

三、用随机，反而更快更准：随机化算法

前面是"用概率理解世界"。现在反过来：用概率当工具。

这是概率论最反直觉的应用——故意引入随机性，让算法变得更好。

随机快排：治"最坏情况"

快速排序有个臭名昭著的问题：输入已经有序时，它会退化。

实测（输入已经是升序排列）：

同样的问题，随机选基准，快了 20 倍以上。

为什么？确定性快排选固定位置当基准，敌人（或者巧合）可以构造出最坏输入。随机化快排随机选基准——不存在一个"最坏输入"，因为输入不知道你会选谁。

这是随机化的第一课：它把"最坏情况"从"输入能控制的"变成"纯运气"。 运气可以被分析（期望值），敌意不能。

Miller-Rabin：用"可能"换"肯定"

判断一个大数是不是素数。确定性方法（试除法）要试到 √n 次；n 一大就完蛋。

Miller-Rabin 是一个概率算法：它不保证 100% 正确，但错误概率可以压到任意小（比如 10⁻³⁰）。

实测：

2¹²⁷−1 这个数，试除法宇宙终结都试不完，Miller-Rabin 半毫秒给出"素数"，且错误概率小于十亿分之一。

这是随机化的第二课：用一点点"可能错"的代价，换取"肯定算不动"变成"瞬间算完"。 而"可能错"这个代价，可以压到比你被雷劈还小的概率。

蒙特卡洛：用随机算 π

最纯粹的例子。π 是个确定的东西，但用随机能算它：

往正方形里撒点，落在内切圆里的比例，乘 4 就是 π 的估计。

撒点撒得越多，越准。 但注意收敛速度：

误差按 1/√n 缩小。想精确 10 倍，需要 100 倍的点数。

这就是蒙特卡洛方法的代价：它永远到不了"精确"，但能到"足够好"，而且对任何问题都通用。 高维积分、粒子物理、金融风险、AI 里的采样——全是它。

四、三个反直觉概率题（全都实测过）

1. 三门问题：换门，赢率翻倍

你面前三扇门，一扇后面是车，两扇是羊。你选一扇，主持人打开另外两扇中的一扇（一定是羊），问你：换不换？

直觉：剩下两扇，一半一半，换不换都行。错。

实测 20 万次：

不换：赢 33.26%
换：  赢 66.74%

换门，赢率翻倍。

为什么？你第一次选对的概率是 1/3。主持人开一扇羊门，没有改变"你最初那扇门是 1/3"这个事实——他开门这件事，把剩下的 2/3 概率集中到了那一扇没开的门上。

关键：主持人的动作不是随机的，他"必须开一扇羊门"。这个信息改变了概率。

2. 生日悖论：23 人就有一半概率撞

10 人 → 11.8%
20 人 → 41.0%
23 人 → 51.4%   ← 过半
30 人 → 70.5%
50 人 → 97.0%

23 个人里，有两个人同一天生日的概率超过一半。 直觉上觉得要 100 多人才行。

原因是第二篇讲过的：你要比的是所有配对（C(23,2)=253 对），不是"某个人和我同一天"。

3. 抽卡：1% 出率，抽 100 次，出卡率只有 63%

抽 10 次 → 9.5%
抽 50 次 → 39.4%
抽 100 次 → 63.5%   ← 不是 100%！
抽 300 次 → 95.0%

1% 出率，抽 100 次，至少出一次的概率只有 63%，不是 100%。

因为 0.99¹⁰⁰ ≈ 0.366 —— 一次都不出的概率是 36.6%。

这里藏着两个最常见的错觉：

1. “期望 100 次出” ≠ “100 次必出”。期望值是平均，不是保证。
2. 抽了很多次没出，不代表"下次概率变大"。每一次都是独立的 1%。

五、大数定律：为什么"手气"是错觉

大数定律

试验次数越多，观测频率越接近真实概率。

实测抛硬币（20 组取平均和最大偏离）：

n 越大，偏离越小。 这是数学保证的，不是运气。

但注意：这不是"补偿"

很多人误解成"抛了 5 次正面，反面该来了"。这是赌徒谬误。

实测：连出 5 次正面后，第 6 次正面的概率：

实测 50.44%（理论 50.00%）

硬币没有记忆。 “该出反面了"是错觉。

大数定律说的不是"偏差会补回来”，是"偏差会被稀释"。 抛了 5 次正面，你已经偏离了 5 次。但接下来抛 10 万次，这 5 次的偏离在 10 万次里被稀释到可以忽略。 过去的偏离不会被"纠正"，只会被"淹没"。

六、期望值：理性决策的唯一依据

概率论给你一个判断标准：期望值。

期望 = 每个结果的价值 × 它的概率，然后加起来。

彩票为什么是坑？因为期望值恒为负——你花的钱，大于你平均赢回来的钱。

抽卡为什么让人上瘾？因为稀有度×概率的期望值，被设计成"看起来值"但实际亏——而人脑对"小概率大回报"有系统性的高估。

在计算机里，期望值是无处不在的决策工具：

• 缓存策略：存这个还是存那个？看哪个的"命中概率 × 命中收益"高
• A/B 测试：哪个版本好？看哪个的期望指标高
• 负载均衡：请求发给谁？期望让响应时间最短
• 机器学习：损失函数本质就是"期望损失"，训练就是在最小化它

用期望值做决策，是把"我觉得"换成"平均来看"。 单次可能错，长期必然对。

七、把这一篇放回体系

六篇讲完，八层目录已经走完前六层：

这一篇和前五篇的关系

前面五篇都在讲"确定"：

• 格点是确定的（一）
• 离散结构是确定的（二）
• 证明是确定的（三）
• 可计算性是确定的（四）
• 复杂度是确定的（五）

这一篇第一次引入"不确定"。 但它不是"放弃精确"，而是给不确定装上数学框架：

• 贝叶斯：不确定下怎么更新信念
• 随机化：用不确定当工具，反而更快更准
• 大数定律：不确定下的长期规律
• 期望值：不确定下的决策标准

这是从"计算机是精确的"到"计算机活在不确定世界里"的转折。

八、动手：六个实验

实验 1：那个 99% 的检测

import random
random.seed(1)

def 模拟(患病率, 敏感性, 特异性, N=100000):
    病人 = int(N*患病率); 健康 = N - 病人
    TP = int(病人*敏感性); FP = int(健康*(1-特异性))
    pos = TP + FP
    return TP/(pos) if pos else 0

print(f"患病率 0.1%，99%/99%：阳性后真有病 {模拟(0.001,0.99,0.99)*100:.2f}%")
for prev in [0.001, 0.005, 0.01, 0.05, 0.1, 0.3]:
    print(f"  患病率 {prev*100:4.1f}% → {模拟(prev,0.99,0.99)*100:6.2f}%")

亲手看到"同样 99%，罕见病 9%、常见病 97%"。

实验 2：三门问题

import random
random.seed(4)
N = 200000; 换赢 = 不换赢 = 0
for _ in range(N):
    车 = random.randrange(3); 选 = random.randrange(3)
    可开 = [i for i in range(3) if i != 选 and i != 车]
    主持开 = random.choice(可开)
    换 = [i for i in range(3) if i != 选 and i != 主持开][0]
    if 换 == 车: 换赢 += 1
    if 选 == 车: 不换赢 += 1
print(f"不换 {不换赢/N*100:.1f}%  换 {换赢/N*100:.1f}%")

实验 3：生日悖论

import random
random.seed(4)
def 撞(m, trials=20000):
    hit = 0
    for _ in range(trials):
        b = [random.randrange(365) for _ in range(m)]
        if len(set(b)) < m: hit += 1
    return hit/trials
for m in [10, 20, 23, 30, 50]:
    print(f"{m:2d} 人 → {撞(m)*100:.1f}%")

实验 4：随机快排 vs 确定性快排（有序输入）

import random, sys, time
sys.setrecursionlimit(100000)
def q_det(a):
    if len(a) <= 1: return a
    return q_det([x for x in a[1:] if x < a[0]]) + [a[0]] + q_det([x for x in a[1:] if x >= a[0]])
def q_rand(a):
    if len(a) <= 1: return a
    i = random.randrange(len(a)); a = a[:]; a[0], a[i] = a[i], a[0]
    return q_rand([x for x in a[1:] if x < a[0]]) + [a[0]] + q_rand([x for x in a[1:] if x >= a[0]])

s = list(range(1000))
t = time.time(); q_det(s); print(f"确定性 {time.time()-t:.3f}s")
t = time.time(); q_rand(s); print(f"随机化 {time.time()-t:.3f}s")

实验 5：蒙特卡洛求 π

import random, math
random.seed(9)
def pi(n):
    inside = sum(1 for _ in range(n)
                 if (lambda x, y: x*x+y*y <= 1)(random.random(), random.random()))
    return 4*inside/n
for n in [1000, 100000, 10000000]:
    print(f"{n:>9,} 点 → {pi(n):.6f}  (π={math.pi})")

实验 6：赌徒谬误

import random
random.seed(42)
cnt = tot = 0
for _ in range(500000):
    seq = [random.random() < 0.5 for _ in range(6)]
    if all(seq[:5]):
        tot += 1
        if seq[5]: cnt += 1
print(f"连出 5 次正面后，第 6 次正面概率 {cnt/tot*100:.2f}%")

九、带走的东西

一句话：

世界是不确定的，概率是唯一能驾驭它的数学——而它反直觉到极致：用随机，反而能算得更快更准。

三句话：

1. 贝叶斯定理：结论取决于"先验"，不只取决于"证据"。 99% 准确的检测，罕见病上阳性后只有 9% 真有病——因为健康人太多，假阳性淹没了真阳性。
2. 随机化算法：故意引入随机，消除最坏情况。 随机快排让"最坏输入"不存在；Miller-Rabin 用十亿分之一的可错概率，换"试除法永远算不完"变成"半毫秒"。
3. 大数定律不是"补偿"，是"稀释"。 硬币没有记忆，过去的偏离不会被纠正，只会被淹没。

一个最该记住的认知升级

前面五篇讲"确定"，这一篇讲"不确定"。 但概率不是"放弃精确"，是给不确定装上数学框架： 贝叶斯更新信念、随机化当工具、大数定律看长期、期望值做决策。

AI 的每一步——训练、推理、采样、决策——本质都是概率。 不懂这一篇，就看不懂 AI 在干什么。

下一篇

（七）连续的近似：微积分。为什么"梯度下降"能让 AI 学会东西、为什么"导数"是"变化率"、为什么计算机处理连续的世界要靠"逼近"而不是"精确"。

这一篇会把前面所有"离散"的东西，接到"连续"上——因为 AI 的底层，就是在用离散的机器逼近连续的数学。

深水区

• 概率论主干：任意一本《概率论》教材，或 Sheldon Ross《A First Course in Probability》。
• 贝叶斯：E.T. Jaynes《Probability Theory: The Logic of Science》——把贝叶斯讲到哲学高度的名著。
• 随机化算法：Mitzenmacher & Upfal《Probability and Computing》——概率和算法的结合，正好接这一篇。
• 蒙特卡洛：任何一本《Monte Carlo Methods》教材。

这些我不做页码引用——不同版本页码不同，写了就是骗你。按书名和章节找。

附：本篇所有数字的来源

全部本机跑出来：Ubuntu / Python 3.8 / x86-64。

贝叶斯：患病率 0.1%、敏感性 99%、特异性 99%，10 万人模拟 → 真阳 99、假阳 999、PPV=9.02%；不同患病率 0.1%/0.5%/1%/5%/10%/30% → 9.02%/33.22%/50.00%/83.90%/91.67%/97.70%。

随机快排（有序输入）：n=300/600/1000，确定性 5.5/19.5/41.8 ms，随机化 0.7/1.7/1.7 ms。

Miller-Rabin vs 试除：1,000,003 → 0.15 vs 0.04 ms；1,000,000,007 → 4.61 vs 0.05 ms；1,000,000,000,039 → 189.33 vs 0.12 ms；2¹²⁷−1 → 试除不可行 vs 0.7 ms。

蒙特卡洛 π：1k/10k/100k/1M/10M 点 → 3.140000/3.152800/3.145200/3.138636/3.141839（误差 1/√n 收敛）。

三门问题：20 万次，不换 33.26%、换 66.74%（理论 33.33%/66.67%）。

生日悖论：10/20/23/30/50 人 → 11.8%/41.0%/51.4%/70.5%/97.0%。

抽卡 1% 出率：10/50/100/200/300 次 → 9.5%/39.4%/63.5%/86.7%/95.0%。

大数定律：抛硬币 n=10~100 万，最大偏离 0.40→0.0007。

赌徒谬误：连出 5 次正面后第 6 次 50.44%（理论 50%）。

你自己机器上跑出来的数字会略有不同。差一点不影响结论——结论是结构性的。