# 一、概率统计学重要模型 00:00

# 1. 概率统计的重要性 00:04

● 发展历程：数据科学将人工智能从冷门学科发展为灸手可热的超级学科  
● 应用领域：大数据、人工智能、医药研发、金融工具设计等领域都依赖概率统计

# 1）亨廷顿舞蹈症诊断案例 01:20

# ● 基础数据：

- 患病率：10万人中4-8例（0.004%-0.008%）  
○ 检测准确率：99%（误诊率1%）

# - 反直觉结论：

即使检测显示99%患病，实际患病概率仅约1%   
○ 原因：极低的基础患病率（先验概率）影响最终判断

# - 贝叶斯计算过程

![](images/1655d3a686dfbde7e3cb9c63ff6c5a24344e3136006bc1b8a96711a5aaae4e45.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
100,000人 → 10人真有病
9 假设真实得病概率为为
1%误诊率
10/100,000↓
有病
1009人被诊断有病
假设真实的得病概率就是十万分之十
讲课教传：
1561277539
</details>

# ○ 计算步骤：

■ 假设10万人中10人患病（简化计算）  
■ 真阳性：10×99%≈10人  
■ 假阳性：99,990×1%≈999人  
■ 总阳性：10+999=1009人  
■ 实际患病概率：10/1009≈1%

# ○ 关键启示：

■ 罕见病诊断需同时考虑检测准确率和基础患病率   
■ 小概率事件中，即使很小的误诊率也会显著影响结果

# 2）贝叶斯公式详解 05:15

![](images/01a5285bf7799bcdc47f7918b02425427c861f5989f988701a154cbc545e98fa.jpg)

<details>
<summary>text_image</summary>

所长林超
贝叶斯公式
P(Bi | A)=\frac{P(A|Bi)P(Bi)}{\sum_{i=1}^{n}P(A|Bi)P(Bi)}
不同模块的含义
</details>

公式： $P(B_{i}|A) = \frac{P(A|B_{i})P(B_{i})}{\sum_{i = 1}^{n}P(A|B_{i})P(B_{i})}$

# - 组成要素：

○ 先验概率 $P(B_{i})$ ：基础发生率  
○ 似然度 $P(A|B_{i})$ ：检测准确率  
○ 后验概率 $P(B_{i}|A)$ ：考虑新证据后的概率

● 药检案例 05:25

![](images/f7b9ce60f3f1bdff54d60b13afa9d70fce6c9d3972d28b607a075dfee9a6807c.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
P(B = 阳性 | A = 使用禁药) * P(A = 使用禁药)
P(B = 阳性 | A = 使用禁药) * P(A = 使用禁药) + P(B = 阳性 | A = 清白) * P(A = 清白)
0.95 * 0.001 ≈ 0.009
0.95 * 0.001 + 0.1 * 0.999
0.95 * 0.009 ≈ 0.079
0.95 * 0.009 + 0.1 * 0.991
0.95 * 0.079 ≈ 0.45
0.95 * 0.079 + 0.1 * 0.921
一位叫王阿根的用户分享的案例
</details>

基础数据：

■ 用药率：0.1%  
■ 检测准确率：95%（误判率5%）

# ○ 计算结果:

■ 首次检测阳性后实际用药概率：0.9%  
■ 三次检测均阳性后概率：45%

# 重要发现：

■ 新证据连续出现会指数级改变概率  
■ 即使多次阳性检测，实际概率仍可能低于50%

3）基础概率原理 07:32

![](images/dbc45b8ee5dd33b09f199dd1281dbcab8c8c4475bc648139ceff432af2ca9a74.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
基础概率
(先验概率)
做很多事情
拼课费信：
1561277539
</details>

核心观点：基础概率决定成败而非努力程度

# ● 量级概念：

○ 1,10,100,1000代表不同量级  
○ 量级差异产生碾压性优势（10倍原理）

# - 应用建议：

○ 选择高基础概率领域（城市/学校/行业/公司）  
◦ 关注宏观趋势（如货币M2增速与房地产关系）

4）贝叶斯哲学意义 12:30

# - 辩证思维：

既要重视基础概率

\- 又要根据新证据及时调整判断

# ● 现实应用：

避免幸存者偏差（如"读书无用论"）  
○ 连续出现反例时需要重新评估基础概率

# 2. 概率思维应用 10:36

# 1）日常决策案例

● 问题：如何判断小芳的微笑代表喜欢？

# - 贝叶斯分析：

◦ 先验概率：小芳喜欢你的基础概率  
○ 似然度：喜欢时微笑的概率  
◦ 证据频率：平时对他人微笑的频率

# ● 关键启示:

○ 罕见行为（不常微笑）作为证据更有价值   
○ 常见行为（经常微笑）作为证据价值较低

# 3. 均值和异常值 13:36

![](images/fdd448508ad0671137768b674f69d34069336b3d3db510d52fe03d65fe428e51.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
均值和异常值
因为我们在漫长的远古时代
</details>

均值局限性：在正态分布中（如身高、体重）均值具有代表性，但在幂律分布中（如财富、GDP）均值会失真。中国人均GDP低于俄罗斯但经济实力更强，说明均值无法反映真实经济状况。  
- 异常值决定性作用：以公司经营为例，月均 $8\%$ 收益率看似良好，但单次 $90\%$ 亏损异常值直接导致破产，说明系统稳定性取决于抗异常能力而非平均水平。

![](images/6e2b80ea27e82d1c98dba92838ee810846dd99d65103aa851602bf4ec2f77247.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
因为公司在经营的倒数第3个月
</details>

人生启示：游戏圈高管案例显示，长期顺境中一次重大挫折（被辞退）产生的异常行为（投毒）可彻底改变人生轨迹，印证"黑天鹅"事件的颠覆性影响。

# 1）面对异常值的三种处理方式 15:52

# 1. 是把他们舍弃掉

# 2.是把他们跟其他数值一视同仁

# 3.是把他们单独作为一个特别的集合去研究

# 也就是最主流的观点就是最正确的

- 剔除处理：如比赛评分去掉最高/低分，假设世界是稳定连续的（基础概率不变），但可能忽略重大变革信号  
● 等同处理：将异常值视作普通数据，适用于噪声干扰场景  
● 专项研究：如国家叫停支付宝上市事件，最初被视为行业整顿个案（异常值），实为互联网监管时代开启的前兆，后续教育行业调整等验证其预示性  
- 统计定义：异常值指与均值偏差超过 $2\sigma$ （两倍标准差）的数据，如图中横纵轴均偏离群体2倍以上的孤立点

![](images/8258aa9263d5793bdbd56db1e0ca85a9743bd26e89e51419a2e334e55fefb0f8.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
OUTLIERS
都两倍的高于整体的平均值
</details>

# 4. 大数定律 17:39

![](images/20945d61e34366a247de00341c19295e976a7fa9d5bb979aeccaff36455016b2.jpg)

<details>
<summary>text_image</summary>

所长林超 bili bili
0
1.0
概率
0.0
0
1.0
0.0
0
200
400
600
800
1000
丢硬币的次数
但是随着你抛的次数越来越多
</details>

● 核心原理：实验次数 $n\to\infty$ 时，随机事件频率收敛于理论概率（如抛硬币正反面趋近50%），数学上由科尔莫戈罗夫强大数定律保证  
● 小数据陷阱：早期职业阶段因样本量少（如仅2段工作经历）易得出偏颇结论，需保持耐心持续积累数据  
● 实践启示：

- 健康基础：肉身是持续"实验"的载体，体力不支将中断概率验证过程  
- 贝叶斯迭代：将经验作为先验概率P(A)，新证据P(B|A)输入后更新为后验概率P(A|B)，形成认知升级循环

# 5. 概率分布 20:09

![](images/a4310eab1cdc1925d993ad0d6f947c7e2eb1e2691fa37d4ada6d34ef9ac1ca63.jpg)

<details>
<summary>line</summary>

| 人数 | 财富 |
| ---- | ---- |
| 20%  | 80%  |
| 80%  | 20%  |
</details>

- 幂律特征：80%财富集中于20%人群（帕累托法则），表现为马太效应、赢家通吃，要求个体在细分领域做到极致  
● 正态分布：如身高集中在均值附近，两端极端值稀少，反映稳定系统的特征

# 1）方差、标准差、平均值 20:55

![](images/5a42eef7257973a2caae2327534871a48254fe8a4b2c2288c65802d674294ea7.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
方差
标准差
平均值
variance = σ² = (Σ(xₜ - μ)²)/n
standard
deviation σ = √(Σ(xₜ - μ)²)/n
μ = mean
也就是说方差其实放到了标准差的差异
</details>

# 计算关系：

○ 方差 $\sigma^2 = \frac{\sum (x_i - \mu)^2}{n}$   
○ 标准差 $\sigma = \sqrt{\sigma^2}$

# ● 现实案例：

江湖vs军队：相同平均武力下，江湖团体标准差大（含高手与弱者），军队标准差小（全员中等战力）  
飞镖选手：低方差选手（如职业运动员）成绩集中，高方差选手（业余者）结果离散

![](images/98d68e564b40949b0da8b246836bea0211bf52a050c59764b954e1213f344b39.jpg)

<details>
<summary>text_image</summary>

所长林超 bilibili
坚定
不坚定
愚蠢
a
b
聪明
c
d
第2种人是不坚定的聪明
</details>

# 人生策略：

- 早期应保持"不坚定的愚蠢"（开放心态收集证据）  
- 中期过渡到"不坚定的聪明"（动态调整认知）  
- 成熟期追求"坚定的聪明"（专注优势领域）  
○ 警惕"坚定的愚蠢"（环境剧变时需重新循环）

# 二、知识小结

<table><tr><td>知识点</td><td>核心内容</td><td>考试重点/易混淆点</td><td>难度系数</td><td></td><td></td></tr><tr><td>贝叶斯公式</td><td>通过先验概率和新证据计算后验概率,公式为:P(A)</td><td>B) = [P(B</td><td>A) * P(A)] / P(B)</td><td>基础概率的重要性(如罕见病误诊案例)</td><td>★★★★</td></tr><tr><td>基础概率(先验概率)</td><td>事件在真实世界中的固有发生概率(如亨廷顿舞蹈症患病率1/10000)</td><td>忽略基础概率导致误判(如药检误诊案例)</td><td>★★★</td><td></td><td></td></tr><tr><td>异常值处理</td><td>统计学中偏离平均值两倍标准差的数值,反映极端事件</td><td>异常值的三种处理方式(剔除/保留/单独研究)</td><td>★★★★</td><td></td><td></td></tr><tr><td>大数定律</td><td>实验次数越多,随机事件概率趋近稳定值(如抛硬币收敛于50%)</td><td>小样本偏差(早期经验易误导判断)</td><td>★★</td><td></td><td></td></tr><tr><td>概率分布(正态分布 vs 幂律分布)</td><td>正态分布:均值集中;幂律分布:极端集中(二八法则)</td><td>方差与标准差(衡量数据离散度)</td><td>★★★</td><td></td><td></td></tr><tr><td>方差与标准差</td><td>衡量数据波动性(如江湖人士 vs 正规军的武力值差异)</td><td>低方差=稳定性(如飞镖选手案例)</td><td><img src="images/33c3f8b44dfc2d710a41a5ba86cc88f5a1199eea87d9191f63e1bede41553961.jpg"/></td><td></td><td></td></tr><tr><td>概率反直觉案例</td><td>亨廷顿舞蹈症误诊率99%但真实患病率仅1%</td><td>误诊率与基础概率的相互作用</td><td><img src="images/f8d0f98196c40d517f65dc5846dc79a29995ecb7e7e20654a6953e2c94911086.jpg"/></td><td></td><td></td></tr><tr><td>连续检测的贝叶斯更新</td><td>三次药检阳性后使用违禁药概率仅45%</td><td>新证据对概率的非线性影响</td><td><img src="images/b8b618c2c44e0f1e92210a076a85cc6d14234258b058ea04dcc1a241524d55e0.jpg"/></td><td></td><td></td></tr><tr><td>商业与人生决策启示</td><td>基础概率&gt;努力(如选行业/城市/学校)</td><td>“10倍压制原理”(量级差距难逆转)</td><td><img src="images/6dba746cd6cb3c9410e8a686cabb7f7a085e55e701725dcd9a2421ee8448d55a.jpg"/></td><td></td><td></td></tr><tr><td>均值与异常值的现实意义</td><td>公司倒闭由异常亏损决定(非平均盈利)</td><td>“一次异常摧毁全局”(如高管投毒案例)</td><td><img src="images/00d2bddd597aa66bfdb4cf8b06dfc9a787be327df7e7eb2de55bdfe3a846603a.jpg"/></td><td></td><td></td></tr></table>