概率

概述

概率（probability）是归纳逻辑的核心评价性概念，为归纳论证的强度提供了量化度量。皮尔斯（C.S. Peirce）曾指出：“概率理论就是定量地研究逻辑的科学。“与演绎论证追求结论的必然性（确定性）不同，归纳论证的结论只具有概然性（probability），而概率正是刻画这种概然性的精确工具。在逻辑学的框架中，概率连接了演绎论证与归纳论证——当概率达到 1 时，归纳强度达到演绎确定性的极限；当概率介于 0 与 1 之间时，它度量了归纳论证的支持程度。概率理论是第14章的核心主题，也是整个归纳逻辑体系的量化基础。

定义

概率（Probability）

概率是一个介于 0 和 1 之间的数值，用于度量某个事件发生的可能性或某个命题为真的程度。概率为 0 表示事件不可能发生（或命题必然为假），概率为 1 表示事件必然发生（或命题必然为真），概率介于 0 和 1 之间表示事件可能发生但不确定。

验前解释（古典理论）

古典概率（Classical / A Priori Probability）

古典概率（又称验前概率、先验概率）基于等可能性假设，将概率定义为：

$P(A)=\frac{\text{事件 }A\text{ 的有利结果数}}{\text{等可能结果总数}}$

适用条件： 所有基本结果必须是互斥的（mutually exclusive）且等可能的（equally probable）。

示例： 掷一枚公平的骰子，出现偶数的概率为： $P(\text{偶数})=\frac{3}{6}=\frac{1}{2}$ 因为偶数结果（2, 4, 6）有 3 个，总结果数（1, 2, 3, 4, 5, 6）有 6 个，且每个结果等可能。

古典概率的局限

古典概率的等可能性假设本身无法通过古典概率来证明——它依赖于对称性或无差别原则（principle of indifference），而这在某些情况下会导致悖论（如贝特朗悖论）。当”等可能”假设不成立时（如骰子不均匀），古典概率就不再适用。

相对频率解释

相对频率概率（Relative Frequency Probability）

相对频率概率基于经验统计，将概率定义为事件在长期重复试验中出现的频率极限：

$P(A)=\frac{\text{具有属性 }A\text{ 的成员数}}{\text{参照类成员总数}}={\lim }_{n\to \infty }\frac{n_A}{n}$

其中 $n_A$ 是事件 $A$ 发生的次数，$n$ 是试验总次数。

示例： 某城市过去 10 年中记录了 3650 天的天气数据，其中 1095 天下雨，则该城市某天下雨的相对频率概率为： $P(\text{下雨})=\frac{1095}{3650}=0.3$

两种解释的对比

维度	古典概率	相对频率概率
基础	等可能性假设（先验的）	经验数据（后验的）
计算方式	有利结果 / 总结果	频率统计
适用范围	对称情境（骰子、扑克等）	统计情境（气象、医学等）
代表人物	拉普拉斯、帕斯卡、费马	冯·米塞斯、赖兴巴赫
局限	等可能假设难以证明	需要大量数据，无法处理单次事件

概率公理（Kolmogorov 公理体系）

概率公理（Kolmogorov Axioms, 1933）

Andrey Kolmogorov 在《概率论基础论》（Grundbegriffe der Wahrscheinlichkeitsrechnung, 1933）中建立了概率的公理体系，为概率论提供了严格的数学基础。三条公理如下：

1. 非负性公理：对于任何事件 $A$，$0\le P(A)\le 1$
2. 规范性公理：$P(\Omega )=1$，其中 $\Omega$ 是必然事件（样本空间）
3. 可加性公理：对于互斥（mutually exclusive）事件 $A$ 和 $B$： $P(A\cup B)=P(A)+P(B)$ 推广到可数多个互斥事件：$P\left({\bigcup }_{i=1}^{\infty }{A}_i\right)={\sum }_{i=1}^{\infty }P(A_i)$

公理体系的地位

Kolmogorov 公理体系是概率论的数学基础，但它本身不回答”概率是什么”的哲学问题——古典解释、频率解释和主观解释都可以在这套公理体系下运作。公理体系规定了概率必须满足的形式约束，但不同解释对这些约束给出了不同的哲学解读。

核心性质

性质	说明
概率相对于证据	概率不是事件本身的固有属性，而是相对于给定证据的——同一事件在不同证据下可以有不同的概率值
概率在 0 到 1 之间	由非负性公理和规范性公理保证：$0\le P(A)\le 1$
演绎确定性 vs 归纳概然性	演绎论证中结论的概率为 1（$P=1$，确定性），归纳论证中结论的概率介于 0 和 1 之间（$0<P<1$，概然性）
验前理论 vs 相对频率理论	古典理论基于先验的等可能性假设，适用于对称情境；频率理论基于后验的经验统计，适用于统计情境
互补事件	事件 $A$ 不发生的概率为 $P(\neg A)=1-P(A)$
概率的单调性	若 $A\subseteq B$（$A$ 蕴涵 $B$），则 $P(A)\le P(B)$

常见误区

• 概率不是事件的固有属性：说”明天下雨的概率是 30%“是相对于当前气象数据的，如果获得新的数据（如卫星云图），这个概率值会改变
• 概率为 0 不等于不可能：在连续概率空间中，概率为 0 的事件仍有可能发生（如指针恰好指向某个精确点）
• 高概率不等于确定性：即使 $P(A)=0.999$，事件 $A$ 仍然可能不发生——这正是归纳论证与演绎论证的根本区别

关系网络

graph TB
    A["概率<br/>归纳逻辑的量化工具"] --> B["归纳逻辑<br/>概率是其核心评价概念"]
    A --> C["演绎论证<br/>P=1 时的极限情形"]
    A --> D["归纳论证<br/>0&lt;P&lt;1 度量归纳强度"]

    A --> E["概率演算"]
    E --> E1["加法定理<br/>P(A∪B) = P(A) + P(B) - P(A∩B)"]
    E --> E2["乘法定理<br/>P(A∩B) = P(A) × P(B|A)"]

    A --> F["概率解释"]
    F --> F1["古典概率<br/>验前/等可能性"]
    F --> F2["相对频率概率<br/>经验统计"]
    F --> F3["主观概率<br/>贝叶斯主义"]

    A --> G["因果联系<br/>概率因果：P(B|A) > P(B)"]
    A --> H["休谟问题<br/>归纳合理性的概率辩护"]
    A --> I["密尔五法<br/>因果发现的归纳方法"]
    A --> J["科学说明<br/>假说的概率确证"]
    A --> K["假说-演绎法<br/>概率化的假说检验"]

    A --> L["期望值<br/>EV = Σ Pᵢ × Vᵢ"]
    A --> M["条件概率<br/>P(B|A) = P(A∩B)/P(A)"]

    style A fill:#e3f2fd,stroke:#1565c0,stroke-width:2px
    style E fill:#fff3e0,stroke:#e65100,stroke-width:2px
    style F fill:#f3e5f5,stroke:#6a1b9a,stroke-width:2px

• 归纳逻辑：概率是归纳逻辑的核心评价工具，为归纳论证的强度提供量化度量
• 演绎论证：演绎论证中，前提为真时结论的概率为 1——演绎是概率的极限情形
• 归纳论证：归纳论证中，前提为真时结论的概率介于 0 和 1 之间，概率越高论证越强
• 因果联系：概率因果定义：$P(B|A)>P(B)$ 时 $A$ 是 $B$ 的原因
• 休谟问题：概率理论（尤其是贝叶斯主义）为归纳合理性提供了可能的辩护路径
• 密尔五法：密尔五法通过受控比较发现因果联系，其结论具有概率性而非确定性
• 科学说明：科学假说的确证程度可以用概率来度量
• 假说-演绎法：假说-演绎法中，证据对假说的支持度可以用贝叶斯概率计算
• 期望值：期望值是概率与价值的乘积之和，是决策理论的核心概念
• 条件概率：条件概率 $P(B|A)$ 是概率演算的核心工具，也是贝叶斯定理的基础

章节扩展

第14章：概率理论

第14章系统阐述了概率理论，为整个归纳逻辑体系提供量化基础。

概率的两种解释

第14章详细讨论了概率的两种主要解释：

1. 验前解释（古典理论）：基于等可能性假设，适用于具有对称性的情境（如掷骰子、抽牌）。概率等于有利结果数除以等可能结果总数。

2. 相对频率解释：基于经验统计，适用于可以通过重复观察获得数据的情境。概率等于事件发生的次数除以观察总次数（在观察次数趋于无穷时的极限）。

两种解释的互补性

两种解释并非互相排斥，而是互补的。古典理论适用于理论分析（如计算公平赌博的概率），频率理论适用于经验研究（如计算疾病发病率）。在实际应用中，我们经常需要结合两种解释：先用古典理论建立理论模型，再用频率数据来检验和校准模型。

概率演算基本定理

概率演算（Probability Calculus）

概率演算是基于 Kolmogorov 公理体系推导出的概率计算规则，核心包括加法定理和乘法定理。

加法定理（General Addition Rule）：

对于任意两个事件 $A$ 和 $B$（不要求互斥）： $P(A\cup B)=P(A)+P(B)-P(A\cap B)$

• 当 $A$ 和 $B$ 互斥时，$P(A\cap B)=0$，公式简化为 $P(A\cup B)=P(A)+P(B)$
• 推广到一般情形：$P(A\cup B)$ 不能超过 1，因此当 $P(A)+P(B)>1$ 时，必须减去重叠部分 $P(A\cap B)$

示例： 从一副标准扑克牌中随机抽取一张，抽到红心或国王的概率为： $P(\text{红心}\cup \text{国王})=P(\text{红心})+P(\text{国王})-P(\text{红心且国王})=\frac{13}{52}+\frac{4}{52}-\frac{1}{52}=\frac{16}{52}=\frac{4}{13}$

乘法定理（General Multiplication Rule）：

对于任意两个事件 $A$ 和 $B$： $P(A\cap B)=P(A)\times P(B\mid A)$

其中 $P(B\mid A)$ 是条件概率——在事件 $A$ 发生的条件下事件 $B$ 发生的概率。

• 当 $A$ 和 $B$ 独立时，$P(B\mid A)=P(B)$，公式简化为 $P(A\cap B)=P(A)\times P(B)$

示例： 连续掷两次骰子，两次都出现 6 的概率为（假设两次掷骰子独立）： $P(\text{两个6})=P(\text{第一个6})\times P(\text{第二个6})=\frac{1}{6}\times \frac{1}{6}=\frac{1}{36}$

加法定理与乘法定理的关系

加法定理处理的是"或"关系（$A$ 或 $B$ 至少一个发生），乘法定理处理的是"且"关系（$A$ 和 $B$ 同时发生）。两者共同构成了概率演算的基础，可以组合使用来计算复杂事件的概率。参见 条件概率。

补充

主观概率与贝叶斯主义

来源： de Finetti (1937), Savage (1954), Jeffrey (1965)

除了古典解释和频率解释外，还有一种重要的概率解释——主观概率（subjective probability），又称认知概率（epistemic probability）或信念度（degree of belief）。

• 核心思想：概率反映的是个人在给定证据下对某个命题的确信程度，而非事件本身的客观属性
• 贝叶斯定理是主观主义学派的核心工具： $P(H\mid E)=\frac{P(E\mid H)\cdot P(H)}{P(E)}$ 其中 $P(H)$ 是先验概率（prior probability），$P(H\mid E)$ 是后验概率（posterior probability），$P(E\mid H)$ 是似然性（likelihood）
• 贝叶斯更新：当获得新证据 $E$ 时，通过贝叶斯定理将先验概率 $P(H)$ 更新为后验概率 $P(H\mid E)$，实现信念的理性修正

贝叶斯主义在当代归纳逻辑和科学哲学中占据主导地位，它为假说-演绎法中的假说确证问题提供了精确的量化框架。

概率解释的统一趋势

来源： Copi, Introduction to Logic, Ch.14

虽然古典解释、频率解释和主观解释在哲学上存在分歧，但在实际应用中，三种解释往往相互补充而非相互排斥：

1. 古典概率适用于理论建模和对称情境中的先验计算
2. 频率概率适用于经验数据的统计分析和预测
3. 主观概率适用于单次事件的判断和决策（如”明天是否下雨”）

Kolmogorov 公理体系为三种解释提供了统一的数学框架——无论采用哪种解释，概率计算都必须遵循同一套公理和定理。这种”数学统一、哲学多元”的局面是当代概率哲学的基本特征。

应用

概率理论在以下领域有广泛的应用：

• 科学研究：统计推断、假设检验、置信区间——量化实验数据对科学假说的支持程度
• 因果推理：通过概率因果定义 $P(B|A)>P(B)$ 来识别因果联系，为密尔五法提供数学基础
• 决策理论：结合概率与价值计算期望值，指导理性决策。参见 期望值
• 风险评估：保险精算、金融风险管理、工程安全评估
• 人工智能：概率图模型、贝叶斯网络、机器学习中的概率分类
• 法律推理：评估证据的概率力度，如”排除合理怀疑”标准的概率解读
• 医学诊断：根据症状和检查结果计算疾病的后验概率（贝叶斯诊断）

参见

• 归纳逻辑 — 概率是归纳逻辑的核心评价工具
• 归纳论证 — 概率度量归纳论证的强度
• 演绎论证 — 演绎确定性是概率为 1 的极限情形
• 因果联系 — 概率因果：$P(B|A)>P(B)$
• 休谟问题 — 归纳合理性的哲学挑战与概率辩护
• 密尔五法 — 因果发现的归纳方法，其结论具有概率性
• 科学说明 — 科学假说的概率确证
• 假说-演绎法 — 概率化的假说检验方法
• 期望值 — 概率与价值的乘积之和，决策理论的核心概念
• 条件概率 — $P(B|A)$，概率演算和贝叶斯定理的基础