一份情报简报里写着：「敌方很有可能在本月内行动。」
请把「很有可能」翻译成一个数字——你觉得它是多大的概率？
顺便再押一个：一枚公平硬币抛 10 次，正面出现的次数「明显偏离一半」（比如 7 次以上或 3 次以下）的概率有多大？你觉得这算常见还是罕见？
看这三句话，它们都用了同一个词：
句①好办。它的意思是：如果你抛很多很多次，正面的比例会稳定在一半附近。这个理解叫frequentist（频率派）——概率是「长期重复中出现的比例」。它有个明确的验证方式：真的去抛，抛够多次，看数字。
句③就麻烦了。火星只有一个，历史只发生过一次，你没法「重复很多次火星」。按频率派的定义，句③根本不是一个概率陈述。但它显然又在说一件有意义的事——它在说说话人有多相信这件事。这个理解叫Bayesian（贝叶斯派）或信念派——概率是「一个人对某命题的相信程度」，可以随证据更新。
句②夹在中间，也因此最容易吵架。「明天下雨概率 70%」到底指什么？气象部门给的通常是：在历史上所有与明天气象条件相似的日子里，约有七成下了雨——这是频率派的说法，用「相似日子」造出了一个可重复的参照类。但对你来说，明天只有一个，你听到的其实是一句信念陈述。
这本书的立场：两种都用，但要知道自己在用哪种。频率派回答「这类事情有多常发生」，贝叶斯派回答「面对眼前这一件，我该有多信」。本书 Part 1 主要在频率派的地盘上打基础，Part 2 整个转向贝叶斯派——因为现实生活里的绝大多数判断（这份报告可信吗？这个人在说谎吗？）都是一次性的，没有「重复很多次」可言。
频率派靠一条定理撑着：law of large numbers（大数定律）——抛的次数越多，正面的比例越接近 50%。这是真的，而且下面的实验会让你亲眼看到。
但它有一个被广泛误读的地方，值得现在就说清楚。大数定律保证的是比例收敛，不保证正反两面的次数差会缩小。恰恰相反——次数差通常还会越拉越大：
换句话说：硬币不是靠「把亏欠补回来」来收敛的，它是靠「分母越来越大，把偏差稀释掉」来收敛的。这一句话就是赌徒谬误的解药，请先记住——4.1 章会专门拆它。
回到开头那道题。「很有可能」「有相当大的机会」「不能排除」——这些词听起来在传递概率，实际上传递的是一片区间，而且每个人心里的区间都不一样。研究反复发现，同一个词在不同人那里能被读成相差三四倍的数字。这不是语文没学好，是自然语言在这件事上本来就不够用。
解决办法很朴素，也是本书从头到尾在做的事：把话翻译成数字，把数字翻译成「多少次里有几次」。
下面是一枚公平硬币。横轴是抛的次数（对数刻度——这样短序列的疯狂摆动和长序列的收敛能挤在同一张图里），纵轴是「到目前为止正面的比例」。虚线是 50%。
先看默认的 1000 次：曲线在前几十次里上蹿下跳，能轻松跑到 70% 或 30%；到了几百次以后，它被牢牢摁在 50% 附近再也甩不开。点「再抛一轮」多试几次——重点不是某一轮的结果，而是「前面乱、后面稳」这个形状每一轮都会出现。
这一轮的前 60 次长这样：
把滑块拖到最左边（只抛 10 次），然后反复点「再抛一轮」。你会看到 8 正 2 反、3 正 7 反这种结果频繁出现——10 次里正面出现 7 次以上或 3 次以下的概率大约是 34%，也就是每三轮就有一轮。这就是本章开头第二道题的答案：小样本里的「明显偏离」不是异常，是常态。
顺便留意那条序列条：几乎每一轮都会出现连着四五个同面的片段。这看起来「不随机」，但它恰恰是随机的标志——真正的随机序列里，连号比人想象的多得多。这个观察在 4.1 章会变成一整个实验。
1951 年 3 月，美国国家情报评估在讨论苏联对南斯拉夫的意图时，用了这样一句措辞：苏联进攻南斯拉夫存在「严重的可能性」（a serious possibility）。
负责该评估的 Sherman Kent 后来回忆，评估发出几天后，国务院政策规划室（Policy Planning Staff）的主任在闲谈中问他：你们说的「严重的可能性」是什么意思？心里想的是多大的赔率？Kent 答：他个人的估计是 65 比 35，倾向于会打——相当于 100 个这样的局面里，大约有 65 个真的会开打。对方颇为吃惊：他和同事们把这句话读成了低得多的赔率。Kent 随即去问了评估委员会的其他成员，得到的答案从 20% 一路铺到 80%——所有人都读了同一句话，并且都认为自己理解得没错。
Kent 由此写下了情报界的经典文章《估测性概率的词汇》，主张给每一个措辞钉死一个数值区间——「几乎肯定」= 93%±6、「很可能」= 75%±12，诸如此类。这套做法后来被各国情报与风险机构广泛采用，联合国政府间气候变化专门委员会（IPCC）报告里那套「virtually certain（>99%）/ likely（>66%）」的措辞规范，走的是同一条路。
这个案例对普通读者的意义不在情报，而在于：你每天都在收发这种句子。「这个方案风险不大」「他应该会来」「基本没问题」——每一句都在传递一个概率，而收发双方心里的数字很可能差着两三倍。下次听到，不妨追问一句：「你说的『应该会』，是十次里有几次？」
频率派：抛它很多次，看正面比例是否稳定在 50% 附近。「公平」是关于这枚硬币长期行为的客观断言，可以被数据证伪。分歧点：抛多少次算够？任何有限次数都无法完全确定。
贝叶斯派：先给「它公平」一个先验信念（比如从口袋里随手掏的硬币，先验相当高），然后每抛一次就更新一点。抛出 10 连正之后，「它公平」的信念会明显下降，但不会归零——因为公平硬币抛出 10 连正的概率虽小（约 1/1024），也不是零。
真正的分歧不在算法，在「概率」这个词指向什么。频率派认为「公平」要么真要么假，概率描述的是数据；贝叶斯派认为概率描述的是你对这个命题的信心状态。有意思的是，两者在数据足够多时几乎总会收敛到同一个结论——分歧主要出现在数据稀少、或者事件根本无法重复的时候（比如「这个候选人会赢」）。
比例题：抛 10000 次的概率高得多。100 次时，标准差约 5 次，也就是 5 个百分点，落进 ±2 个百分点的窗口概率只有三成多；10000 次时标准差约 50 次，只有 0.5 个百分点，落进 ±2 个百分点几乎是必然（约 99.99%）。
次数差题：也是抛 10000 次的概率高。100 次时次数差的典型量级约 8 次，超过 20 次的概率不到 5%；10000 次时典型量级约 80 次，超过 20 次的概率约 84%——十有八九。
这两个答案放在一起，就是本章最重要的一句话：抛得越多，比例越准，次数差却越大。收敛靠的是分母膨胀带来的稀释，不是靠「把欠的补回来」。如果你答对了比例题却答错了次数差题，说明赌徒谬误的种子还在——去 4.1 章拔掉它。
不成立。单独一天的结果无法证伪一个概率预报——70% 意味着这类日子里有三成是不下雨的，昨天恰好是那三成之一，完全不矛盾。用一次结果去判断概率陈述，等于用抛一次硬币的结果去判断硬币公不公平。
正确的检验方法叫校准（calibration）：把这个气象台所有说过「70%」的日子挑出来——比如三年里有 200 天——数一数其中真正下雨的有多少天。如果接近 140 天（70%），这个气象台在 70% 这一档上是校准良好的。再对 10%、20%……每一档都这么查一遍，就得到了完整的成绩单。
这正是频率派思路的实际用法：单个一次性事件无法验证，但把「所有说过同一个数的场合」攒成一类，参照类就造出来了，概率也就重新变得可检验了。这也是为什么专业预测者会被要求给出数字而不是「很有可能」——只有数字才能被记账。
最直接的一招：把词翻译成赌注。问对方（或问自己）：「如果这件事没发生你赔我 100 块，发生了我赔你 X 块——X 是多少你才觉得公平？」这个问题逼出的是一个具体数字，而且比直接问「你觉得多少概率」更容易回答，因为人对赌注的直觉比对百分比的直觉好。
第二招：问「十次里有几次」。把它翻译成自然频率，也就是本书通篇在做的事。「如果这样的局面出现十次，有几次会真的动手？」——比「多少概率」好回答得多。
第三招（组织层面）：建立措辞表，像 Kent 和 IPCC 那样把词钉死在区间上，并且要求写和读的人共用同一张表。注意这一招只在双方都认这张表时才有效——否则你只是把歧义从「很有可能」搬到了「你说的很有可能是按哪张表」。