(不要叫我大王)
(chuangxshuanm)
第三方登录：文章｜聊聊人工智能有关的概率问题，这是否有点哲学的味道？文章｜聊聊人工智能有关的概率问题，这是否有点哲学的味道？前沿技术百家号上帝究竟会不会掷色子1944年7月，爱因斯坦在给玻尔的一封信中：“在我们的科学期望中，我们已成为对立的两极。你相信掷骰子的上帝，我却信仰客观存在的世界中的完备定律和秩序。”意思就是说大自然早就确定了这个世界运转的所有规则。一般情况下，概率的出现，都是在没有找到所有的约束条件下，建立起的粗糙的数学模型，波函数有没有遗漏什么因素？概率究竟是物质世界的上帝，创造了一切，还是仅仅是人类发展史上的一次对自然不够完美的描述？总之还是那个古老的论题：上帝究竟会不会掷色子？薛定谔猫悖论奥地利物理学家薛定谔善于用故事来阐述复杂的理论，他讲了一个故事，可以让复杂的理论变得易于理解。这个故事就是著名的“薛定谔猫悖论”。故事的主角是一只不走运的猫，它既活着又死了。显然，这是荒谬的！仔细考察这种奇特的矛盾现象，将把我们带入量子力学的神奇世界。这个悖论简单地说是这样的：一只猫被放入一个箱子里，箱子的旁边放着一个装着致命的神经性毒气的小药瓶；在原子内部的每一次量子跃迁，都可以加以证实；或者用一个放射性原子的衰变来触发一个装有毒气的瓶子的开关，那么毒气可以毒死同时放在箱子里的猫。如果无法预测的跃迁以某种方式出现，那么通过放电过程就会释放毒气，使猫立刻死亡。如果跃迁是以其他方式发生的，那么药瓶就会保持密封状态，而幸运的猫就可以活下来。生活中的概率问题在日常生活中，人们都存在着大量的常识，这些常识往往都是一种概率估计。比如：今天天气不错，应该不会下雨；小张学习很勤奋，应该能考上好大学；小郑穿的衣服都是名牌，她老公一定很有钱。……诸如此类。严格意义来讲，一件事情的发生一定不会是偶然的，现象的背后一定存在着某种精确的原因。由于这些难以精确描述的事情总是存在着一些相似的原因，于是人们就不断总结经验，从非常表面的层次去总结事件之间的相关性，于是常识，经验，或者称为先验概率之类的东西就产生了。人工智能中的概率问题举一个人工智能领域的例子：用户输入一段英文，让计算机翻译成中文。根据贝叶斯公式，要判断P(S1，S2，S3，……，Sn)*P(O1，O2，O3，……，On|S1，S2，S3，……，Sn)，其中S1，S2，S3，……，Sn表示由若干的中文词语构成的一段话，O1，O2，O3，……，On表示由若干英文词语构成的一段话。根据联合概率公式：P(S1，S2，S3，……，Sn)=P(S1)*P(S2|S1)*P(S3|S1,S2,S3)*……这是一个非常令人头痛的问题，按照人类语言的理解，要探讨S1，S2，S3，……，Sn这段话构成中文语句的可能性，就要分析词语S1出现的概率，以及在S1出现的条件下，S2出现的概率，以及S1，S2出现的条件下，S3出现的概率，以及S1，S2，S3出现的情况下，S4出现的概率……如此下去，求解过程变得异常复杂。从人类理解的角度来讲，这要求计算机从概率的角度来解释清楚人类说一句话的语义是什么，这也是为什么计算机难以准确翻译长篇文章的原因。由于贝叶斯没能从根本上解决上述问题，因此不得不引入其他的方法。目前最为流行，也是比较有效的方法，是引入隐马尔科夫模型，该模型给出了两个关键的假设：即马尔科夫性与独立输出假设，使得上述问题得到解决，但这样做是有代价的，代价就是准确度的降低。即便如此，采用隐马尔科夫模型的概率翻译系统也比从前的系统进步得多。据统计：基于隐马尔科夫模型的翻译系统已将错误率由传统模式识别系统的30%降低到10%，不得不说是一大进步。对于人工智能的其他领域：机器视觉、语音识别等等，我们不妨认为是将图画、语音翻译成文字的翻译系统，在根本上与上述系统是一样的，因此也能使用概率方法进行解决。本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。前沿技术百家号最近更新：简介:科技改变世界，创意照明生活作者最新文章相关文章张天蓉博主博文中提到的一个概率问题引发了科学网博客上关于贝叶斯定理的大讨论，精彩纷呈，妙趣横生，让观者如痴如醉。
张天蓉：基本比率谬误（base rate fallacy）
先看一个生活中的例子。
王宏去医院作验血实验，检查他患上了X疾病的可能性，其结果居然为阳性，把他吓了一大跳，赶忙到网上查询。网上的资料说，实验总是有误差的，这种实验有&百分之一的假阳性率和百分之一的假阴性率&。这句话的意思是说，在得病的人中做实验，有1%的人是假阳性，99％的人是真阳性。而在未得病的人中做实验，有1%的人是假阴性，99％的人是真阴性。于是，王宏根据这种解释，估计他自己得了X疾病的可能性（即概率）为99%。王宏想，既然只有百分之一的假阳性率，那么，百分之九十九都是真阳性，那我已被感染X病的概率便应该是99%。
可是，医生却告诉他，他被感染的概率只有0.09左右。这是怎么回事呢？王宏的思路误区在哪里？
医生说：&百分之九十九？哪有那么大的感染几率啊。99％是测试的准确性，不是你得病的概率。你忘了一件事：这种X疾病的正常比例是不大的，1000个人中只有一个人有X病。&
医生的计算方法是这样的：因为测试的误报率是1%，1000个人将有10个被报为&假阳性&，而根据X病在人口中的比例（1/%），真阳性只有1个。所以，大约11个测试为阳性的人中只有一个是真阳性（有病）的，因此，王宏被感染的几率是大约1/11，即0.09(9%)。
王宏想来想去仍感糊涂，但这件事激发了王宏去重温他之前学过的概率论。经过反复阅读，再思考琢磨医生的算法之后，他明白了自己是犯了那种叫做&基本比率谬误&的错误，即忘记使用&X病在人口中的基本比例（1/1000）这个事实。
谈到基本比率谬误，我们最好是先从概率论中著名的贝叶斯定理【1】说起。托马斯&贝叶斯（ThomasBayes ，1701年&1761年）是英国统计学家，曾经是个牧师。贝叶斯定理是他对概率论和统计学作出的最大贡献，是当今人工智能中常用的机器学习之基础框架，它的思想之深刻远出一般人所能认知，也许贝叶斯自己生前对此也认识不足。因为如此重要的成果，他生前却并未发表，是他死后的1763年，才由朋友发表的。本篇将对贝叶斯定理稍作介绍，我们在本系列的后几篇，将讨论贝叶斯学派以及贝叶斯理论在人工智能中的应用。
初略地说，贝叶斯定理涉及到两个随机变量A和B的相互影响，如果用一句话来概括，这个定理说的是：利用B带来的新信息，应如何修改B不存在时A的&先验概率&P(A)，从而得到B存在时的&条件概率&P(A|B)，或称后验概率，如果写成公式便是：
这儿&先验后验&的定义是一种&约定俗成&，是相对的。比如说也可以将A、B反过来叙述，即如何从B的&先验概率&P(B)，得到B的&条件概率&P(B|A)，见图中虚线所指。
不要害怕公式，通过例子，我们能慢慢理解它。例如，对前面王宏看病的例子，随机变量A表示&王宏得X病&；随机变量B表示&王宏检查结果&。先验概率P(A)指的是王宏没有检查结果时得X病的概率（即X病在公众的基本概率0.1%），而条件概率（或后验概率）P(A|B)指的是王宏&检查结果为阳性&的条件下得X病的概率（9%）。如何从基本概率修正到后验概率的？待会儿再解释。
贝叶斯定理是18世纪的产物，200来年用得好好的，不想在20世纪70年代遇到了挑战，该挑战来自于卡尼曼和特维尔斯基（Tversky）提出的&基础概率谬误&（Base-RateFallacy）。丹尼尔&卡尼曼（Daniel Kahneman，1934年－）是以色列裔美国心理学家，2002年诺贝尔经济学奖得主。基础概率谬误并不是否定贝叶斯定理，而是探讨一个使人困惑的问题：为什么人的直觉经常与贝叶斯公式计算的结果相违背？如同刚才的例子所示，人们在使用直觉的时候经常会忽略基础概率。卡尼曼等在他的文章《思考，快与慢》中举了一个出租车的例子来启发人们思考这个影响人们&决策&的原因。我们不想在这儿深谈基础概率谬误对&决策理论&的意义，只是借用此例来加深对贝叶斯公式的理解：
某城市有两种颜色的出租车：蓝和绿（市场比率15:85）。一辆出租车夜间肇事后逃逸，但还好当时有一位目击证人，这位目击者认定肇事的出租车是蓝色的。但是，他&目击的可信度&如何呢？公安人员经过在相同环境下对该目击者进行&蓝绿&测试而得到：80%的情况下识别正确，20%的情况不正确。也许有读者立刻就得出了结论：肇事之车是蓝色的几率应该是80%吧。如果你作此回答，你便是犯了与上面例子中王宏同样的错误，忽略了先验概率，没有考虑在这个城市中&蓝绿&车的基本比例。
那么，肇事之车是蓝色的（条件）几率到底应该是多少呢？贝叶斯公式能给出正确的答案。首先我们必须考虑蓝绿出租车的基本比例（15: 85）。也就是说，在没有目击证人的情况下，肇事之车是蓝色的几率只有15%，这是&A=蓝车肇事&的先验概率P(A)= 15%。现在，有了一位目击者，便改变了事件A出现的概率。目击者看到车是&蓝&色的。不过，他的目击能力也要打折扣，只有80%的准确率，即也是一个随机事件（记为B）。我们的问题是要求出在有该目击证人&看到蓝车&的条件下肇事车&真正是蓝色&的概率，即条件概率P(A|B)。后者应该大于先验概率15%，因为目击者看到&蓝车&。如何修正先验概率？为此需要计算P(B|A)和P(B)。
因为A=车为蓝色、B=目击蓝色，所以P(B|A)是在&车为蓝色&的条件下&目击蓝色&的概率，即P(B|A)＝80％。最后还要算先验概率P(B)，它的计算麻烦一点。P(B)指的是目击证人看到一辆车为蓝色的概率，等于两种情况的概率相加：一种是车为蓝，辨认也正确；另一种是车为绿，错看成蓝。所以：
P(B) = 15%&80% + 85%&20% = 29%
从贝叶斯公式：
可以算出在有目击证人情况下肇事车辆是蓝色的几率=41%，同时也可求得肇事车辆是绿车的概率为59%。被修正后的&肇事车辆为蓝色&的条件概率41%大于先验概率15%很多，但是仍然小于肇事车可能为绿的概率0.59。对王宏测试X病的例子，读者可以参考这儿的方法，不难得出正确的答案，作者就不再赘述了。
高山：有关科学网一篇概率问题的再讨论
我认为作者的计算也是错误的，贝叶斯的观念，简单来说，就是用观察的数据来修正先验概率，以得到后验概率，但是数据必须大，而且无偏，一两次修正，基本概率变化不大。
贝叶斯修正得到的后验概率应该是针对人群的，也就是对P(A)进行修正，对于王宏这个人，不是能用贝叶斯概率修正的，具体的公式推导我就不写了。
首先我引用一下我自己博士论文的两张图，给大家解释一下他的错误
我们把预测当做诊断是否阳性，对应模糊矩阵的行
真实当作王某是否得病，对应模糊矩阵的列
A是王某得病，这样模糊矩阵的列就是-A,A
B是检测为阳性，这样模糊矩阵的行就是-B,B
P(A/B)就是检测为阳性，王某确实得病，也就是99%，对应一下我图里面的Sp（+）
P(B/A)就是王某确实得病，检测为阳性，这个叫正样本的灵敏度，Sn（+），我讲了在医学检测中
灵敏度比特异度更重要，起码不小于90%，否则大部分漏掉，后果比假阳性更严重
更多讨论：
文克玲：关于真实得病概率问题
原文中的问题是，如果X=B=99，王宏检验结果是阳性，问王宏是真正有病（金标准病人）的概率是多少？
我们知道X,B，是对正问题有了确定的答案，我们对测试方法的性能有完全的了解。现在要解决的是逆问题，如果我们知道结果，我们能知道输入参数（有病，无病）的概率分布吗？
&常识&告诉王宏，他真正有病的概率就是X%（=99%）。
可是张天蓉介绍的概率论告诉我们，在这里&常识&不成立。要知道王宏真正有病的概率，我们还需要一个不可缺少的参数：人群中真正的病人的比率C。原文中假定C=0.1% 。
按照所给的参数，对100000个人进行筛查。其中有100个真正的病人，会报告99例阳性。其余的99900非病人，由于1%的误报率，会报告999例阳性。最终结果是，在99+999例阳性报告中，只有99个真正的病人。
王宏真正有病的概率，确实就是9% 。
陆绮：形象思维是个好东西——再谈概率题
年度体检的时候，你不幸被诊断为某病.如果诊断检验的正确率为99%，是不是你侥幸没有得这个病的可能只有1%？
其实认真分析一下，你健康的可能要比这个大得多.
请看示意图，为了进行讨论诊断正确率始终1%，不论具体得病率。得病为大红色，健康为蓝色，诊断结果为阳性有病的是粉红色。在根据总体真实患病数据后，计算而得的诊断结果为阳性的真实患病率就是
%=粉红色大红色重叠部分/全部粉红色
因此真实患病率确实取决于患病人群的大小和检验准确率。这个图大概幼儿园的小孩子也能看得懂，结果一群博士博导吵翻了天。
刘学武：从贝叶斯公式看精准医疗中的癌症预防
我们举一个现实的例子来说明这个问题：
我们之前听说，好莱坞影星安吉丽娜朱莉通过《纽约时报》向大家揭露了她惨痛的经历。因携带有BRCA1/2致癌基因，她有87%的机会患上乳腺癌（我们假设5年）。为了防患于未然，她决定切除双乳(确切说是切除双侧乳腺)。美国乳腺癌的发病率为246,680/104,442,302=0.236%（每年每1000成年妇女中有2.36个人患上癌症。我们把预防癌症定位为5年不得癌症。
A:普通妇女5年癌症得病；
B：BRCA1/2致癌基因阳性；
P(A)：普通妇女人群5年患癌概率1.18%；
P(B｜A)：乳腺癌病人中BRCA1/2致癌基因阳性检测率87%；
P(A｜B)：有阳性结果的条件下，安吉丽娜朱莉5年内患癌概率；
P(B)：结果为阳性的总可能性=检查阳性中的真阳性+检查阴性中的真阳性。
通过贝叶斯公式，P(A｜B)= P(B｜A)&P(A)/ P(B)=87%&1.18%/（87%&1.18%+13%&98.2%）=7.4%。
安吉丽娜朱莉认为自己有87%的概率罹患癌症（我们假定为5年内），但是实际上她5年患上癌症的概率只有7.4%，这个概率高不高？显然相对于普通人群是高很多，但是我们要知道，如果人或的足够长，患癌的概率高达40-50%。因此安吉丽娜朱莉的患癌特别是乳腺癌的几率并没有她的医生认为的那么高（87%）。
岳东晓：概率问题贝叶斯定理推导与误区
我们考虑：一个人有X病 （A）并且检测结果为 X阳性 （B）的概率。 我们可以想象将所有人全部进行X检测，并且进行 X 诊断，而考虑检测为阳性、并且诊断为有X的比例。
有两种计算方法。
一是：有X病，然后去检测为阳性。概率是有病的概率 P（A）乘以这个检查的准确概率 P(B|A)： P(A) * P (B|A) 。P(B|A) 是确实有X病然后测出 X 阳性的概率。
二是：检查X为阳性，然后被确诊为有X病的概率。概率是 P（B）* P(A|B)。这里 P(A|B) 是测出X阳性而确实有X病的概率。
袁贤讯：概率的红旗依然飘扬——兼议近期贝叶斯的讨论
现代定量风险分析可谓奠基人之一的Stanley Kaplan曾经说过，风险交流的两个基本定理是：
Theorem 1: 50% of the problems in the world result from people using the same words with different meanings.
Theorem 2: The other 50% comes from people using different words with the same meaning.
诚哉斯言！贝叶斯方法讲的是什么？它讲的是在不完全信息下的归纳逻辑。
大家比较熟悉的逻辑是： 如果命题&A则B&成立, 那么其逆否命题&非B则非A&亦成立。这里的&成立&是说100%概率。因此，那是一种确定性逻辑。
在现实生活中，我们没有百分百的把握。托马斯-贝叶斯的伟大之处在于，他将命题的不确定性引进来，再看答案如何。用数学的语言描述就是：
假设 Pr(A|B) = p. 那么Pr(B|A) = ?
用一个具体的例子来说明这个问题。某医疗检测技术针对爱滋病的确诊率为99.99%。某君G检测为阳性，请问G君患爱滋病的概率是多少？
为了讨论的方便，令A = 爱滋病，B=检测结果显示阳性。为了避免定理一、二中所描述的错误，让我们定义确诊率为Pr(B | A）。
问题再问一遍： 已知Pr(A|B) = 99.99%，Pr(B|A) = 99.99%吗？
好，启发式教学到此为止，剩下的都是历史，The rest is history. 有兴趣的读者可以再看还有更早写的？
徐晓：简说一道概率题的问题
在假设检验理论中，概言之，我们是针对某个假设而制定检测实验的，如果这个实验结果支持假设，我们就说这个这个实验结果是阳性的；不支持，就说检测结果是阴性的。我们用一种仪器去检测某人是否有某种病，那么我们用的假设就是&某人有某种病&，如果仪器检出来的各项指标综合起来支持某人患有某种病的假设，我们就说检测结果呈阳性，否则就说检测结果呈阴性。
因此上面题目首先就把&阳性&和&阴性&的概念搞错了。对于有病的人，如果检测结果呈阳性，那么这个检测结果就是真阳性；如果检测结果呈阴性，那么这个检测结果就是假阴性。对于没病的人，如果检测结果呈阳性，那么这个结果就是假阳性；如果检测结果呈阴性，那么这个结果就是真阴性。
为了使这些概念清楚，我用一个表来展示（即高山说的&模糊矩阵&（confusion matrix），实际上应该翻译为混淆矩阵。模糊矩阵（fuzzy matrix）是模糊数学用的，不是这个矩阵）：
检测结果呈阳性
检测结果呈阴性
所以对于有病的人，我们谈的是真阳性和假阴性，而不是真阳性和假阳性；对于无病的人，我们谈的是假阳性和真阴性，而不是假阴性和真阴性。所以，这一点，题目完全说错了。
而综合这个题目的上下文，其正确的对应数据如下表：
检测结果呈阳性
检测结果呈阴性
应行仁：预测混淆与贝叶斯公式
但是高同学咭言，从检查结果得到患病概率不必用贝叶斯公式计算，直接从混淆矩阵统计就可得出，这个知识点被大家忽略了。这既怪他理解模糊，也怪围殴者把混淆打成了糊涂，其实这矩阵表达的是辨识混淆的状态分布，是可以直接从中得到王宏得病概率的。
自从1998年Ron Kohavi和FosterProvost用混淆矩阵（confusion matrix）来说明预测误差与分类辨识的关系，得以厘清识别训练追求的目标，它已成为机器学习以及数据科学的基本知识。以此来解释各种误差指标和预测的效用，远比通过概率和贝叶斯公式来得直观清晰。下面普及混淆矩阵这个知识点，不从主观概率角度，只用统计比例来谈王宏患病的可能性。在思考进化论问题的时候，得到了很多前辈的指导，甚至为此还买了很多书，事实上，进化论和数学有着极大的关系，特别是概率问题。当然，我们说的是随机概率。不过当我做了很多实验后，我知道，概率不可靠，因为概率告诉我们，事情有无数可能，但是实验和经验的结果告诉我们，但事情变的复杂后，当概率的基数和可能非常大以后，事情只有一个结果，或者指向一种形式的结果。红、绿、蓝三种油漆混合后只有一种颜色黑色，而不会出现任何其他的结果，虽然根据数学的概率，应该有可能自动画出一幅《蒙娜丽莎的微笑》。　　问题提的直接简单点：“你站在10亿前的地球上，面对死水汪洋，静静等待几亿年，就能看到一条鲸鱼从水里窜出来吗？”　　人都不喜欢等待，但是根据数学，你必须耐心的等待一切事情的发生，最有，总有一个结果让你惊喜……包括让一头智商不变的猪随机的敲击键盘，只要你有足够的耐心，最后终究这只猴子会打字打出一部完整的120回本《红楼梦》。　　这就是数学告诉我们的可能性，虽然概率可能只有天文数字分之一，
但是，奇迹是有可能的，数学作为最可靠的科学，总会给我们信心，虽然也需要我们有耐心。　　不过等等，数学很励志，现实却很残酷，
你如果真有耐心，不用几亿年，几天后你就会对打字的猪完全失去信心——猪是不会创造出红楼梦的。　　同理，根据概率论，如果你把墨汁倒进水杯的水里，融合后，总有一种概率是：“左半杯是墨汁，右半杯是清水”，但实验的结果是只有一种可能“水杯里是完全混合的墨汁和水”。　　再同理，根据数学的概率论，我们地球可能会出现这样一种随机情况：“赤道以北全是男人，赤道以南全是女人”，当然，这涉及到人的主动非随机的问题，那么，简单点，旅游旺季，当天安门广场上全是的游客的时候， 左边全是女人，右边全是男人。
事实上，这也不太可能。　　最后，当电影院里放映一部不适合情侣看的电影的时候，如果超过900个座位的影厅坐满，而且这些观众完全不是被组织和相互约好的，那么概率告诉我们，会出现左边座位全是男人，右边座位全是女人的情况，而且这个概率不是天文数字分之一哦。　　如果谁能照到这样照片，完全无PS，并且有证据证明这些观众没有被刻意安排，而是随机坐座位的。
那么我愿意给这个照片的提供者10万元。　　其实这是不可能的，水泥搅拌工会告诉你，水泥加水和石头搅拌的成品只有混凝土，不会有别的。事实上，我不认为那个在远古地球海边的人从什么都没有的海里能等到鲸鱼的出现。
楼主发言：1次 发图：0张 | 更多
　　不知所云
　　有点领悟　　
　　领悟中，眼前一亮！　　
　　我 支持 物种起源 智慧设计论
　　人被砍去脑袋以后，只有一个结果：死去。　　这与概率没有关系。
　　找就想过楼主的问题了　　从大爆炸开始　　地球 因为一个偶然诞生了　　因为一个偶然，地球在合适的轨道上，并且还有了水　　因为一个偶然，竟然有了动物，　　因为一个偶然，某各动物竟然有了智慧　　因为一个偶然，我出现了。。　　因为一个偶然，我看到了楼主的帖子。。。　　如果一个人中500万，我相信他是运气；如果一个人天天中500万，我只能说他在作弊。　　就像你我同时在一个帖子里面出现一样。
　　哈哈哈　　楼上的各位，
如果真要搞清这个问题，最著名的实验是无干扰抛硬币：　　随机抛硬币，那么正反面的概率都是50%
，根据理论，完全有可能10000次都是正面，而没有反面。　　但概率又告诉我们，如果基数越大，那么事件发生的概率越平均,发生事件的比率越接近概率。　　也就是说，你抛10次硬币，可能10次都正面的情形是有的，好比赌场开大小，的确有10次连续开大。　　但是实际上，概率又告诉我们，事实也是如此：
你抛的越多，正方面的出现比例越接近1:1，也就是50%。　　如果抛10000次，相信正面和反面的次数都非常接近5000次。
这就是实际的情形，这也就是为什么油漆混合后不可能五彩斑斓，水泥搅拌后不会水是水，沙是沙…………　　随机选择中，基数越大，越接近同一个结果……没有猪能打出《红楼梦》，虽然大科学，尤其是天文物理学家，比如霍金喜欢举这个例子。　　我相信数学家有更好的解释，只是我想的太简单了……
　　根据上面，
概率论有潜在自相矛盾的嫌疑
　　。。。晕……
　　先m一下·····
　　你先把概率论看完了再来讨论这个问题，别拿着中学的那一套来理论，那大部分都有问题　　
　　@xdnzxy
楼上的，不是越看越觉得糊涂么……到底是基数越大导致趋向一个结果还是更多的存在无数的可能？
概率论自己也没说清楚么……　　而且，你拿这个压我，怀疑你根本自己也不清楚……
　　你要是觉得我说错了，大可以拿出你的论据来，而不是像我以前的数学老师，遇到自己不会解的难题就这么干：“嘿，小子，你无知啊！我懒得和你说，你自己翻书吧！书里全有！”
　　不剥开具象的现象去推理抽象的逻辑（数学）都是属于没好好读书却又异想天开的2B青年
　　小概率事件　　
　　当电影院里放映一部不适合情侣看的电影的时候，如果超过900个座位的影厅坐满，而且这些观众完全不是被组织和相互约好的，那么概率告诉我们，会出现左边座位全是男人，右边座位全是女人的情况，而且这个概率不是天文数字分之一哦。　　=====================================================================　　lz怎么知道这是不可能的？　　这是小概率事件很难发生，但是lz怎么证明这是不可能的？　　没有发生过的事情是不可能发生的？
　　按照楼上们不经思考的逻辑和明明自己二逼，却胡说的家伙们的想法，将一堆石头和金属还有塑料放在桶里搅拌……　　根据概率，是可能自动生成一台iphone 4s 手机的　　但是不论你怎么做实验，只会得到一个结果：一堆垃圾……
搅拌10亿年，那也还是一堆垃圾，搅拌不出iphone 4s　　我相信数学上会给出答案，至少我知道物理的熵理论可以基本解决　　但是楼上的很多人，纯属二逼思维，自己啥也不知道，就以为自己啥都知道　　这就是这个国度教育的悲哀　　没有怀疑精神，
不愿意深入思考一些基本的现象　　只会思考怎么赚钱
怎么为人处世　　学过的自然知识不加任何理性思考就全当真理……　　然后看到别人有思考了，就大喊二逼，殊不知自己才是二逼　　一辈子活着找不到意义
　　根据概率，总会出现一堆石头和塑料金属会搅拌出一台电脑——但实际上，搅拌多少年的结果都永远只有一个：一堆碎渣。 概率论违反了自然最基本的熵变理论。而科学家们却总是喜欢举概率论例子：猴子可以随机打出一本《红楼梦》，这实际上是不可能的。给你100亿年也不可能。　　数学上的概率虽然对特例情况总是说概率小而已，实际上，不是概率小，而是根本不可能，特别是在需要时间来随机选取的时候，更是一开始就会出现一个可怕的问题：　　抛硬币实验，我们需要随机抛一万枚硬币全部向上的结果，分两种方法抛：　　1、一枚一枚的抛，我们会发现，可能抛几次就宣告实验失败……因为第一次，第二次就可能出现反面。　　2、一次性抛一万枚。 不好意思，几乎每次的结果都是接近。 不过还是有人觉得，这种抛法估计有机会实现全部正面……　　但是概率论却能解决一种100%的情况，
随机给500万人每人一张彩票，只有一张是500万奖券，
派完这些彩票，总有一个人能中奖。　　所以，我们可以得出这样一个结论：　　高度复杂的结构组合不能通过概率的自然随机选择出现，只能通过反熵出现。现实的世界就是这样的，我们制造高度复杂的机器和物体，都是耗费大量的人力物力。随机的无规则选择，基数大的时候，只会出现一个结果：高度平均的混沌态。就像搅拌均匀的一堆面粉。　　猴子永远不能通过随机的打字打出《红楼梦》，概率的确是无限接近于0但不等于0，但事实上，这种情况100%就是等于0.　　《红楼梦》的创作必须是曹雪芹呕心沥血的耗费精力能量，也就是反熵才能出现。
　　这就是对进化论的一点点怀疑。
　　事实我，我觉得楼上所有的人都把生物的复杂性想的太简单了……　　要知道，拿人体来说，其精密程度比10000台航天飞机复杂，而每秒钟发生的人体化学反应种类数以千计……　　人体的各种机制的协调，直到现在，我们人类也只懂皮毛……　　而我们对于遗传信息学的研究水平，完全处于幼稚园阶段……　　打个比方说，人一生下来就知道吃奶，
打喷嚏不会喷出眼珠，这些看似简单的机制，其实是相当复杂的。　　好吧，有人说通过10亿年，数量等级不超过一亿的基数自然随机选择，就能进化出来？　　好吧，不要你随机选择，让超级电脑模拟吧……
最快的计算机可以做到这点……　　可惜我看过的一篇论文之处……
通过超级计算机的模拟，氨基酸们连最简单的细菌结构都组合不出来……　　又或者换一种方法，让生物科学家们不要随机了，刻意的去通过模拟原始地球大气海洋来制造最原始的生物吧！　　抱歉…… 　　只有类似的圆形有机物，和生命还差太远……　　如果谁能模拟原始大气海洋的状况合成了原始生命，也就是一种最原始的细菌，那这个科学家可谓人类文明史上最伟大的科学家，诺贝尔奖都匹配不上……　　可惜现在没有，将来也可能没有这样的科学家……
哪怕他用最快的计算机和最好的实验室……
　　LZ把最基本的小概率事件和不可能事件分清楚再发帖吧。
　　我们假设楼主是男的。　　楼主有爸爸。　　楼主的爸爸也有爸爸。　　楼主的爸爸的爸爸也有爸爸。　　……　　往前推1万年　　……　　楼主的爸爸的爸爸的爸爸的爸爸……的爸爸，也有爸爸。　　请问楼主，1万年前一个男性，在之后的1万年里，其子孙一定会不间断的育有后代，而且后代里一定有男性，这个概率有多大？　　想明白这个问题，你再去考虑进化论也不迟。
　　lz还是好好再看看概率的书吧。　　lz这样的人其实很多，坐在井里，不想爬到井外，却有质疑天的勇气，不知道该赞叹你敢于质疑的勇气呢，还是该可怜你眼界的狭隘。
　　楼主你不就是想否定进化论吗？　　但你讲的这些东西全是在偷换概念，糊弄那些不懂的。　　根据热力学第二定律，孤立系统的确只能越变越乱，不可能出现组织。但是地球的生命系统不是孤立系统，是有物质和能量交换的。熵增原理不能用在这儿。　　还有你举得概率的例子也是在偷换概念。比如，你抛一百个硬币，全部正面朝上概率极小，但是你别忘了，生命形成的过程是一个极其漫长的过程，如果你一秒种抛一次，连续抛十亿年，而且不是一个人在抛，是有无数的人同时抛，连续十亿年，这个数字同样是天文数字。　　还有生命的形成不是一步到位的。比如，你说给你一堆零件，经过一阵搅拌，不肯能拼出IPhone手机，但是人类的IT产品是从零一步到位到IPhone手机的吗？电子产品是一步一步发展而来的，从二极管，三极管，分立元件，集成电路，大规模集成电路，计算机，一直到今天琳琅满目的电子产品。现在，组装一台电脑很容易，因为我们现在都是模块化，直接把各个部件插接起来就可以，没人会用一堆二极管三极管去装电脑。生命的形成也是同样道理，也是高一级的生命元素是由低一级的元素组合而来的。比如，先有了氨基酸，氨基酸结合形成二肽，多肽，在形成蛋白质，蛋白质的种类越来越多，然后形成了具有生命特征的元素，最后形成更复杂的生命体。不要以为生命是由简单分子一下子组合成的
　　楼主的问题在于把某些概率为零的事件理解为小概率事件
　　最后一个例子：900个座位，出现男女各座一半的几率为：　　450/900*449/899*448/898*……=多少？但是这还是可能发生的，在这天文数字中的那么一次。你没看到那是因为这个几率太小了。
　　懂了楼主的意思，的确进化论存在很大疑点，特别是生命起源的问题上。　　
　　但是蒙娜丽莎红楼梦和硬币的例子不恰当，这不是反熵，他们的有序都是人主观认为的，物理上并不反熵　　
　　不错的质疑。
　　建议你看看这个吧，人家的质疑深刻的多，可不是跟你这样一拍脑袋就发现新大陆。http://limiao.net/192　　
　　楼主至少犯了两个错误　　1 不理解什么是小概率事件。　　2 错把数学当物理学了。数学高度抽象，是解决物理问题的工具。而不是物理本身。若不然，给我找一根数学上的直线來看看？概率的应用是需要建模的，模型错，则无论概率理论如何完善，结论也是错的。楼主列举的几个现象根本不适合用概率模型來解决，以墨水为例，没有人傻到用概率解决这问题，这个是浓度和扩散的问题，已经有较完善的微分方程来为此建模了。
　　lz要好好学习那，正所谓　　（p==0)!=(不可能事件）
　　楼上的各位，其实lz的意思是说进化论表明要进化出生命的概率跟一个猴子打出一本红楼梦的概率一样，所以lz怀疑进化论
　　我至今觉得我的怀疑有合理性
　　挖撸主坟 再顶顶撸主的菊花
　　数学最终会走向极端也就会走向灭亡的···啊
世界真清净
　　持续关注中
　　作者：platinaa 时间： 22:43:33　　我们假设楼主是男的。　　楼主有爸爸。　　楼主的爸爸也有爸爸。　　楼主的爸爸的爸爸也有爸爸。　　……　　往前推1万年　　……　　楼主的爸爸的爸爸的爸爸的爸爸……的爸爸，也有爸爸。　　请问楼主，1万年前一个男性，在之后的1万年里，其子孙一定会不间断的育有后代，而且后代里一定有男性，这个概率有多大？　　想明白这个问题，你再去考虑进化论也不迟。　　傻孩子，如果楼主的祖先每次只生一胎，确实可以证明你的观点：再小概率的事件也不等于不可能事件。　　但是，但是，楼主的祖先每次都会生几胎，甚到为了男孩刻意多生，而每一代人都这样的话，概率就相当大了，甚至于到了这一步：　　楼主的祖先的后代里有男孩的机率接近百分之百。　　而楼主的出现恰好说明了，这个刻意多生男孩的反熵现象，或者叫高等生物的本能吧，才是楼主得以必然出现的原因，而不是所谓的小概率事件造成楼主的偶然出生。　　看来逻辑是个好东西。你想用反证法驳楼主，没想到恰好证明了楼主的怀疑有道理。
　　如果概率论能够几句话说明白，那就不是概率论了。楼主真学过概率论？
　　我很同意楼主的观点，大数定理说的就是这个。我劝那些动不动就不懂概率论的人别用这种语气嘲讽别人，如果一件事超出了科学的解释范畴，硬要用科学解释就会得出很愚蠢的结论。　　
请遵守言论规则，不得违反国家法律法规回复(Ctrl+Enter)}