# 第11章：概率：缺少参照类的奇怪情形

前面各章让我们初步认识了哪些推断是演绎有效的，以及为什么。现在该回到归纳有效性这个问题了，它是这样一些推断的有效性：前提对结论提供了根据，但即使在某个情形下前提都为真，结论仍然可以为假。

正如我在第 1 章中提到的，夏洛克·福尔摩斯很擅长这类推断。让我们以他的一个推断作为例子开头。《红发会》之谜是这样开始的：福尔摩斯和华生博士受到了来自 Jabez Wilson 先生的拜访。当 Wilson 进来后，华生想看看福尔摩斯对他作了哪些推断：

> “他干过一段时间体力活，吸鼻烟，是共济会成员，去过中国，最近写过不少东西，除了这些显而易见的事实外，我推不出什么别的。”
>
> Jabez Wilson 从他的椅子上突然站起，手指仍然压着报纸，但眼睛已经转向我的同伴。
>
> “我的天呐，福尔摩斯先生，你怎么知道所有这些的？”他问道。

福尔摩斯高兴地进行了解释。比如，关于写作：

> “你右手袖子上足有五寸长的地方闪闪发光，而左袖靠近手腕经常贴在桌面上的地方打了个整洁的补丁。这还能说明什么别的吗？”

尽管福尔摩斯习惯把这样的推断称为演绎，它事实上是一个归纳推断。完全有可能 Wilson 的外套会呈现上述特征但他并没有从事过大量写作。比如，他可以从某个从事过大量写作的人那里偷来这件外套。但是，福尔摩斯的推断无疑是一个很好的推断。是什么使得这个推断，以及这类推断是好的呢？一个合理的回答是使用概率进行解释。因此，让我们先来谈一下概率，然后再回到这个问题。

概率就是指派给语句的一个数字，用来度量该语句为真有多大可能（在某种意义上）。让我们把 $$a$$ 的概率记作 $$pr(a)$$。按惯例，我们用 0 和 1之间的数值来度量概率。若 $$pr(a)=0$$，则 $$a$$ 确定为假；随着 $$pr(a)$$ 增加，$$a$$ 为真的可能性就越大，直到 $$pr(a)=1$$，$$a$$ 确定为真。

关于这些数字还有什么其他可说的呢？让我们用一个简单的例子来解释。假设我们考虑某个特定星期的那些天。令 $$w$$ 为每天要么为真要么为假的语句，比如“今天暖和”，令 $$r$$ 是另一个这样的语句，比如“今天下雨”。相关信息由下表给出：

|       |  周一 |       周二       |       周三       |       周四       |  周五 |       周六       |       周日       |
| :---: | :-: | :------------: | :------------: | :------------: | :-: | :------------: | :------------: |
| $$w$$ |     |                | $$\checkmark$$ | $$\checkmark$$ |     | $$\checkmark$$ | $$\checkmark$$ |
| $$r$$ |     | $$\checkmark$$ | $$\checkmark$$ |                |     | $$\checkmark$$ |                |

打勾表示语句在那一天为真，空白表示不为真。

现在，如果我们谈论的是这个特定的星期，随机选取的一天是暖和的概率是多少呢？有 4 天暖和，总共有 7 天。因此概率是 4/7。类似的，有 3 天下雨，因此下雨的概率是 3/7：

> $$pr(w)=4/7$$
>
> $$pr(r)=3/7$$

一般地，如果我们将 $$a$$ 为真的天数记为 $$#a$$，将总天数记为 $$N$$，则：

> $$pr(a)= #a/N$$

概率如何与否定、合取和析取相联系呢？首先看否定。$$\neg w$$ 的概率是多少？有 3 天不是暖和的，因此 $$pr(\neg w)=3/7$$。注意到 $$pr(w)$$ 和 $$pr(\neg w)$$ 加起来等于 1。这并非偶然。我们有：

> $$#w+#\neg w=N$$

两边除以 $$N$$ 得到：

> $$\dfrac{#w}{N}+\dfrac{#\neg w}{N}=1$$

即，$$pr(w)+pr(\neg w)=1$$。

合取和析取的情况如下：有 2 天既暖和又下雨，因此 $$pr(w\land r)=#(w\land r)/N=2/7$$。有 5 天暖和或者下雨，因此 $$pr(w\lor r)=#(w\lor r)/N=5/7$$。这两个数字之间有什么关系呢？为了找出 $$w\lor r$$ 为真的天数，我们可以先把 $$w$$ 为真的天数和 $$r$$ 为真的天数加起来。这还不完全对，因为有些天被计算了两次：周三和周六。这两天既下雨又暖和。因此为了得到正确的数字，我们得减去二者都为真的天数：

$$
\#(w\lor r)=#w+#r-#(w\land r)
$$

两边除以 $$N$$ 得到：

$$
\dfrac{#(w\lor r)}{N}=\dfrac{#w}{N}+\dfrac{#r}{N}-\dfrac{#(w\land r)}{N}
$$

即：

$$
pr(w\lor r)=pr(w)+pr(r)-pr(w\land r)
$$

这是合取式和析取式概率的一般关系。

上一章我们看到，真的程度也可以用 0 和 1 之间的数来度量。因而我们也许会自然地认为，真的程度与概率是一样的。它们并不一样。特别的，合取和析取以完全不同的方式运算。对真的程度，析取是一个真值函数。具体而言，$$|w\lor r|$$ 是 $$|w|$$ 和 $$|r|$$ 的极大值。但我们刚才已看到，$$pr(w\lor r)$$ 并不由 $$pr(w)$$ 和 $$pr(r)$$ 单独决定。特别的，对我们的 $$w$$ 和 $$r$$，$$pr(w)=4/7$$，$$pr(r)=3/7$$，而 $$pr(w\lor r)=5/7$$。但如果 $$|w|=4/7$$ 且 $$|r|=3/7$$，则 $$|w\lor r|=4/7$$ 而不是 $$5/7$$。

在我们回到归纳推断之前，我们还需要一点关于概率的知识。给定我们的样本星期，随机选取的某天下雨的概率为 3/7。但假设你知道选取的那天是暖和的，那么那天下雨的概率是多少呢？有 4 天是暖和的，但其中只有 2 天下雨，因此概率为 2/4。这个数字称为**条件概率**（*conditional probability*），记作 $$pr(r|w)$$，表示给定 $$w$$ 的条件下 $$r$$ 的概率。如果我们稍加思考，就能给出计算条件概率的一般公式。我们是怎么得到 2/4 这个数的呢？首先，我们把自己限制在 $$w$$ 为真的那些天，然后用其中 $$r$$ 为真的天数（即 $$w$$ 和 $$r$$ 都为真的天数）除以这个天数。换言之：

$$
pr(r|w)=#(w\land r)\div#w
$$

运用一点代数知识，这等于

$$
\dfrac{#(w\land r)}{N}\div\dfrac{#w}{N}
$$

而这就是 $$pr(w\land r)\div pr(w)$$。

因此，下面是计算条件概率的一般公式：

$$\mathbf{CP}:\ pr(w|r)=pr(w\land r)/pr(w)$$

应用该公式要小心一点。除以 0 是没有意义的。比如，3/0 没有值。数学家称这种比率是**未定义的**（*undefined*）。在计算 $$pr(w|r)$$ 的公式中，我们用 $$pr(w)$$ 作除数，这只有在它不等于 0 时才有意义，即只有在 $$w$$ 至少有时为真时才有意义。否则，这个条件概率就是未定义的。

现在我们终于能回到归纳推断上来。一个推断是归纳有效的是指什么呢？就是前提使得结论比其否定更加可能。即，给定前提（或多个前提的合取）$$p$$ 的条件下，结论 $$c$$ 的条件概率大于 $$c$$ 的否定的条件概率：

$$
pr(c|p)>pr(\neg c|p)
$$

因此，如果我们对我们举例说明的星期进行推理，以下推断：

> 这天下雨；因此这天暖和

就是归纳有效的。因为容易验证，$$pr(w|r)=2/3$$ 而 $$pr(\neg w|r)=1/3$$。

这个分析可以用来表明，为什么我们开头那个福尔摩斯的推断是有效的。 福尔摩斯得出结论说 Jabez Wilson 从事过大量写作（$$c$$）。他的前提大致意思是，Wilson 的夹克上有一些特定的穿着标记（$$p$$）。现在，假如我们回到福尔摩斯时代的伦敦，聚集所有那些有上述磨损袖口的人，那么其中大多数会是职员，工作时间都花在写作上——或者我们可以假设如此。这样，给定 Jabez 的外套具有那些标记的条件下，Jabez 从事过大量写作的概率就比没有更高。福尔摩斯的推断的确是归纳有效的。

我将以我刚给出的这套工具产生的一个难题结束本章。我们已看到，概率可以计算为一个比率：我们选取特定的参照类，计算其中各组的数字，然后做些除法。但我们使用哪个参照类呢？在关于天气的示例中，我一开始限定了所考虑的参照类：某个特定星期的那些天。但现实生活问题不会以这种方式提出。回到 Jabez Wilson 的例子。要计算这种情况的相关概率，我建议采用的参照类是福尔摩斯时代的伦敦居民。但为什么是这个呢？为什么不是整个英国的居民，或者欧洲的居民，或者只是伦敦居民中的男性，或者只是那些能来拜访福尔摩斯的人？也许，在这里的某些情形，并没有太大差别。但在其他情形当然会有区别。比如，来拜访福尔摩斯的人都相对富有，不太可能穿二手外套。在更大的人群中情况会完全不同。那么，什么才应该是恰当的参照类呢？这是某种程度上让精算师（为保险公司计算风险系数的人）彻夜不眠的问题。

在上一个分析里，最精确的参照类似乎就只包含 Wilson 本人。毕竟，关于**其他人**的事实最终和他有多大关系呢？但这样一来，他要么从事过大量写作，要么没有。在第一种情况下，给定他有闪亮袖口的条件下他从事过大量写作的概率为 1，因而推断有效；在第二种情况下，概率为 0，因而推断无效。换言之，该推断的有效性完全依赖于结论的真假。因此，你无法为了确定结论的真假而使用这个推断。如果我们走到这个地步，那么给出的有效性概念就毫无用处了。

> 本章要点
>
> * 一个陈述的概率是它为真的情形的数量除以参照类中情形的数量。
> * $$pr(\neg a)=1-pr(a)$$
> * $$pr(a\lor b)=pr(a)+pr(b)-pr(a\land b)$$
> * $$pr(a|b)=pr(a\land b)/pr(b)$$
> * 一个推断是归纳有效的，当且仅当给定前提（的合取）的条件下，结论的条件概率大于其否定在给定前提（的合取）的条件下的条件概率。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://wxflogic.gitbook.io/logic/chapter11.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.