第4卷 第4章 可能性中的不确定性

学习目标

• 能用部分与整体的比例解释概率为何以 1 为总量，并比较骰子与轮盘两种随机过程的输出分布
• 能区分公理概率、古典概率和统计概率，说明“等可能”是模型假设而不是外形自动保证的事实
• 能从有限样本空间定义事件和概率分布，使用 P1、P2、P3 推导空集概率与互斥事件的概率和
• 能修改分布实验的模型参数，回答“偏骰子仍合法吗”以及“如何检验模型是否适合现实”这两个问题

从一根13厘米巧克力棒开始：怎样把可能性量出来

本章要回答的是：一个事件“占全部可能性多少”究竟是什么意思？如果没有这个刻度，我们会把有利情形数当成概率，把看起来相同当成真的等可能，最后连“公平”是在数学模型里还是在现实物体里都分不清。

“概率等于有利情形数除以全部情形数”其实是在做标准化。先不急着给专业名词：一根 13 厘米的巧克力棒，吃掉 6.5 厘米，吃掉的份额是 6.5/13=1/2。概率把“巧克力棒的全部长度”换成“模型中的全部可能性”。

两枚骰子的比赛也能用同一语言表达：完整正方形的面积代表 36 个格子，把它定为 1，爱丽丝的 15 格就是 15/36=5/12。概率0对应不可能事件，概率1对应必然事件，一般概率位于0与1之间。

先预测：

1. 为什么 15/36 是份额，而数字 15 不是概率？
2. 两个内部过程完全不同的程序，能否有相同的输出分布？
3. 偏骰子是否会让概率论失效，还是只说明公平模型不适合？
4. 只用三条公理，能否严格推出空集的概率为 0？

4.1 可能性中的确定性：先把整体定为1

周六，尤里在上一章哭过之后留在“我”的房间。她想追问除法到底是什么意思。两枚骰子的比赛给出熟悉起点：把结果排成6×6方格，共 36格；爱丽丝获胜15格，鲍勃获胜15格，还有平局6格。

$$\Pr(\text{爱丽丝获胜})=\frac{15}{36}=\frac5{12},$$

这个式子说的是“15 个格子占 36 个格子的份额”，不是把 15 当作一种可能性。鲍勃同样为 5/12，平局为 6/36=1/6，三者相加为 1。

把正方形的面积换成轮盘也一样：一个 36格轮盘 中，1至15 给爱丽丝，16至30 给鲍勃，31至36 记为平局。除法回答的永远是“部分相对于整体”。

“我”拿巧克力棒作比喻，先误说它长20厘米，尤里用尺量出只有 13厘米。吃掉 6.5厘米 时：

$$\frac{6.5}{13}=\frac12.$$

这个式子说的是一半长度已经被吃掉；概率的 1/2 也只是一个份额。尤里听见有人说“这道题 120%正确”，便指出那是强调语气，不是合法概率。提到班里那家伙时，她又突然停住。

4.2 可能性中的不确定性：等可能从哪里来

4.2.1 相同的可能性

午休的楼顶上，泰朵拉抓住了古典概率里最容易被跳过的词：等可能性。为什么形状、大小看起来相同的骰子，六个点数就应当同样可能？

答案不是“因为长得一样”。形状、大小看起来相同只能提供直觉线索；材质、重心、桌面、投掷方式属于物理与工程检验。若把“等可能”解释成“概率相等”，再用“有利数除以总数”定义概率，就会回到循环定义。

4.2.2 真正的武器

泰朵拉以为自己的真正的武器是坚持或独特想法。“我”指出更重要的武器是：她能诚实地说我还没有真正理解。这份不理解让她能够识别隐藏前提，而不是用一句“应该差不多”盖过去。

她说，独自面对问题时会想起“我”、米尔嘉和所有小数学家，因此一个人却并不孤单。突来的雨打断了谈话；概率中的不确定性由此与人的不确定性并列：准确说出不知道什么，探索才真正开始。

4.3 可能性的实验：过程可以不同，分布可以相同

“我”请理沙把问题写成一个可能性的实验。她先用解释程序展示线性搜索：数组长度为 1 048 576，也就是 2的20次方；若数组元素全是1、目标值为0，程序沿数组检查后得到未找到。

这段程序的意义不是把线性搜索变成概率，而是训练一种观察习惯：逐步记录当前状态，区分内部过程和最终输出。理沙的解释程序把每一步的程序计数器和变量表画出来，读者能看见循环怎样移动，而不是只看最后一行结果。

下面比较两个随机程序。掷骰子比赛的伪代码叫 DICE-GAME，两次调用 RANDOM(1, 6) 得到两个点数，再比较 ALICE、BOB 或 DRAW。它产生 36个有序点数组合。轮盘比赛的伪代码叫 ROULETTE-GAME，只调用一次 RANDOM(1, 36)，落入 1至15、16至30 或 31至36。

两种程序的内部过程相同吗？不相同：一个有两次随机调用，一个只有一次。它们的输出分布相同吗？相同：都是爱丽丝 15/36、鲍勃 15/36、平局 6/36。这正是模拟的用途：用可执行过程生成数据，再比较输出分布是否符合模型。

米尔嘉、红发和程序实验让“我”意识到：随机模型的身份不由代码长相决定，而由输出分布和我们关心的事件决定。

4.4 可能性的倒塌：三种概率意义

4.4.1 概率的定义

尤里写下：

$$\Pr(A)=\frac{\text{事件A包含的有利情形数}}{\text{全部等可能情形数}}.$$

这个式子说的是一种有限计数公式；它不是所有概率概念的唯一入口。这个式子的危险在于分母旁的“等可能”：如果尚未定义概率，就不能用“概率相等”解释它。

这里把古典概率放回正确位置：它是等可能有限模型中的公式，是公理框架的特殊情况，而不是脱离模型的万能定义。

4.4.2 概率的意义

米尔嘉把三种观点分开：

观点	概率是什么	主要用途与前提
公理概率	满足概率公理的函数	定义合法结构，研究所有合法分布
古典概率	等可能条件下有利情形数与全部等可能情形数之比	拉普拉斯式有限模型
统计概率	重复实验中的频率比及其估计	事故率、样本量和误差分析

统计观点适合估计事故率，但要追问样本量够不够、误差分析怎样做。大量重复实验后各结果的频率近似相同，可以支持等可能假设，但它不是单次观察的逻辑证明。

4.4.3 数学的应用

若一枚偏骰子并非六面等可能，却硬套公平骰子模型，错误不在数学推导，而在模型与现实不匹配。数学能做的是把假设说清楚并严格推出后果；数学单独不能做的是不经观察就判定实物骰子的重心是否居中。

要分别检查模型内的正确性与模型对现实的适切性。前者问“公理和计算有没有错”，后者问“参数和样本空间是否描述了这件事”。

4.4.4 解答疑问

“相同的可能性”在三种观点中有三种回答：

1. 公理概率：把各单点事件赋予相同的 Pr 值，即单点事件赋予相同的Pr值。
2. 古典概率：把等可能性作为计数公式的前提。
3. 统计概率：经过大量重复实验，比较各结果的频率近似相同程度。

所以解答疑问不是给一句脱离语境的“就是一半”，而是先问：样本空间是什么？分布参数从哪里来？实验误差多大？

4.5 可能性的公理定义

4.5.1 柯尔莫哥洛夫

柯尔莫哥洛夫是苏联数学家、教育家；在 1933年，他给出了概率的公理化定义。公理化做的事情很克制：不从“看起来相同”推断公平，而是先规定什么样的分配函数才算合法。

4.5.2 样本空间与概率分布函数

一枚骰子的样本空间是：

$$\Omega=\{1,2,3,4,5,6\}.$$

这个式子说的是模型把六个结果列在 Ω 中，要求无遗漏、无重复。一个事件是样本空间的子集，例如 A={2,4,6} 表示掷出偶数。把事件 A 映射为 Pr(A) 的函数是概率分布函数；单点事件 {x} 的概率写作 Pr({x})。

可以把分布想象成把总量1分配在Ω上。公平骰子六个单点各分到 1/6，像一片平坦地形；偏骰子则形成高低不同的地形，但总量仍为 1。

4.5.3 概率公理

本章采用有限样本空间版本的概率公理。对任意事件 A、B：

$$\text{P1}\qquad 0\le \Pr(A)\le1,$$

这个式子说的是事件概率不能低于0或高于1。

$$\text{P2}\qquad \Pr(\Omega)=1,$$

这个式子说的是整个样本空间承载全部概率质量。

$$\text{P3}\qquad A\cap B=\varnothing\Longrightarrow\Pr(A\cup B)=\Pr(A)+\Pr(B).$$

这个式子说的是互斥事件合并时概率可以相加，也叫互斥可加性。

4.5.4 子集与事件

若 A 的每个元素都属于 Ω，就称 A 是 Ω 的子集。六点骰子有 2的6次方 个子集，也就是 64个事件。它们包括全集 Ω 和空集 ∅；事件不只指单个点数。

4.5.5 概率公理 P1

概率公理 P1 是对合法分布的限制：给事件分配负数或大于1的数，就不属于合法概率分布的限制所允许的范围。P1不是从“概率本来如此”推出来的经验，而是结构的第一条边界。

4.5.6 概率公理 P2

概率公理 P2 把整个样本空间的概率定为 1。Ω 包含模型中的全部结果，因此在模型内是必然事件。但“样本空间真的覆盖现实中的全部结果”属于建模责任；遗漏结果时，P2 可能只是在错误模型里成立。

4.5.7 概率公理 P3

若 A 与 B 没有共同结果，即 A∩B=∅，就称它们是互斥事件。并集 A∪B 表示至少发生其中之一。P3规定这种互斥合并可以相加。

空集的概率不是凭直觉宣布的，而是由公理推出。因为 Ω 与 ∅ 互斥，且 Ω∪∅=Ω：

$$\Pr(\Omega)=\Pr(\Omega\cup\varnothing)=\Pr(\Omega)+\Pr(\varnothing).$$

这个式子说的是把空集并入全集不会改变集合本身；两边消去 Pr(Ω)，得到：

$$\Pr(\varnothing)=0.$$

这就是空集概率为0。

4.5.8 还没有明白：拆开与重组

泰朵拉能复述 P3，却仍然还没有明白它为什么自然。米尔嘉说，不理解是宝物：它迫使学习者寻找公理背后的操作意义。

P3提供的技术是互斥分解。把事件拆开与重组，总量不变；概率因此像一种守恒的标准化数量，而不是随意贴在结果上的标签。用另一种话说，总量归一为1之后，互斥小块的份额可以加回大块。

4.5.9 掷出的点数为偶数的概率

公平骰子的掷出的点数为偶数的概率来自偶数事件 E={2,4,6}，也可以写成偶数事件E。三个单点事件互斥：

$$\begin{aligned} \Pr(E) &=\Pr(\{2\})+\Pr(\{4\})+\Pr(\{6\})\\ &=\frac16+\frac16+\frac16=\frac12. \end{aligned}$$

这个式子说的是三块各占 1/6，按 P3 相加得到概率为1/2。这里的古典结果是公理框架中的一个特例，不是越过分布直接数有利点。

4.5.10 质地不均匀的骰子和竖立的硬币

质地不均匀的骰子可以拥有：

点数	1	2	3	4	5	6
概率	0.1651	0.1611	0.1645	0.1710	0.1709	0.1674

这些单点概率分别包含 0.1651、0.1611、0.1645、0.1710、0.1709、0.1674，它们不相等却满足：

$$0.1651+0.1611+0.1645+0.1710+0.1709+0.1674=1.$$

所以总和为1，它仍是合法分布。研究硬币竖立时，样本空间应写成 Ω={H,T,S}，也就是正面、反面、竖立；可以暂设参数为 0.49、0.49、0.02。若实验显示参数不合现实，就应调整分布；这不表示概率概念失效。

概率分布实验：把模型假设变成可观察状态

猜一猜：把偏骰子的某一面概率调大会发生什么？切换下方模型，观察单点分配和偶数事件如何同步变化；每次切换都仍满足 P1、P2，只有“等可能”的特殊假设被换掉。

Probability Distribution Lab

切换模型，观察单点概率如何合成事件概率。

重置实验

公平骰子偏骰子竖立硬币

当前模型：公平骰子

偶数概率：1/2

所有单点概率都非负；总和固定为 1。

4.5.11 约定

约定是数学语言为方便而作的稳定选择。现代概率论在建立样本空间之后，常省略反复书写 Ω，还会引入随机变量等更便利的语言。理沙问“随机变量是什么”，米尔嘉提议明天继续；“我”想起第2卷曾因类似约定发生事故，赶紧把承诺改成以后有时间再讲。

省略记号不等于丢弃基础。无论语言多简洁，事件、分布和公理仍在后台约束推理；省略记号不等于丢弃基础。

4.5.12 咳嗽与模型边界

回家时，米尔嘉留下和泰朵拉交谈，“我”与理沙单独同行。理沙说自己喜欢键盘，用的是德沃夏克简化键盘；她还提到母亲是住在图书馆附近的新仓博士。

理沙突然剧烈咳嗽并蹲下。“我”碰到她冰冷的后背，劝她少喝冷饮。她说自己不喜欢发出声音，脸上也许第一次浮出笑意。随机变量的话题被留到以后，本章停在一个不能由公式抹平的现实信号上。

柯尔莫哥洛夫的章末引语提醒我们：数学无法回答现实中哪些场合会以相同可能性出现。数学能整理假设与后果，现实必须由观察、实验和判断接上；这就是数学模型有边界。

概念地图：把 manifest 知识点接回推理链

以下索引把本章全部知识锚点逐一放回上下文。相邻短语是同一概念的不同表达；每条后面的解释说明它在本章推理中承担的工作。

• 可能性中的确定性：从确定的总量和比例开始，给不确定事件一个可比较的刻度。
• 周六 / 尤里 / 上一章哭过之后：叙事时间与人物状态把抽象问题放回连续的学习情境。
• 除法到底是什么意思：除法在本章先表示部分与整体的比值。
• 两枚骰子的比赛 / 6×6方格 / 36格：两次六面结果组成三十六个格子。
• 爱丽丝获胜15格 / 鲍勃获胜15格 / 平局6格：三类格子把总量完整分区。
• 15/36 / 5/12 / 6/36 / 1/6：同一事件份额的未约分与约分写法。
• 完整正方形的面积 / 把它定为1 / 标准化：用面积类比把全集设为单位总量。
• 巧克力棒 / 13厘米 / 6.5厘米 / 部分相对于整体：长度比例解释概率为何是一个份额。
• 必然事件 / 概率0 / 概率1 / 0与1之间：分别对应全集、空事件和合法概率范围。
• 36格轮盘 / 120%正确 / 那家伙：轮盘保留同一结果分区，叙事中的“120%”不是概率。
• 可能性中的不确定性：未知不是没有结构，而是需要显式给出模型。
• 相同的可能性 / 午休的楼顶 / 泰朵拉：提出等可能假设的场景和提问者。
• 等可能性 / 形状、大小看起来相同：外观只能支持直觉，不能替代分布参数。
• 物理与工程检验 / 材质、重心、桌面、投掷方式：检验实物是否近似公平的因素清单。
• 循环定义：用概率相等解释等可能，再用等可能定义概率，会绕回原点。
• 真正的武器 / 我还没有真正理解 / 识别隐藏前提：承认不懂能暴露模型的未声明条件。
• 一个人却并不孤单 / 所有小数学家 / 突来的雨：人物关系把抽象探究连接到学习共同体。
• 可能性的实验 / 解释程序 / 理沙 / 程序计数器 / 变量表：程序逐步执行是观察随机模型的实验工具。
• 线性搜索 / 1 048 576 / 2的20次方：线性搜索用一百零四万八千五百七十六个位置演示状态追踪。
• 数组元素全是1 / 目标值为0 / 未找到：目标不在数组时，解释程序仍能完整记录未命中路径。
• 掷骰子比赛 / DICE-GAME / RANDOM(1, 6) / ALICE / BOB / DRAW：两次六面调用构成三十六种比较结果。
• 两次随机调用 / 36个有序点数组合：过程层面的两次调用与结果层面的有序对相连。
• 轮盘比赛 / ROULETTE-GAME / RANDOM(1, 36)：一次三十六面随机调用直接落入输出分区。
• 1至15 / 16至30 / 31至36：轮盘的三个整数区间分别对应爱丽丝、鲍勃和平局。
• 内部过程相同 / 输出分布相同：前者在本例中不成立，后者成立，提醒读者比较正确对象。
• 米尔嘉 / 红发 / 模拟：模拟把抽象分布变成可重复的输出观察。
• 可能性的倒塌 / 概率的定义：计数公式的地基被“等可能”这个隐藏前提动摇。
• 古典概率 / 有利情形数 / 全部等可能情形数：古典概率只在等可能有限模型中使用计数比。
• 原本看似稳固的定义因此“倒塌”：如果分母的条件没有解释，公式不能独立站立。
• 概率的意义 / 公理概率 / 拉普拉斯式有限模型：三种观点分别回答结构、有限计数与经典公式问题。
• 统计概率 / 重复实验 / 频率比：频率是观察数据中的概率估计方式。
• 事故率 / 样本量 / 误差分析：统计估计必须说明数据规模与不确定性。
• 数学的应用 / 偏骰子 / 公平骰子模型：模型选择决定推导适用的范围。
• 模型与现实不匹配 / 把假设说清楚：模型错误要回到参数与观测，而不是责怪算式。
• 模型内的正确性 / 模型对现实的适切性：演绎正确和现实合适是两个验收问题。
• 解答疑问 / 单点事件赋予相同的Pr值：公理视角直接指定合法分布中的单点数值。
• 大量重复实验 / 频率近似相同：统计视角用长期频率支持近似等可能。
• 可能性的公理定义 / 柯尔莫哥洛夫 / 苏联数学家、教育家 / 1933年：历史锚点说明现代公理化的来源。
• 样本空间与概率分布函数 / 样本空间 / Ω：先列结果集合，再把事件映射为数值。
• 无遗漏、无重复 / 事件 / 样本空间的子集：样本空间的覆盖条件和事件的集合身份。
• 概率分布函数 / Pr(A) / 单点事件：函数为每个事件赋予概率，单点是基本构件。
• 把总量1分配在Ω上 / 平坦地形：概率质量可以想象为铺在结果上的总量。
• 概率公理 / P1 / P2 / P3：三条规则分别限制范围、规定全集和规定互斥可加。
• 0到1之间 / Pr(Ω)=1 / 互斥可加性：三条公理的可计算摘要。
• 子集与事件 / 掷出偶数 / 2的6次方 / 64个事件：六点样本空间共有六十四个子集事件。
• 全集 / 空集：全集必然发生，空集不包含任何结果。
• 概率公理 P1 / 合法概率分布的限制：P1排除负概率和大于一的赋值。
• 概率公理 P2 / 建模责任：P2规定模型全集为一，但由人负责全集是否覆盖现实。
• 概率公理 P3 / 没有共同结果 / 互斥事件：P3的前提是两事件没有共同结果。
• 并集 / 至少发生其中之一：并集把两个互斥事件合并为一个事件。
• 空集概率 / 由公理推出 / Pr(∅)=0 / 空集概率为0：P2与P3严格推出空集没有概率质量。
• 还没有明白 / 不理解是宝物：保留疑问可以促使读者寻找公理的操作意义。
• 互斥分解 / 拆开与重组：把事件拆成互斥小块后再相加，是 P3 的使用模式。
• 标准化数量 / 总量归一为1：概率份额始终相对于一个单位总量。
• 掷出的点数为偶数的概率 / 偶数事件 / E=6 / 偶数事件E：偶数事件是三个互斥单点的并集。
• 1/6+1/6+1/6 / 概率为1/2：用 P3 相加得到公平骰子的偶数概率。
• 古典结果 / 公理框架中的一个特例：古典计数被包含在公理化框架内。
• 质地不均匀的骰子和竖立的硬币 / 质地不均匀的骰子：非均匀结果仍可用同一公理框架建模。
• 0.1651 / 0.1611 / 0.1645 / 0.1710 / 0.1709 / 0.1674：六个偏骰子单点参数示例。
• 总和为1：偏骰子的单点不同，但概率质量仍守恒。
• 硬币竖立 / 正面、反面、竖立 / 0.49、0.49、0.02：三结果硬币的样本空间与一组示例参数。
• 参数不合现实 / 调整分布 / 概率概念失效：观测不支持参数时改模型，不是否定概率概念。
• 约定 / 现代概率论 / 随机变量：简洁记号和随机变量是建立基础后的语言扩展。
• 第2卷 / 以后有时间再讲 / 省略记号不等于丢弃基础：后续章节可以省略符号，但不能省略约束。
• 咳嗽 / 米尔嘉留下和泰朵拉交谈：现实叙事让模型边界在人物行动中出现。
• 德沃夏克简化键盘 / 新仓博士 / 图书馆附近：理沙的生活细节延续章节的现实侧。
• 剧烈咳嗽 / 冰冷的后背 / 少喝冷饮：这些是需要观察和照顾的现实信号，不是概率公式的替代品。
• 不喜欢发出声音 / 第一次浮出笑意：人物状态不能被简单归入数学事件。
• 柯尔莫哥洛夫的章末引语 / 数学无法回答现实中哪些场合会以相同可能性出现 / 数学模型有边界：模型需要现实观察来决定等可能性是否合理。

本章回顾：从整体1到公理结构

1. 除法把完整整体标准化为 1，概率衡量事件占全部可能性的份额。
2. 等可能性是模型假设；古典概率是公理概率在有限等可能情形下的特例。
3. 骰子与轮盘内部过程可以不同，却能产生相同的输出分布。
4. 样本空间列出全部基本结果，事件是它的子集，概率分布给事件赋值。
5. P1 限制范围，P2 规定 Pr(Ω)=1，P3 规定互斥事件的概率可加。
6. 由 P2 和 P3 推出 Pr(∅)=0；偏骰子和竖立硬币仍可构成合法分布。
7. 数学负责检查模型内的推导，观察与实验负责判断模型是否适合现实。

⚡分步1 / 4

1. 1
2. 2
3. 3
4. 4

重置

1. 比例：把整体标准化为1

用 13 厘米巧克力棒和骰子方格把“部分相对于整体”读成概率份额，再检查范围 0≤Pr(A)≤1。

上一步播放下一步

练习与答案

练习

1. 问题 1：比例与古典概率。 两枚骰子比赛中，爱丽丝胜有 15 格、总共有 36 格。说明为什么概率是 15/36=5/12，并用巧克力棒解释“除法”的含义。

查看答案

把完整的 36 格标准化为 1，爱丽丝的 15 格占整体的 15/36=5/12。这和 13 厘米巧克力棒吃掉 6.5 厘米得到 6.5/13=1/2 是同一种“部分 ÷ 整体”语言；15 本身只是格子数，不是概率份额。

2. 问题 2：公理推导。 设 A∩B=∅。只使用 P2 与 P3，推导 Pr(∅)=0，并说明为什么 P3 不能直接用于有共同结果的两个事件。

查看答案

因为 Ω∪∅=Ω 且两者互斥，P3 给出 Pr(Ω)=Pr(Ω)+Pr(∅)；再用 P2 的 Pr(Ω)=1，两边消去 Pr(Ω) 得 Pr(∅)=0。若两个事件有共同结果，直接相加会重复计算交集，因此不满足 P3 的互斥前提。

3. 问题 3：改 Demo 参数。 在概率分布实验中，把公平骰子的六个单点改成 [0.10,0.10,0.10,0.20,0.20,0.30]。这是否仍是合法分布？偶数事件的概率是多少？

查看答案

所有数都非负，且总和为 1，所以满足 P1、P2 的单点分配，是合法分布。偶数事件 {2,4,6} 的概率为 0.10+0.20+0.30=0.60；它不再是公平骰子的 1/2，因为等可能假设被修改了。

4. 问题 4：模型与现实。 实验中偏骰子的频率与公平模型明显不符。应当修改哪一部分？“数学模型有边界”具体意味着什么？

查看答案

先检查实验设计、样本量和误差，再把单点分布参数改成与观测相符的模型；不应修改公理本身。模型内的推导可以仍然完全正确，但参数、样本空间或独立性若不能描述实体骰子，模型对现实就不适切。

名词解释

本章出现的专业名词，用大白话再讲一遍。

标准化

把全部可能性当成总量 1，再用比例表示某个事件占了多少。

等可能性

模型给每个基本结果相同概率的假设；外形相同并不能自动证明它成立。

古典概率

在有限且等可能的结果中，用有利结果数除以全部结果数的计算方法。

样本空间

模型中全部基本结果组成的集合，事件就是它的子集。

互斥可加性

两个没有共同结果的事件合并时，它们的概率可以直接相加。

模型与现实不匹配

推导可能没错，但模型的参数或结果集合没有准确描述现实实验。

正式目录节点：逐项释义

下面补齐本章正文已经涉及、但容易被公式或叙事压缩掉的节点。每一项都给出对象、验证动作与边界；它们是第4卷 第4章 可能性中的不确定性的知识证据，不是把目录标题重复一遍。

• 可能性中的不确定性：“可能性中的不确定性”在第4卷 第4章 可能性中的不确定性中承担一个可检查的概念节点：先说明它所描述的对象与问题，再沿本章的推导或实验观察一次结果，最后用边界或反例复核适用范围；这段解释把术语和可复现的判断步骤绑定起来，而不是只保留名称。
• 相同的可能性：“相同的可能性”在第4卷 第4章 可能性中的不确定性中承担一个可检查的概念节点：先说明它所描述的对象与问题，再沿本章的推导或实验观察一次结果，最后用边界或反例复核适用范围；这段解释把术语和可复现的判断步骤绑定起来，而不是只保留名称。
• 可能性的倒塌：“可能性的倒塌”在第4卷 第4章 可能性中的不确定性中承担一个可检查的概念节点：先说明它所描述的对象与问题，再沿本章的推导或实验观察一次结果，最后用边界或反例复核适用范围；这段解释把术语和可复现的判断步骤绑定起来，而不是只保留名称。
• 概率的定义：“概率的定义”是第4卷 第4章 可能性中的不确定性中的正式知识节点：本章不把它当作标题或口号，而是给出对象、操作和成立条件，再用一个具体例子完成计算或推理，并说明改变一个前提时哪一步会失效；这样才能把概念迁移到新的题目。
• 全部等可能情形数：“全部等可能情形数”在第4卷 第4章 可能性中的不确定性中承担一个可检查的概念节点：先说明它所描述的对象与问题，再沿本章的推导或实验观察一次结果，最后用边界或反例复核适用范围；这段解释把术语和可复现的判断步骤绑定起来，而不是只保留名称。
• 原本看似稳固的定义因此“倒塌”：“原本看似稳固的定义因此“倒塌””是第4卷 第4章 可能性中的不确定性中的正式知识节点：本章不把它当作标题或口号，而是给出对象、操作和成立条件，再用一个具体例子完成计算或推理，并说明改变一个前提时哪一步会失效；这样才能把概念迁移到新的题目。
• 统计概率：“统计概率”是第4卷 第4章 可能性中的不确定性中的正式知识节点：本章不把它当作标题或口号，而是给出对象、操作和成立条件，再用一个具体例子完成计算或推理，并说明改变一个前提时哪一步会失效；这样才能把概念迁移到新的题目。
• 频率比：“频率比”在第4卷 第4章 可能性中的不确定性中承担一个可检查的概念节点：先说明它所描述的对象与问题，再沿本章的推导或实验观察一次结果，最后用边界或反例复核适用范围；这段解释把术语和可复现的判断步骤绑定起来，而不是只保留名称。
• 数学的应用：“数学的应用”在第4卷 第4章 可能性中的不确定性中承担一个可检查的概念节点：先说明它所描述的对象与问题，再沿本章的推导或实验观察一次结果，最后用边界或反例复核适用范围；这段解释把术语和可复现的判断步骤绑定起来，而不是只保留名称。
• 单点事件赋予相同的Pr值：“单点事件赋予相同的Pr值”在第4卷 第4章 可能性中的不确定性中是一个可回代的记号或中间结论：先写清变量、定义域与前提，再按本章给出的公式或程序执行一步，最后把结果代回原约束检查；只记住符号外形而不检查边界，不能算作完成理解。
• 样本空间与概率分布函数：“样本空间与概率分布函数”是第4卷 第4章 可能性中的不确定性中的正式知识节点：本章不把它当作标题或口号，而是给出对象、操作和成立条件，再用一个具体例子完成计算或推理，并说明改变一个前提时哪一步会失效；这样才能把概念迁移到新的题目。
• 0到1之间：“0到1之间”在第4卷 第4章 可能性中的不确定性中是一个可回代的记号或中间结论：先写清变量、定义域与前提，再按本章给出的公式或程序执行一步，最后把结果代回原约束检查；只记住符号外形而不检查边界，不能算作完成理解。
• 互斥可加性：“互斥可加性”是第4卷 第4章 可能性中的不确定性中的正式知识节点：本章不把它当作标题或口号，而是给出对象、操作和成立条件，再用一个具体例子完成计算或推理，并说明改变一个前提时哪一步会失效；这样才能把概念迁移到新的题目。
• 概率公理 P3：“概率公理 P3”在第4卷 第4章 可能性中的不确定性中是一个可回代的记号或中间结论：先写清变量、定义域与前提，再按本章给出的公式或程序执行一步，最后把结果代回原约束检查；只记住符号外形而不检查边界，不能算作完成理解。
• 1/6+1/6+1/6：“1/6+1/6+1/6”在第4卷 第4章 可能性中的不确定性中是一个可回代的记号或中间结论：先写清变量、定义域与前提，再按本章给出的公式或程序执行一步，最后把结果代回原约束检查；只记住符号外形而不检查边界，不能算作完成理解。
• 质地不均匀的骰子和竖立的硬币：“质地不均匀的骰子和竖立的硬币”是第4卷 第4章 可能性中的不确定性中的正式知识节点：本章不把它当作标题或口号，而是给出对象、操作和成立条件，再用一个具体例子完成计算或推理，并说明改变一个前提时哪一步会失效；这样才能把概念迁移到新的题目。
• 质地不均匀的骰子：“质地不均匀的骰子”是第4卷 第4章 可能性中的不确定性中的正式知识节点：本章不把它当作标题或口号，而是给出对象、操作和成立条件，再用一个具体例子完成计算或推理，并说明改变一个前提时哪一步会失效；这样才能把概念迁移到新的题目。