01原理
大数定律说的是一件朴素的事：同一个随机过程重复足够多次，而且每次之间互不牵连，结果的平均值会越来越靠近它真正的期望值。抛硬币十次出现七次正面不稀奇，抛一万次还是七成正面，就该怀疑硬币有问题。赌场单桌会输，整年稳赚；保险公司算不准哪栋房子着火，却算得准一万栋里大约烧几栋。这条定律由雅各布·伯努利花了二十多年证明，1713 年发表；“大数定律”这个名字是泊松 1837 年起的。
对小公司更有用的是它的反面：样本小的时候，平均值会乱跳。“小样本极端值多”不是偏见，而是算术。15 个人的样本里出现极端比例，比 45 个人的样本容易得多；一周的数据、三十道题、五个客户，都属于小样本。卡尼曼和特沃斯基把人们无视这一点的习惯叫作“对样本量不敏感”，还挖苦说，大家相信的是一条并不存在的“小数定律”，以为小样本也能像总体一样有代表性。
所以这个模型落到决策上有两个方向。一是在下结论之前先问：这个数字背后有多少次独立的观察？二是在设计生意的时候反过来用它：尽量让你的结果来自大量彼此独立的小赌注，而不是少数几个大赌注。前者帮你少被噪音骗，后者让运气在长期里被平均掉，留下来的才是你的真实优势。
为什么成立
数学上，平均值的波动幅度（标准误）大致等于单次波动除以样本量的平方根。按这个公式估算，一个真实成功率 50% 的东西，测 30 次，结果的标准误约 9 个百分点；测 100 次约 5 个百分点；测 500 次约 2 个百分点。样本量翻四倍，误差才减半。这就是为什么小样本的“提升”经常在加大样本后消失：它本来就在误差带里。
这条定律有两个经常被忽略的前提。第一，观察要大体独立：一千个用户如果都来自同一个渠道、同一个周末，有效样本远小于一千；一场飓风会让几百张保单同时出险。第二，期望值要存在而且有限：在肥尾分布里，一次极端事件就能改写整个平均值，样本再多也收敛得很慢，甚至不收敛。芒格强调的“初等概率”管用，前提是先检查这两件事，再相信平均数。
02芒格怎么说
芒格没有专门讲过大数定律，也没有在我们核对过的演讲稿里用过这个词。把它放进他的格栅，是后人的归纳，依据是三处相关的观点：1994 年南加大商学院演讲里，他说不把“初等概率”这套有点反直觉的数学装进脑子，一辈子都要吃亏；2005 年修订版《人类误判心理学》里，他把费马和帕斯卡的概率算术当作对付过度乐观的标准解药；2003 年的《学院派经济学》里，他又提醒人们会高估能被数出来的东西。伯克希尔的保险生意（见“浮存金”一章）是他和巴菲特把这条定律用在真钱上的地方，相关的信件出自巴菲特之手。本章的统计部分是我们补充的。
If you don’t get this elementary, but mildly unnatural, mathematics of elementary probability into your repertoire, then you go through a long life like a one-legged man in an ass-kicking contest.
如果你不把这套初等、但有点反直觉的初等概率数学装进自己的工具箱，你就会像一个参加踢屁股比赛的独腿人那样，度过漫长的一生。
Well practically everybody (1) overweighs the stuff that can be numbered, because it yields to the statistical techniques they’re taught in academia
几乎每个人都会（1）过分看重能被数出来的东西，因为它能套用学校里教的统计技术。
03怎么用
- 01
看指标之前，先写下样本量和误差带
任何周报、评测、实验结果，都在数字旁边写上 n 和一个粗略的误差范围（按“单次波动÷√n”估）。如果两个版本的差距小于误差带，就写“没看出区别”，不要写“提升了 4%”。这一条规矩能挡掉团队里一半的伪结论。
- 02
实验前先算要多少样本
小团队流量少，最常见的错误是跑两天、看着好看就停。开跑之前先定下：想检测多大的差距、需要多少样本、到量才看结果。如果算出来要跑三个月，就说明这个问题现在不适合用 A/B 测试回答，改用用户访谈或更大的改动。
- 03
把生意拆成很多个独立的小赌注
收入来自三个大客户的公司，每年的结果基本由运气决定；来自三百个中小客户的公司，大数定律站在你这边。定价、获客、产品线设计时，有意识地降低单个客户、单个渠道、单个模型供应商在结果里的权重。
- 04
排名里的头尾，先怀疑是样本小
看到“表现最好的销售”“转化率最高的渠道”“留存最差的地区”，先看它们的样本量。头部和尾部经常都挤满了样本最小的那几个。比较时只拿样本量相近的放在一起，或者先把小样本向整体平均收缩一点再排名。
- 05
规模变大时，把罕见事件当作必然
大数定律对小概率事件同样成立：百万分之一的错误，在一亿次调用里大约会出现一百次。产品还小时可以忽略的边缘情况，到了一定量级就会每天发生。上线前按“概率 × 调用量”算一下每天会出几次，再决定要不要为它做防护。
04案例
两家医院的男婴比例：大多数人觉得差不多
特沃斯基和卡尼曼在 1974 年《科学》上的论文里问被试：镇上有两家医院，大的每天约 45 个婴儿出生，小的约 15 个。一年里，哪家医院记录到更多“男婴超过 60%”的日子？56% 的人选“差不多”，选大医院和小医院的各占 22%。正确答案是小医院。按二项分布估算，每天 15 个婴儿时出现 10 个以上男婴的概率约 15%，一年约 55 天；每天 45 个时出现 28 个以上男婴的概率约 7%，一年约 25 天，相差一倍多。人们知道“男女各半”，却没把“每天多少个”算进去。两人更早的 1971 年论文还发现，受过统计训练的心理学家同样会忽略样本量。[3][4]
肾癌发病率最低和最高的县，是同一类县
统计学家霍华德·韦纳和哈里斯·兹沃林指出：美国肾癌发病率最低的县，大多是乡村、人口稀少，位于中西部、南部和西部；而发病率最高的县，同样大多是乡村、人口稀少，位于同样的地区。如果只看其中一张榜单，很容易编出“乡村空气好”或“乡村医疗差”的故事。真正的原因是人口少，发病率就更容易偏离平均值，往两头跑。他们用同样的道理质疑“小学校成绩更好”的说法，论文标题就是《小学校并不能提高学生成绩的证据》：小学校在最好的名单里多，在最差的名单里也多。[3]
伯克希尔的超级巨灾保险：长期赔付九成，单年从赚一亿到亏两亿
大数定律是保险业的地基，但伯克希尔在 1990 年代大量承保的“超级巨灾”再保险偏偏不享受它：真正的大灾一年也就零星几次，而且一场飓风会同时触发许多保单。巴菲特在 1991 年的信里写，大约 1 亿美元的年保费，长期预计赔出约 90%，但单独某一年可能赚 1 亿，也可能亏 2 亿，一年期的会计周期不适合这门生意。1995 年他又写，这门生意多数年份大赚，偶尔巨亏，要很多年才能看出好坏；他和芒格宁愿要“起伏的 15%”，也不要“平滑的 12%”，同时盯住总敞口，把最坏情况控制在承受得了的范围内。换句话说，单年样本太小，他们把检验的时间窗口拉长到很多年，再用资本厚度熬过等待期。[5][6]
三十道题的 AIME：换一个随机种子，分数差两位数
图宾根大学和剑桥大学的六位研究者在《冷静看待语言模型推理的进展》里，把一批推理模型在数学基准上反复跑了 20 次。AIME’24 只有 30 道题，AMC’23 只有 40 道，多答对或答错一道，Pass@1 就变动 2.5 到 3.3 个百分点；换随机种子，分数的标准差在 5 到 15 个百分点之间，经常出现两位数的摆动。同一个模型在两套集群上，分数也能差 4 个百分点，比标准差还大。论文的结论是，不少强化学习方法报告的提升，其实落在基础模型自身的波动范围里。他们给的办法很朴素：多种子取平均，在 AIME’24 上大约要 30 次以上才稳定；论文还提到，DeepSeek 报告 Pass@1 时用了 64 次运行，DeepScaleR 用了 16 次。这是一支学术小团队，不是创业公司，但它说明的问题对任何拿公开榜单选模型、拿小评测集验收改动的小团队都适用。[7]
5 人团队的提示词改版，周一“提升 6%”，周五回到原点
假设一个 5 人团队做 AI 客服插件，每天约 200 个会话。周一上线新提示词，第一天的“问题已解决”率从 62% 升到 68%，群里开始庆祝，有人提议马上把这套写法推到其他功能。按“单次波动÷√n”估算，200 个会话的标准误约 3.4 个百分点，6 个点的差距还没到两倍误差；而且这 200 个会话里有一半来自同一个大客户的同一次批量导入，彼此并不独立。到周五累计约 1000 个会话，差距缩到 1 个点，落在误差之内。更好的做法是：上线前约定看满一周、按客户分层统计，只在差距稳定超过误差带时才宣布结果。
05误用与边界
把“长期会回归平均”当成“下一次该轮到我了”
大数定律说的是平均值会靠拢，不是说偏差会被“补回来”。连续十次反面之后，下一次正面的概率还是一半，这是赌徒谬误。连续几个月增长不好的产品，不会因为“概率上该好了”而变好，原因要另找。
样本大，不等于样本对
一百万条数据如果都来自同一种用户、同一个渠道或同一个时间段，就只是把同一个偏差重复了一百万次。大数定律只能消掉随机误差，消不掉系统偏差。数据量大时更要先问它是怎么采来的。
在肥尾的地方相信平均数
单个客户的收入、单次事故的损失、单个模型输出的危害，常常是肥尾分布。这时候平均值收敛得很慢，一个极端值就能改写它。对这类东西，先看最坏情况和集中度，再看平均数，就像伯克希尔给巨灾保单设总敞口上限那样。
只信能数出来的，忘了数不出来的
芒格批评过学院派过分看重能被统计的东西。样本量思维不是要求凡事都等到 n 足够大：很多早期决策永远凑不够样本，靠的是对机制的理解和少量深入的观察。知道样本小、结论弱，然后照样做一个可撤回的决定，比假装有统计显著性更诚实。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4
- 5
- 6
- 7