概率与统计力学（Probability & Statistical Mechanics）
为什么宏观稳定而微观混沌——以及为什么商业决策必须用概率思维。
**预计时间：**15 分钟 + 20 分钟测验 = 35 分钟。
一、物理学的统计力学
1.1 微观 vs 宏观
一壶开水有 ~10²⁵ 个水分子，每个分子都在随机运动、互相碰撞。但宏观上温度、压力、体积是稳定的、可预测的。
统计力学的核心洞察：宏观规律来自微观概率的平均，而不是每个分子的决定论轨迹。
1.2 玻尔兹曼分布
在温度 T 下，粒子处于能量 E 的状态概率：
p(E) ∝ exp(-E / kT)直觉：能量高的状态概率指数级低。温度越高（kT 越大），高能状态的概率越大。
1.3 大数定律
当独立随机变量数量趋于无穷时，平均值收敛到期望值。这就是为什么：
- 抛 1000 次硬币，正面比例接近 0.5（不是 0.5 ± 100%）。
- 保险公司的保费精算可以精准预测总体赔付。
- 一个 SaaS 产品的月度 churn 率可以预测（即使单个用户流失是随机的）。
1.4 中心极限定理
无论单个变量是什么分布，大量独立随机变量之和趋向正态分布。这是为什么自然界的”总和”现象（如身高、测量误差）大多呈正态分布。
二、商业里的统计思维
2.1 单次决策 vs 重复博弈
商业世界里：
- 单次决策（如一次性收购）——结果不确定，不可预测。
- 重复博弈（如每天 1000 笔交易）——统计可预测。
芒格的**“投资是个概率游戏”**正是这个思路：
“投资不是寻找 100% 确定的答案，而是寻找期望值为正的机会。你只需要赢的概率大于输的概率，长期下来你就是赢家。“
2.2 凯利公式——最优下注
凯利公式告诉你：在优势游戏中应该下注多少：
f* = (bp - q) / b其中 f* 是最优下注比例，b 是净赔率，p 是赢的概率，q = 1-p 是输的概率。
直觉：
- 胜率越高，下注越大。
- 胜率越低，下注越小。
- 永远不要 all-in——即使胜率 90% 也不应满仓。
2.3 期望值思维
任何决策都应计算期望值：
E(X) = Σ pᵢ × xᵢ而非只看”最可能的结果”。芒格反复强调：
“高赔率 + 低概率，与低赔率 + 高概率，期望值可能相同——决策者必须算清。“
2.4 大数定律在商业的应用
- SaaS 月度 churn 率：单个用户流失不可预测，但月度 churn 率稳定。
- 营销活动转化率：单个用户转化随机，但活动整体转化率稳定。
- 客服响应时长：单个工单时长随机，但平均时长稳定。
三、对 PM/BA 的具体启示
- 高赔率 + 低概率 vs 低赔率 + 高概率：期望值比较。
- 最坏情况的概率 + 最好情况的概率 + 中间情况的概率 × 各自收益 = 期望值。
- 反面：期望值为负的项目，不要做（即使最可能的结果看起来"还行"）。
芒格式决策："如果这事做 100 次，平均下来赚还是亏？"
- 随机波动——单个事件偏离均值是正常的，不要过度反应。
- 系统性问题——连续多个数据点偏离均值，才是真问题。
- 随机分配用户到 A 组（旧）和 B 组（新）。
- 跑足够长时间，直到样本量足够（大数定律）。
- 看统计显著性（p 值 < 0.05 通常认为显著）。
- 不把所有资源压在一个产品上。
- 不把所有客户压在一家供应商。
- 不把所有决策路径压在单一假设上。
四、概率陷阱——人类不擅长概率
凯恩斯说：“人类大脑不是为概率思维设计的。“常见概率陷阱：
- 赌徒谬误——“上次输了下次会赢”——独立事件不相关。
- 小数定律——用小样本下结论（“3 个用户说不喜欢就放弃”）。
- 忽视回归均值——表现极好之后通常回归均值（不要归功于自己的”决策”）。
- 后见之明偏误——“我早就知道会这样”——事前预测和事后解释是两件事。
五、测验（12 题）
统计力学的核心洞察是？
大数定律告诉我们？
中心极限定理告诉我们？
凯利公式 f* = (bp - q) / b 的核心是？
芒格式"投资是概率游戏"的核心？
"单次决策"和"重复博弈"的区别？
看到单点数据异常应该？
赌徒谬误是？
小数定律陷阱？
后见之明偏误是？
A/B 测试的核心思想？
商业里"永远不要 all-in"是因为？
读场景题
R1. 场景：你的核心功能月活留存率从 80% 跌到 78%。3 天后又回到 80%。这是系统性问题吗？
R2. 场景：你推一个新功能，两个团队意见分歧。Sales 说会大卖，运营说会崩溃。从统计思维应该？
**下一步：**看 Lesson 0012 · 波动与傅里叶（Waves & Fourier）。