大数定律：理解不确定性的关键

单个结果本身并不能说明太多问题。假设您抛一次硬币，结果是正面。这并不能证明什么——也许只是偶然。但如果您抛硬币 100 次，您会看到正反面大致各占一半。此时，平均值才开始有意义。

这正是大数定律的核心。您收集的数据越多，平均值就越准确。它能帮助您看清全局。

在本指南中，我们将讲解大数定律的含义、其在现实生活中的运作方式，以及为什么在理解模式或做出更优决策时它如此有用。

什么是大数定律？

大数定律是概率和统计中的一个原理，用来解释随着数据增多，平均值的行为。随着样本量增加，该样本的平均值（称为样本均值）会越来越接近整个总体的真实平均值（称为总体均值）。

在现实世界中，我们通常无法获取整个总体的数据。相反，我们会抽取样本，比如调查 1,000 名选民，而不是全部 3 亿人。大数定律让我们有信心认为，只要数据足够多，样本平均值就会接近真实值。

随着样本增大，随机波动开始相互抵消。离群值的影响减小，平均值变得更加稳定和可预测。

该定律主要有两个版本，它们对这种效应的保证程度不同：

弱大数定律（依概率收敛）

弱大数定律指出，随着样本量增加，样本均值很可能接近总体均值。您收集的数据越多，平均值长期偏离真实值的可能性就越小。

例如，您抛一枚公平硬币。随着抛掷次数增多，正反面出现的比例会越来越接近 50/50。它未必完全相等，但会非常接近，这就是弱大数定律所描述的。

强大数定律（几乎处处收敛）

强大数定律更进一步。它指出样本均值不仅会接近总体均值，而且几乎必然会在那附近稳定下来。

通俗地说：如果您无限次地抛掷一枚公平硬币，正反面比例不会只是接近 50/50；它会稳定在该比例附近。因此，该定律几乎完全保证了长期平均能反映真实情况，只有极少数例外。

现实中的运作示例

来看几个现实案例，以理解该定律如何发挥作用：

抛硬币或掷骰子

想象您掷一枚常规六面骰三次，可能得到 6、2 和 5。平均值为 4.3，高于期望值 3.5。但如果您掷 100 次、再掷 1,000 次，随着次数增加，平均值会越发接近 3.5。大数定律会随着时间推移抚平随机性。

掷的次数越多，平均值越接近 3.5。图片来源：作者。

体育统计

运动员有时状态好、有时状态差。某个四分卫在一场比赛中 10 次传球命中 9 次，达到令人印象深刻的 90%。但这并不意味着他总能达到这个水平。

放到整个赛季来看，经过数百次传球，命中率会趋于平稳。赛季统计能更好地反映球员的真实水平。

平均值。图片来源：作者。

保险业的风险共担 

保险公司无法准确知道单个个体会带来多少成本。有些人几乎不使用医疗服务，而另一些人则会使用较多。

但当您观察一个大型人群时，这些起伏会相互抵消。通过将上千名投保人的风险进行池化，保险公司能更准确地预测平均成本。

这使他们能够在保持财务稳健的同时，设定公平的价格（保费）。

对许多人取平均能呈现真实成本。图片来源：作者。

赌场游戏与庄家优势

赌场在每款游戏中都设置了微小优势。打二十一点时，您可能连赢五局或连输十局。但在成千上万局之后，平均结果将偏向赌场。

例如，如果庄家优势为 0.5%，那么从长期来看，赌场预计平均每投注 100 美元可赚 50 美分。短时间内未必如此，但随着数百万次游戏的累积，结果会与预期高度一致。

投注越多，赌场优势越能体现。图片来源：作者。

科技公司的 A/B 测试

假设一家公司想测试两种网站按钮：A 按钮和 B 按钮。各有 20 人试用后，A 按钮似乎更好。但这个数据量不足以让结果可信。

现在让 20,000 名用户看到两种按钮。随着样本量增加，平均点击率会更可靠，表现更好的按钮会更清晰地显现出来。

这就是为什么公司在 A/B 测试中依赖大样本。大数定律帮助他们避免伪阳性，做出更明智的选择。

测试人数越多，结果越可靠。图片来源：作者。

为什么大数定律很重要

在数据科学中，我们经常用数据来训练模型。但如果数据集太小，少数异常值就可能扭曲结果。

例如，您仅用 10 位用户来测试一个新的推荐算法。如果一位用户什么都点，另一位什么都不点，您的平均表现可能看起来非常好或非常差。这并不意味着模型好坏，只是说明样本太小，不足以信任。

大数定律告诉我们，随着我们收集更多数据，随机波动会被抹平，平均结果会更可靠。这就是大型数据集能提供更好预测与洞见的原因。

您也会在模拟中见到这一点。以蒙特卡罗方法为例，这些方法通过使用随机输入，反复运行同一场景数千次。大数定律保证：我们运行的试验越多，平均结果就越接近真实的期望值。

在机器学习中，该定律主要体现在两个方面：

• 模型训练：在一个小而不均衡的数据集上训练的模型，可能学习到并不代表现实世界的模式。但当数据足够多且多样时，模型会学到真正有效的规律。
• 模型测试：仅用 50 位用户测试模型的结果，可能与用 5,000 位用户测试时大相径庭。更大的测试集能更清楚地展现模型在部署后将如何表现。

简而言之，数据越多，噪声越少，决策越佳。 

常见误解

当人们期待大数定律立竿见影时，往往会产生误解。

如果您认为结果会很快“拉平”，那就是错误。例如，如果您连续 5 次抛硬币都是正面，您可能会觉得反面“该”出现以平衡之前的结果。但概率并非如此运作。

这种想法被称为赌徒谬误：错误地认为在真正随机的过程中，过去的结果会影响未来的结果。实际上，每次抛硬币仍然是 50/50 的机会，与之前发生的事无关。

大数定律并不承诺短期内随机性就会被抚平。它告诉我们的是，在大量反复试验中，平均结果会逐渐接近期望值。对于公平硬币，这意味着最终会大致各半，而非立刻如此。

在此过程中，短暂的连胜连败或不寻常的模式仍可能出现。这正是小样本中随机性的表现。只有当您放大视角、观察整体时，该定律才真正发挥意义。

与其他概念的关系

大数定律告诉我们，随着样本量增大，样本平均值会更接近真实平均值；而中心极限定理（CLT）则更进一步，解释这些平均值的分布形状。

根据中心极限定理，如果您抽取许多较大的样本并计算其均值，这些均值将形成一个钟形曲线（正态分布），无论原始数据是什么样子。 

二者在统计中都很重要，但描述的内容不同：一个关注准确性，另一个关注形状。

要点回顾

大数定律强调了数据分析中的一个核心原则：更大的样本量能带来更稳定、更准确的结果，但前提是数据具备代表性。 

尽管大型数据集能降低随机波动的影响，但数据并非越多越好。如果数据存在偏差或不均衡，即便数据量庞大，也可能得出误导性结果。要得出有效结论，既需要量，也需要质。

如果您希望在这些概念上夯实基础，建议从Statistical Thinking in Python课程开始。之后，您可以探索高斯分布，以了解大数定律如何与统计与机器学习中的其他关键工具相互关联。