条件概率与基础比率

出租车问题：逐步拆解

让我们一步一步地拆解这个问题，不用任何公式。

想象这个城市的100辆出租车同时出现在你面前。

85辆是绿色的。15辆是蓝色的。 这就是“基础比率”——在你听到任何目击者证词之前，随机一辆车是蓝色的概率只有15%。

现在让目击者逐一辨认每一辆车的颜色。

15辆蓝色车中： 目击者80%的时间能正确辨认——所以大约12辆被他说成“蓝色”，3辆被他错误地说成“绿色”。

85辆绿色车中： 目击者80%的时间能正确辨认——所以大约68辆被他说成“绿色”。但有20%即大约17辆被他错误地说成“蓝色”。

现在数一数所有被目击者指认为“蓝色”的车：真正的蓝色12辆 + 被误认为蓝色的绿色车17辆 = 29辆。

其中真正是蓝色的：12/29 = 约41%。

你看到了吗？问题出在哪里？

出在基数上。虽然目击者的辨识准确率有80%，但绿色车的数量是蓝色车的5.7倍。这意味着即使目击者把绿色车错认为蓝色的概率只有20%，但因为绿色车的基数太大，这20%的误认在绝对数量上（17辆）竟然超过了真正蓝色车被正确辨认的数量（12辆）。

这就是基础比率的力量：当一个事件的基础概率很低时，即使你有一条相当准确的证据，你的结论仍然可能被基础比率主导。

大多数人在这个问题上犯错，是因为他们完全忽略了基础比率——85%对15%的分布——而只关注了目击者证词这条“新证据”。这正是卡尼曼和特沃斯基发现的核心认知偏差：人类系统性地忽略基础比率（base rate neglect），而过度依赖具体的、生动的、手边的证据。

芒格的铁律：先问“这类事情的总体成功率是多少”

芒格在2006年的一次演讲中说了一句被无数投资者引用的话：

这不是一个抽象的统计学建议。这是芒格几十年投资实践中提炼出的生存法则。

他的意思是：在你分析任何具体案例的细节之前，先后退一步，问一个更大的问题——“这一类事情”的总体成功率是多少？ 不是这家公司怎么样，而是这类公司通常怎么样。不是这个CEO的故事多动人，而是这类CEO的总体记录如何。不是这次投资的论点多有说服力，而是这类投资的历史回报率是多少。

这个习惯之所以如此重要，是因为人类天生不会这么思考。我们的认知系统被设计成关注具体的、生动的、手边的信息——进化赋予我们的是一台“故事处理器”，不是一台“频率计算器”。当你听到一个创业者热情洋溢地介绍他的项目，你的大脑自动调用的是系统一——快速的、情感驱动的、基于叙事的处理方式。基础比率这种抽象的、统计的信息，根本进不了系统一的大门。

但如果你退一步，用系统二的方式思考，你会发现基础比率通常比任何具体信息都更有预测力。

“这家创业公司不一样” vs 创业的基础失败率

硅谷有一句广为流传的话：“这家公司不一样。”（This one is different.）

每一个风险投资人在听完创业者的pitch之后，如果被打动了，心里冒出来的第一个念头几乎都是这句话。这个创始人不一样——他更聪明、更有执行力、更了解市场。这个产品不一样——它解决了一个真实的痛点，时机恰到好处。这个商业模式不一样——它的单元经济学已经被验证了。

然而基础比率冷酷地告诉你：大约90%的创业公司会失败。 这个数字在过去几十年中惊人地稳定，不因技术浪潮的起伏、融资环境的松紧而有太大变化。无论你看的是互联网泡沫时期、移动互联网时期、还是AI时期，创业的基础失败率始终在这个范围内。

这意味着什么？

当你被一个创业者的故事打动，觉得“这家公司不一样”的时候，你需要做的第一件事不是被故事带跑，而是把你的先验概率锚定在那个90%的失败率上。然后问自己：这个具体案例中，有什么信息足够强，能把我的判断从90%失败概率大幅下调？

注意“大幅”这个词。因为基础比率是90%失败，你需要极强的证据才能把它拉到50%以下——也就是说，才能理性地判断“这家公司更可能成功而非失败”。

一个口才出众的创始人？这不是强证据——大多数失败的创业公司也有口才出众的创始人。一个看起来很大的市场？也不是——大市场吸引大量竞争者，大部分人仍然会失败。甚至“已经有收入”也未必足够——很多有早期收入的公司在规模化时崩溃。

真正的强证据是什么？可能是：创始团队在同一领域有过成功创业的经历（成功创业者再次成功的概率显著高于首次创业者）；产品已经显示出明确的产品-市场契合度（用户留存率异常高）；公司在一个赢者通吃的市场中已经建立了显著的领先优势。这些证据才有可能把90%的基础失败率向下拉一个量级。

芒格对新商业模式持怀疑态度，根源就在于此。不是因为他守旧，不是因为他不懂创新，而是因为他知道基础比率：大多数声称“颠覆性”的新商业模式最终都会失败，因为这就是创业的统计现实。 那些真正成功的颠覆者——亚马逊、谷歌、苹果——是基础比率中的异常值。异常值确实存在，但你不能把“异常值存在”当作“我面前这个就是异常值”的证据。

芒格的“工具箱”中最重要的工具之一，就是在面对任何具体案例之前先调出基础比率。这把“锤子”不是用来敲钉子的——它是用来防止你被生动的故事敲晕的。

条件概率的日常诡计

出租车问题不只是一道考试题。基础比率忽略渗透在日常生活的每一个角落。

场景一：恐怖袭击与安检。 美国交通安全管理局（TSA）的机场安检系统每年对数亿乘客进行筛查。假设系统对真正的恐怖分子有99%的检出率，对普通乘客的误报率只有1%。听起来很可靠。但考虑基础比率：假设每百万乘客中有一个恐怖分子。

100万乘客中的1个恐怖分子：99%被检出 = 0.99个“正确报警”。

100万乘客中的999999个普通人：1%被误报 = 9999.99个“虚假报警”。

在所有“报警”中，真正的恐怖分子占：0.99 / (0.99 + 9999.99) = 约0.01%。

一万次报警中只有一次是真的。 这就是为什么安检系统在实践中面临极大的挑战——不是因为系统不够好，而是因为基础比率太低了。即使系统再准确十倍，问题也不会根本改变。

场景二：罕见病的诊断。 你的医生告诉你一项检测“非常准确”。但“非常准确”对你的诊断意味着什么，完全取决于疾病的基础发病率。如果发病率是十万分之一，即使检测准确率是99.9%，阳性结果中的真阳性率可能仍然不到1%。这就是为什么医学界反对对无症状人群进行罕见病的大规模筛查——不是因为检测不准，而是因为基础比率太低，筛查带来的假阳性恐慌远多于真正有用的早期发现。

场景三：投资中的“信号”。 一位分析师告诉你，每次某个技术指标出现特定形态，股价随后上涨的“准确率”是70%。听起来不错。但你需要问：这个形态出现的频率是多少？它在多少种市场条件下被测试过？有多少其他指标也声称有类似的“准确率”（多重检验问题）？如果你把所有这些基础信息考虑进来，那个看似诱人的70%准确率可能会大幅缩水。

条件概率的正向运用：芒格的投资框架

理解了基础比率忽略的危害之后，让我们看看如何正向运用条件概率来做出更好的决策。

芒格的投资方法，如果用条件概率的语言来描述，大致是这样的：

第一步：从基础比率出发。 美国上市公司中，能在未来20年保持15%以上资本回报率的公司有多少？可能不到5%。这是你的先验：随机选一家公司，它是“伟大企业”的概率约为5%。

第二步：根据具体特征更新概率。 这家公司有强大的品牌护城河吗？有。有网络效应吗？有。管理层有优秀的资本配置记录吗？有。每一条强有力的证据都把“伟大企业”的概率从5%向上推——可能推到20%、40%、甚至更高。

第三步：但永远不要推到100%。 条件概率的框架提醒你，你的判断永远是概率性的，永远可能出错。即使所有证据都指向“这是一家伟大企业”，仍然有可能基本面会恶化、竞争格局会改变、管理层会犯致命错误。

第四步：用[安全边际](/munger/models/margin-of-safety)来应对剩余的不确定性。 即使你的条件概率分析指向“大概率优秀”，你仍然只在价格提供足够安全边际时才出手。这样即使你的概率判断有误，损失也是可控的。

这个框架的美妙之处在于它的谦逊：它不要求你知道确定的答案，只要求你比大多数人更系统地处理概率信息。大多数投资者要么完全忽略基础比率（“这家公司不一样！”），要么被一条生动的信息完全征服（“CEO在采访中说了很有远见的话！”）。仅仅是养成了“先看基础比率”的习惯，你就已经超过了90%的投资者。

检察官谬误与无辜者的代价

条件概率中最危险的误用之一发生在法庭上。

1999年，英国律师莎莉·克拉克（Sally Clark）被控谋杀了她的两个婴儿——两个孩子都在婴儿期突然死亡。控方请来了一位儿科医生作为专家证人，他在庭上作出了一个轰动性的陈述：两个孩子都死于婴儿猝死综合征（SIDS）的概率是七千三百万分之一。

他是怎么算的？SIDS在单个婴儿中的发生率约为1/8543。两个孩子都死于SIDS的概率就是(1/8543)^2 = 约1/73,000,000。

陪审团被这个数字震惊了。七千三百万分之一——这几乎不可能是巧合。莎莉·克拉克被定罪。

但这个推理犯了至少两个致命的统计错误。

错误一：独立性假设。 把两次事件的概率简单相乘，前提是它们是独立的。但同一家庭的两个孩子面临的风险因素高度相关——遗传因素、环境因素、社会经济因素。第二个孩子死于SIDS的概率不是独立的1/8543，它在第一个孩子已经死于SIDS的条件下显著更高。

错误二：检察官谬误（Prosecutor's Fallacy）。 这是最核心的条件概率错误。专家证人计算的是P(两个孩子都死于SIDS | 母亲无辜)——如果母亲无辜，出现这种情况的概率。但法庭需要回答的问题是P(母亲无辜 | 两个孩子都死了)——在两个孩子都死了的条件下，母亲无辜的概率。这两个概率是完全不同的东西！

为了计算后者，你必须考虑基础比率：一个母亲谋杀两个孩子的基础概率有多低？答案是：比SIDS还要低得多。当你用贝叶斯定理正确地把两种假设（SIDS vs 谋杀）的基础概率和条件概率综合起来，你会发现即使在两个孩子都死亡的条件下，SIDS仍然是比谋杀更可能的解释。

莎莉·克拉克在入狱三年后上诉成功，被无罪释放。但她的人生已经被毁了——她在释放后不久就因酗酒导致的急性中毒去世。

这个案例是条件概率被误用的最惨痛的代价之一。它提醒我们：混淆P(证据|假设)和P(假设|证据)不只是数学考试上的错误——它可以摧毁无辜者的生命。

反直觉与边界

反直觉一：越罕见的事件，检测“阳性”越不可信。 这是条件概率最核心的反直觉。人们的直觉是：如果检测很准确，那么阳性结果就很可信。但正确的推理是：检测的可信度不只取决于准确率，还取决于你要检测的事件有多罕见。事件越罕见，阳性结果越可能是假阳性。

反直觉二：基础比率往往比具体证据更有预测力。 在大多数预测场景中——创业能否成功、治疗是否有效、嫌疑人是否有罪——基础比率提供的信息量往往超过你手中任何一条具体证据。这不是说具体证据不重要，而是说它的作用是“在基础比率的基础上微调”，而不是“替代基础比率”。

反直觉三：专家也经常忽略基础比率。 前面提到的医生误读检测结果的研究表明，受过专业训练的人在面对条件概率问题时的表现往往不比普通人好多少。专业知识不能自动免疫你对基础比率忽略的认知偏差。

边界一：基础比率需要“参照类”的正确选择。 一家创业公司的基础成功率是多少？这取决于你怎么定义“这类公司”。所有创业公司的成功率？同行业的创业公司？有经验团队的创业公司？YC加速器孵化的创业公司？不同的参照类会给出非常不同的基础比率。选择错误的参照类，你的整个分析从起点就偏了。

边界二：当事件真正独特时，基础比率的价值有限。 如果你在评估一个前所未有的新技术（比如早期的互联网），历史上没有很好的参照类，基础比率就变得模糊了。在这种情况下，你需要更多地依赖第一性原理分析和类比推理，而非统计频率。但即便如此，“大多数新技术最终不会达到早期拥趸的预期”这个粗略的基础比率仍然有价值。

边界三：基础比率不是命运。 知道“90%的创业公司失败”不意味着你应该永远不创业。它意味着你应该以清醒的头脑进入——理解你面对的统计逆风有多强，因此更加认真地准备、更加谨慎地管理风险、更加谦逊地评估自己的判断。基础比率是背景，不是判决。

如何在日常中使用基础比率思维

第一，建立“先问基础比率”的条件反射。 每当你要对一个具体案例做判断——这家公司会成功吗？这个治疗有效吗？这个人胜任吗？——先暂停，问自己：这类事情的总体成功率/有效率/胜任率是多少？把你的先验锚定在基础比率上，然后再根据具体证据调整。

第二，警惕被生动的故事覆盖基础比率。 你的大脑是一台故事处理器，它会自动把生动的个案放在聚光灯下，把枯燥的统计频率丢进暗处。刻意对抗这种倾向：当一个故事让你热血沸腾时，正是你最需要冷静地查看基础比率的时刻。

第三，学会用自然频率思考。 出租车问题之所以反直觉，一部分原因是人们不擅长处理概率和百分比。但如果你把问题转化为自然频率——“100辆车中有85辆绿色、15辆蓝色”——推理就变得直观得多。在面对任何条件概率问题时，尝试把抽象的概率翻译成“想象1000个人的群体”这样的具体场景。

第四，区分“这个信息改变了什么”和“这个信息证明了什么”。 一条新证据几乎不可能“证明”什么——它只是把概率从一个值移到另一个值。一份好的财报把你对公司的信心从60%提到75%，而不是从60%跳到100%。保持这种渐进式的概率思维，是对抗非此即彼的二元判断的最好武器。

第五，在重大决策前列出参照类。 如果你在考虑一笔投资、一次创业、一个职业转换，花时间找到正确的参照类：有多少人做过类似的事情？他们的成功率如何？什么因素区分了成功者和失败者？这些“类似案例的统计汇总”比任何一个成功故事都更有信息量。

基础比率是谦逊的数学表达

让我们回到芒格的那句话：“如果你不考虑基础概率，你会犯可怕的错误。”

“可怕的”——这不是芒格常用的修辞。他通常温和而精确。用“可怕的”来描述忽略基础比率的后果，说明他在自己的投资生涯中见过太多因此而生的灾难。

创业者不考虑基础失败率，把全部身家押在“我不一样”的信念上。投资者不考虑新商业模式的历史成功率，把养老金投入热门概念股。医生不考虑疾病的基础发病率，对阳性筛查结果过度反应。陪审员不考虑犯罪的基础概率，被一个看似精确的统计数字送一个无辜的人入狱。

这些错误的共同根源都是一样的：人类太容易被手边的具体信息所征服，而忘记了后退一步去看那个更大的统计背景。

条件概率和基础比率教给我们的，归根到底是一种智识上的谦逊：你面前的这个具体案例，无论看起来多么特殊、多么引人注目、多么令人兴奋，它仍然属于一个更大的类别。而那个类别的统计规律，比你的直觉、你的热情、甚至你的专业分析，都更有可能是对的。

不是因为你不聪明。而是因为基础比率背后站着的是成千上万个案例的集体经验——而你只有一双眼睛、一个大脑、一段有限的经历。

芒格的伟大之处不在于他比别人更聪明，而在于他比别人更谦逊——对统计规律的谦逊，对基础比率的敬畏，对自己判断的持续校准。

基础比率提醒你的正是这件事：在你分析具体案例之前，有一整片你可能不了解的统计地图。先打开那张地图。

芒格相关原话

“I believe in the discipline of mastering the best that other people have ever figured out. I don't believe in just sitting down and trying to dream it all up yourself.”

“我相信掌握他人已经发现的最好成果的纪律。我不相信坐在那里试图自己把一切想明白。”

这句话的一层含义是：别人已经发现的“最好成果”中包括了基础比率——历史上大量案例的统计汇总。不利用这些已有的知识，只凭自己有限的经验做判断，是最奢侈的浪费。

“Whenever you think something or some person is going to change the world, just remember: they usually don't.”

“每当你觉得某个东西或某个人将改变世界的时候，记住：他们通常不会。”

这就是基础比率在一句话中的完美体现。

关联模型

• [贝叶斯定理](/munger/models/bayes-theorem) — 条件概率和基础比率是贝叶斯更新的两个核心输入
• [大数定律](/munger/models/law-of-large-numbers) — 基础比率的可靠性取决于支持它的样本量
• [样本量与统计显著性](/munger/models/sample-size-statistical-significance) — 判断一条证据有多强，需要评估其统计显著性
• [概率思维与期望值](/munger/models/probabilistic-thinking-expected-value) — 基础比率是计算期望值的起点
• [错误衡量易得性倾向](/munger/models/availability-misweighing-tendency) — 生动的个案比基础比率更容易影响判断
• [叙事谬误](/munger/models/narrative-fallacy) — 人们用故事替代基础比率来做判断
• [能力圈](/munger/models/circle-of-competence) — 在能力圈内，你对参照类的选择更准确，基础比率的估计更可靠
• [安全边际](/munger/models/margin-of-safety) — 当基础比率不利时，安全边际是对抗统计逆风的最后防线
• [逆向思维](/munger/models/inversion) — 先考虑失败的基础概率，再考虑成功的理由

实践检查清单

判断之前：

• ↻ 重置本清单

-

我是否先查看了基础比率？这类事情的总体成功率/发生率是多少？

-

我选择的“参照类”是否合理？是否有更精确的参照类可以使用？

-

我的先验是否锚定在基础比率上，而非被一个生动的故事拉走？

处理具体证据时：

• ↻ 重置本清单

-

这条证据有多强？它能把基础比率移动多少？

-

我是否混淆了P(证据|假设)和P(假设|证据)？

-

我是否因为证据的情感冲击力而过度更新了概率判断？

面对“检测阳性”类场景时：

• ↻ 重置本清单

-

被检测事件的基础发生率是多少？如果很低，阳性结果大概率是假阳性

-

检测的准确率和基础发生率的相对大小如何？基础发生率越低，准确率需要越高才有参考价值

-

是否需要第二次独立检测来提高可信度？

投资和商业决策中：

• ↻ 重置本清单

-

这类投资/商业模式的历史成功率是多少？我的判断是否考虑了这个基础比率？

-

“这次不一样”的证据有多强？强到足以覆盖不利的基础比率吗？

-

我是否在基础比率不利的情况下仍然留了足够的安全边际？