统计学里最被滥用的「安慰剂」
「长期来看会平均的。」这句话你一定听过：连败之后说「该转运了」、亏损之后说「长期会回来」。它的数学原型是大数定律：同一个实验独立重复很多次，样本平均值会收敛到期望值。大白话：次数够多，运气会被摊平，平均值露出真身。
这是统计学全部合法性的来源：为什么抽样一千个选民能推断全国？因为大数定律承诺，样本均值离真值的偏差随样本量缩小。但这条定律的实际内容比它的民间版本窄得多，也怪得多。值得把它拆开看三层。
第一层：它说了什么
数学上有两个版本。弱大数定律：样本量 n 足够大时，样本均值偏离期望超过任何小量的概率趋于零。强大数定律：不仅「大概率不偏离」，而是偏离这件事几乎必然只发生有限次——均值几乎必然收敛。差别微妙（概率收敛 vs 几乎必然收敛），实战中你只需要记住共同的核心：保证的是「平均值的极限」，不是「下一次的结果」。
这就是第四章赌徒谬误的判决书：大数定律从不说「连续出了五次黑，下一次更可能红」。它实现收敛的方式是稀释——前 26 次黑在十万次旋转里占比趋于零——而不是补偿。硬币不欠账。
第二层：「长期」有多长？
大数定律是个极限定理：它承诺 n 趋于无穷时收敛，但对「一万次够不够」保持沉默。收敛速度取决于分布的胖瘦。瘦分布（硬币正反、身高）收敛快，几百次就稳；胖尾分布收敛慢得残忍——第八章会看到，金融收益这种分布，「长期」可能长达几百年，远超任何一个人的投资生涯。
凯恩斯那句话放在这里正合适：长期来看我们都死了。大数定律说「长期来看平均值是对的」，它没撒谎；只是「长期」这个词在数学里指无穷，在你的生命里指三四十年。两者之间，隔着所有真实的破产。
第三层：它没保证的那个东西——遍历性
这里藏着全书最重要的一个区分。问：一个正期望值的赌局，值不值得押上全部身家反复玩？看一个具体例子：每局掷硬币，赢了资产 ×1.5，输了 ×0.6。单局期望 = 0.5×1.5 + 0.5×0.6 = 1.05，期望收益 +5%，正期望。押吗？
算一下连玩十局、运气平平（五赢五输）的结果：1.5⁵ × 0.6⁵ ≈ 7.59 × 0.078 ≈ 0.59。赢了期望，输光了钱。再来二十局（十赢十输）：0.59² ≈ 0.35。玩得越久，越趋近于零。期望值是正的，而几乎每个人的结局是归零。
哪里出了鬼？期望值的定义是「所有可能结果的加权平均」——行话叫系综平均：想象一万个平行宇宙里的你各玩一局，取平均。而你实际经历的是时间平均：一个你，一局接一局乘下去。对加法型游戏（每局独立加减固定金额），两者一致；对乘法型游戏（每局按比例缩放你的资产，投资正是如此），两者可以天差地别。当「许多平行宇宙的平均」等于「一个你在时间中的平均」时，这个系统叫遍历的；不相等时——比如上面的乘法赌局——用期望值指导单人决策就是系统性自杀。
大白话：系综平均问「一万个赌徒平均赚多少」；时间平均问「一个赌徒玩一万局最后剩多少」。乘法世界里这两个答案可以反号：一万人的平均在赚钱，而几乎每一个人都在变穷。平均值对个体撒了谎。
为什么乘法世界这么凶
乘法过程的毒药在于：亏损和盈利不对称。资产跌 40%，需要涨 67% 才能回来；跌 90%，需要涨 900%。一次深亏会把复利曲线的基部削掉，之后所有的「正期望」都作用在一个变小的本金上。时间平均惩罚的不是期望值低，而是波动中的深坑——这正是第十二章凯利判据要优化的东西：不是最大化期望收益，而是最大化时间平均的增长率。
把六章连成一句：概率论的前半本教你算「平行宇宙的平均」，后半本要教你问「我一个人沿着时间走下去会怎样」。这两个问题在硬币上重合，在财富上分裂。带着这个分裂，我们去看一个毕生研究「平行宇宙平均」的行业——金融。