首页资料文库正文

概率归纳范文10篇

时间：2023-03-28 05:55:56

概率归纳

概率归纳范文篇1

18世纪40年代，休谟指出归纳推理不具有逻辑必然性，认为它只把真前提同可能的结论相联系,是主观的、心理的，不曾想到当时概率论所揭示的或然性的客观意义及其对归纳的可能应用。穆勒在《逻辑体系》中以很大篇幅讨论了偶然性问题,认为概率论只同经验定律的建立有关，而与作为因果律的科学定律的建立无关。惠威尔也对偶然性作过讨论，但与穆勒一样，并未想到把概率论应用于归纳。直到1859年，德国化学家本生（R.W.Bunsen）和基尔霍夫（G.R.Kirchoff）用统计方法分析太阳光谱的元素组成等科学活动，进一步引起科学方法论家对统计推理问题的注意。许多科学方法论家认为科学结论不是确定的，而是或然的，开始尝试把归纳还原为概率论。

最早将归纳同概率相结合的是德摩根和耶方斯。德摩根将一般除法定理和贝叶斯定理应用于科学假说。但是布尔（Boole）抓住了它的缺点，即运用贝叶斯推理给科学假说的概率带来更大的任意性，至此否定了概率归纳逻辑的方向。在70年代耶方斯作出重大开创性工作之前，这方面的工作基本趋于沉寂。耶方斯发展了布尔代数，他一方面有着关于归纳本质的方法论考虑，另一方面，他将数学应用于发展演绎逻辑的同时，也将数学应用于发展归纳逻辑。他在《科学原理》中说明：“如果不把归纳方法建立于概率论，那么，要恰当地阐释它们便是不可能的。”[1]耶方斯认为一切归纳推理都是概率的。

耶方斯的工作实现了古典归纳逻辑向现代归纳逻辑的过渡。

二、现代概率归纳逻辑

现代概率归纳逻辑始于20世纪20年代，逻辑学家凯恩斯、尼科（Nicod）及卡尔纳普和莱欣巴赫（Reichenbach）等人，采用不同的确定基本概率的原则及对概率的不同解释，形成不同的概率归纳逻辑学派。

凯恩斯将概率与逻辑相结合，认为归纳有效度和合理性的本质是一个逻辑问题，而不是经验的或形而上学的问题。他提出了“概率关系”的概念：假设任一命题集合组成前提h，任一命题集合组成结论a，若由知识h证实a的合理逻辑信度为α，我们称a和h间的“概率关系”的量度为α，记作a/h=α。并着眼于构造两个命题间的逻辑关系的合理体系，但未取得成功。而且他认为，大多数概率关系不可测，许多概率关系不可比较。但他在推进归纳逻辑与概率理论的结合上，作出了历史性的贡献，是现代归纳逻辑的一位“开路先锋”。

逻辑主义的概率归纳逻辑的代表卡尔纳普，在20世纪50年代提出概率逻辑系统，这一体系宣告了归纳逻辑的演绎化、形式化和定量化，将概率归纳逻辑推向了“顶峰”。卡尔纳普认为休谟说的归纳困难并不存在，归纳也是逻辑，并且也有像演绎一样的严格规则。施坦格缪勒（Stegmuller）指出：“2500年前，亚里士多德开始把正确的演绎推理的规则昭示世人，同样，卡尔纳普现在以精确表述归纳推理的规则为己任。”[2]演绎的逻辑基础在于它的分析性，所以，从维特根斯坦和魏斯曼（Waismann）就开始致力于把它改造为逻辑的概率概念，以使概率归纳成为分析性的。卡尔纳普完成了这一发展。他说：“我的思想的信条之一是，逻辑的概率概念是一切归纳推理的基础……因此，我称逻辑概率理论为‘归纳逻辑’。”[3]他并把此概念直接发展为科学的推理工具：“我相信，逻辑概率概念应当为经验科学方法论的基本概念，即一个假说为一给定证据所确证的概念提供一个精确的定量刻画。因此，我选用‘确证度’这个术语作为逻辑概率刻画的专门术语。”[3]与凯恩斯一样，卡尔纳普把概率1解释作句子e和h间的逻辑关系，表达式是c(h,e)=r，读作“证据e对假说h的逻辑确证度是r”。这样，归纳便是分析性的了，演绎推理是完全蕴涵，归纳推理是部分蕴涵，即归纳是演绎的一种特例。此外，卡尔纳普所想要的归纳逻辑还是定量的，他希望最终找到足够多的明确而可行的规则，使C(e,h)的计算成为只是一种机械的操作，以将他与凯恩斯严格区分开来。

20世纪30年代，莱欣巴赫建立了他的概率逻辑体系，被称为经验主义的概率归纳逻辑。他用频率说把概率定义为，重复事件在长趋势中发生的相对频率的极限。这种方法简单实用，但却带来两方面的困难。首先，上述极限定义是对于无数次重复事件的概率而言的。那如何找出一种测定假说真假的相对频率的方法呢？其次，对单一事件或单一假说怎么处理呢？所以频率说只适用于经验事件的概率，其合理性的辩护非常困难。它所面临的最大困难就是找不到由频率极限过渡到单个事件概率的适当途径。为此，莱欣巴赫建议把“概率”概念推广到虚拟的、平均化的“单个”事件，引进了单个事件的“权重（Weight）”概念，试图把理想化的单个事件的概率或“权重”事先约定与对应的同质事件的无限序列的极限频率视作同一。但这与他的初衷相背，频率论者不得不由原先主张的客观概率转向主观概率了。

对概率的前两种解释都着眼于概率的客观量度，然而对随机事件的概率预测离不开主观的信念与期望。主观主义概率归纳逻辑发端于20世纪30年代，创始人是拉姆齐（F.P.Ramsey）和菲尼蒂（DeFinetti）。它将概率解释为“合理相信程度”或“主体x对事件A的发生，或假说被证实的相信程度。”表明，如果按贝叶斯公理不断修正验前概率，那么无论验前概率怎样，验后概率将趋于一致；这样，验前概率的主观性和任意性就无关紧要了，因为它们终将淹没在验后概率的客观性和确定性之中。一个人对被检验假设的验前概率是由他当时的背景知识决定的。

主观概率充分注意到推理的个人意见及心理对于概率评价的相关性，意义重大。但是，人们在做出置信函项时，除了“一贯性”的较弱限制外，很难在多种合理置信函项间作出比较和选择。

三、概率归纳逻辑兴起的原因

概率归纳逻辑是伴随现代科学、现代演绎逻辑、归纳逻辑本身的发展而兴起的。

概率归纳逻辑兴起的原因大致有：（1）现代科学的发展。对微观粒子的运动只能采用概率的方法，因此，西方科学界出现了否定因果决定论而接受概率论的观念。（2）较完备的概率理论。特别是20世纪以来，它具备了严格的数学基础，而且被广泛应用于各种领域。（3）归纳逻辑本身要求进一步完善和精确化。人们要求对单称事件陈述对全称理论陈述的归纳支持作出量的精确刻画。逻辑的数学化，数学的逻辑化，穆勒已经注意到归纳与概率的关系，耶方斯等将归纳与概率结合。（4）以数理逻辑为主干的现代演绎逻辑逐渐成熟，从而使得一些逻辑学家热衷于将现代演绎的形式化、公理系统方法与概率论方法协调起来，以运用于归纳逻辑的研究。（5）对归纳法的合理性问题的探索。休谟的归纳问题一直是个哲学难题。现代归纳逻辑的种种体系，几乎都可以看成是对这个问题不断作出回答。上述三种概率归纳逻辑体系也无例外，都是为求得归纳推理的合理性，或对归纳论证进行改进，或把结论改成概率的陈述，使归纳逻辑被构造成演绎逻辑的一个分支，或用实用主义策略使归纳即使不是有效的，至少也有存在的理由。所以说概率逻辑是以现代演绎逻辑和概率论为工具，形式化、定量化的归纳逻辑。

20世纪50年代以后，科学技术步入一个新的阶段，概率论与数理统计、数理逻辑等相关学科取得新的发展，特别是计算机科学技术以及多学科交叉发展的趋势，使现代归纳逻辑的研究进入到一个新阶段，出现了一些新的趋势和特点。

第一，面临归纳演绎化的困难，出现了非概率化、非数量化的趋势，有的用有序化、等级化来代替，有的将定性的研究重新放到重要的位置上，有的又再度重视如模态、因果概念的结合使用等等。

第二，将主观因素与客观因素相结合，将纯逻辑研究与其他学科相结合。这就不能只限于语构层次，而要考虑语义、语用层次，就要涉及心理学、社会学等方面的研究。而且不能脱离所涉及的具体过程（实验）与学科。

第三，对归纳逻辑的研究与整个思维科学、信息科学的研究联系起来。归纳是一类复杂性问题，决不是单靠纯逻辑所能解决的。归纳远比演绎复杂，须与多学科结合起来进行系统研究。

第四，归纳逻辑的研究与当前的科技相互影响、相互作用。申农提出的信息论仅是相当于语形的统计信息模型。而信息的语义层次的研究都出自卡尔纳普之手，再经辛迪卡（Hintikka）等人的论作又已形成信息逻辑这一分支。这揭示了逻辑与信息科学的联系。再如，随着计算机科学、人工智能的研究进展，对归纳的研究日益受到重视。若能将人工智能与归纳结合起来，必将带来新的进展与突破[4]。

概率归纳逻辑是归纳逻辑的一个发展阶段，它大大发展了归纳逻辑，也昭示了归纳逻辑的发展机制，为我们出示了现代归纳逻辑发展的方向。

摘要：从穆勒等人对或然性的探讨，经耶方斯对概率归纳逻辑的开创，到卡尔纳普代表的现代概率归纳逻辑体系，考察了概率归纳逻辑的发展历程，从中揭示其兴起的原因，并分析现代归纳逻辑发展的一些新趋势。

关键词：概率归纳；逻辑；概率论

Abstract:FromMulle’sdiscussionoftheprobability,afterW.S.Jevons’sfoundationtotheprobabilisticinductivelogic,untilthesystemofmodernprobabilisticinductivelogicwhichCarnaprepresents.Thisarticleinspectstheprocessofwhichprobabilityinductivelogicdeveloped,promulgatesthereasonwhichitrises,andanalyzessomenewtendenciesofthemoderninductivelogic.

参考文献:

[1]W.S.Jevous.ThePrinciplesofScience[M].London:DoverPress,1877.197.

[2]Hintikka,J.(ed.).RudolfCarnap,LogicalEmpiricist[M].D.ReidelPub.Co.,1995.LIX.

概率归纳范文篇2

一、概率归纳逻辑的开创

耶方斯的工作实现了古典归纳逻辑向现代归纳逻辑的过渡。

二、现代概率归纳逻辑

三、概率归纳逻辑兴起的原因

概率归纳逻辑是伴随现代科学、现代演绎逻辑、归纳逻辑本身的发展而兴起的。

概率归纳逻辑是归纳逻辑的一个发展阶段，它大大发展了归纳逻辑，也昭示了归纳逻辑的发展机制，为我们出示了现代归纳逻辑发展的方向。

[摘要]从穆勒等人对或然性的探讨，经耶方斯对概率归纳逻辑的开创，到卡尔纳普代表的现代概率归纳逻辑体系，考察了概率归纳逻辑的发展历程，从中揭示其兴起的原因，并分析现代归纳逻辑发展的一些新趋势。

关键词：概率归纳；逻辑；概率论

参考文献:

[1]W.S.Jevous.ThePrinciplesofScience[M].London:DoverPress,1877.197.

[2]Hintikka,J.(ed.).RudolfCarnap,LogicalEmpiricist[M].D.ReidelPub.Co.,1995.LIX.

概率归纳范文篇3

关键词:独立随机过程;计数系统;归纳法;保险业

概率论是一门应用非常广泛的学科。在数学史上,它的产生是以帕斯卡和费马在1654年的七封通信为标志的。由于这些信件中所解决的问题多是与有关的点数问题,因此人们总是把概率论的产生归功于这项机遇游戏。但考古学发现告诉我们,游戏早在文明初期就已经存在了,迄今已有几千年的历史,而概率论从诞生至今不过三百余年,这说明并不是概率论产生的决定性条件。在从出现到概率论产生之间的这段“空白”期,必定还有一些十分关键的因素正在孕育之中。那么这些因素是什么?换句话说,需要具备哪些先决条件,概率论才能得以形成?

一独立随机过程的出现

对概率论而言,两个最主要的概念就是独立性和随机性[1]。概率论是从研究古典概型开始的,它所涉及的研究对象是大量的独立随机过程。通过对这些过程中出现的问题的解决,概率理论体系才逐渐地建立起来。因此要考察概率论的产生条件,我们首先应当对独立随机过程的产生有充分的了解。

事实上,这种过程的雏形早在原始社会就已经存在了,那时的占卜师们使用动物的趾骨作为占卜工具,将一个或多个趾骨投掷出去,趾骨落地后的不同形状指示神对人事的不同意见。由于投掷趾骨这个过程所产生的结果具有不可预测性,而每次投掷的结果也互不影响,这与我们今天投掷骰子的基本原理相当,因此趾骨可以被看作是骰子的雏形。但是由于趾骨形状的规则性较差,各种结果出现的机率不完全相同(即不具备等可能性),所以趾骨产生的随机过程还不是我们今天意义上的独立随机过程。加之趾骨作为一种占卜工具,其本身具有神圣的地位,普通人不可能轻易使用,这也在某种程度上阻碍了人们对随机过程的认识。

随着社会的进步和文明的发展,骰子变得越来越普遍,不仅数量增多,规则性也日益精良,此时它已不再是一件神圣的器具而逐渐成为普通大众的日常用具。从原理上看,只要一枚骰子是质地均匀的,它就可以产生一系列标准的独立随机过程。这些过程具备良好的性质(独立性、随机性、等可能性),是进行概率研究的理想对象。如果经常接触这些随机过程,就很有可能从中发现某些规律性。实际上,通过对骰子的研究我们确实发现了一些有趣的现象。在考古出土的骰子当中,有一些被证明是用于的工具,它们的形状规则而质地却不均匀,也就是说,骰子的重心并不在其几何中心。可以想像,如果骰子的某一面较重,则其对面朝上的机率就会增大,这种骰子明显是为了时用于作弊。而从另一个角度看,如果古代人知道质地不均匀的骰子产生各个结果的可能性不同,那么他们必定清楚一个均匀的骰子产生任何一个结果的机率是相等的。也就是说,经常从事的人必然可以通过大量的游戏过程,意识到掷骰子所得到的结果具有某种规律性,并且这种规律性还可以通过改变骰子的质地而得到相应的改变。虽然古代人的这些意识还只停留在经验总结的水平上,却不得不承认这是一种最原始的概率思想。

游戏存在的时间之长、范围之广、形式之多令人惊讶。但有如此众多的人沉迷于这种游戏活动,也在客观上积累了大量的可供学者进行研究的随机过程。更为重要的是,

在进行的过程中,或许是受到经济利益的驱使,已经开始有人试图解开骰子的奥秘。意大利数学家卡尔达诺就是其中的一位。他本人是个大赌徒,嗜赌如命,但他却具有极高的数学天分。在的过程中,卡尔达诺充分发挥了他的数学才能,研究可以常胜不输的方法。据说他曾参加过这样一种赌法:把两颗骰子掷出去,以每个骰子朝上的点数之和作为赌的内容。那么,赌注下在多少点上最有利?

两个骰子朝上的面共有36种可能,点数之和分别为2～12共11种,从上图可知,7位于此六阶矩阵的对角线上,它出现的概率为6/36=1/6,大于其他点数出现的概率,因此卡尔达诺预言说押7最好。这种思想今天看来很简单,但在当时却是很杰出的。他还以自己丰富的实践经验为基础,写成了全面探讨的《机遇博奕》(LiberdeLudoAleae英译为TheBookofGameofChance)一书,书中记载了他研究的全部成果,并且明确指出骰子应为“诚实的”(honest),即六个面出现的机会相等,以便在此基础上研究掷多粒骰子的等可能结果数[2]。

这些实例充分说明,曾对概率论的产生起过积极的作用。这可能就是人们在谈到概率论时总是把它与联系在一起的缘故吧。但是我们应该认识到,的价值并不在于其作为一种游戏的娱乐作用,而在于这种机遇游戏的过程实际上就是良好的独立随机过程。只有出现了独立随机过程,概率论才有了最初的研究对象。而概率论也的确是在解决机遇游戏中出现的各种问题的基础上建立起自己的理论体系的。因此在概率论的孕育期,可以作为一种模型进行研究的机遇游戏过程即独立随机过程的出现是概率论得以产生的一个重要前提条件。

二先进计数系统的出现

前面曾经提到,独立随机过程的出现并不是概率论诞生的决定性因素。职称论文仅有概率思想而不能将概率结果表达出来,也不能形成完整的理论。概率论是一门以计算见长的数学分支,计算过程中需要运用大量的加法和乘法原理(组合数学原理)进行纯数字运算。对于现代人来说,概率计算并不是一件难事。但是对于16世纪以前的人来说,计算却是十分困难的,原因就在于古代缺乏简便的计数系统。当时的计数符号既繁琐又落后,书写和使用都很不方便,只能用来做简单的记录,一旦数目增大,运算复杂,这些原始的符号就尽显弊端了。而没有简便的计数符号,进行概率计算将是十分困难的事,因此计数符号是否先进也在一定程度上决定着概率论的形成。

对于这一点,现代人可能不容易体会得到,究竟古代的计数符号复杂到什么程度呢?我们可以以古罗马的计数系统为例来说明。

古罗马的计数系统是一种现在最为人们熟悉的简单分群数系,大约形成于纪元前后。罗马人创造了一种由7个基本符号组成的5进与10进的混合进制记数法,即

IVXLCDM

1510501005001000

在表示其他数字时采取符号重复的办法,如Ⅲ表示3,XX表示20,CC表示200等。但如果数字较大表示起来就相当复杂了,比如:1999=MDCCCCLXXXXVIIII

后来为了简化这种复杂的表示法,罗马人又引进了减法原则,即在一个较大的单位前放一个较小单位表示两者之差,如Ⅳ表示4,CM表示900,则1999=MCMXCIX

如果要计算235×4=940,现代的竖式是

而公元8世纪时英国学者阿尔琴演算同一道题的过程则要复杂得多:古罗马数字对于这样一个既不含分数和小数,数字又很简单(只有三位数)的乘法运算处理起来尚且如此复杂,可以想象,即使数学家有足够的时间和耐心,要解决概率计算里涉及的大量纯数字运算也是一件太耗费精力的事。在这种情况下想要作出成果,数学家们的时间不是用来研究理论而只能是忙于应付这些繁重的计算工作了。显然古罗马的计数系统并不适合于进行计算,而事实上,欧洲的代数学相比几何学而言迟迟没能发展起来,很大程度上也是由于受到这种落后的计数系统的限制。不仅仅是古罗马数字,在人类文明史上出现过的其他几种计数系统(如古埃及、古巴比伦等的计数系统)也由于符号过于复杂,同样不能承担进行大量计算的任务。

相反,以位值制为基本原理的阿拉伯数字则比古罗马数字以及古代其他的计数系统要先进得多,它不但书写简便,而且非常有利于加法、乘法的运算及小数和分数的表示。从上面的例子可以看出,它的使用可以大大节省运算时间,提高运算效率。正是由于使用了这种先进的计数符号,阿拉伯数字的发明者———古印度人的组合数学(组合数学原理是概率计算运用较多的一种数学工具)才得以领先欧洲人许多。据记载,印度人,特别是公元前三百年左右的耆那数学家就由于宗教原因开展了对排列与组合的研究。公元四百年,印度人就已经掌握了抽样与骰子之间的关系(比欧洲人早一千二百年)。而直到公元8世纪时,商业活动和战争才将这种先进的数字符号带到了西班牙,这些符号又经过了八百年的演化,终于在16世纪定型为今天的样子。

数字符号的简单与否对概率论究竟有什么样的影响,我们不妨举例说明:

问:有n个人,当n为多少时,至少有两人生日相同的概率大于二分之一?

假设所有人生日均不相同的概率为P,则

P=(365/365)×(364/365)×⋯×[(365-n+1)/365]

而题中所求之概率P(n)=1-P=1-(365/365)×(364/365)×⋯×[(365-n+1)/365]

通过计算得出结论,当n=23时,P(n)=0.51>0.5,因此答案为23。

这是概率论中著名的“生日问题”,也是一种很典型的概率计算问题。从它的计算过程中我们不难看出,数字运算在概率论中占有重要的地位。如果使用古罗马的计数法,这样一个概率问题从表达到计算都会相当繁琐,以至于它的求解几乎是不可能的。

对于阿拉伯数字的伟大功绩,大数学家拉普拉斯(Laplace)有如下评价:“用不多的记号表示全部的数的思想,赋予它的除了形式上的意义外,还有位置上的意义。它是如此绝妙非常,正是由于这种简易难以估量⋯⋯我们显然看出其引进之多么不易。”[3]阿拉伯数字的出现为概率的表达和计算扫清了阻碍,如果没有这些简便的符号,概率论可能还只停留在概率思想的阶段。正是由于使用了可以简洁地表示分数和小数的阿拉伯数字,才使概率思想得以通过形式化的符号清晰地表现出来并逐渐形成理论体系。在概率论的孕育阶段,这种形式化的过程是十分必要的,它使得对概率的理解和计算成为可能,因此先进的计数系统对概率论的形成和发展都起着重要的作用。

三概率论产生的方法论基础———归纳法

除了需要具备上述因素以外,概率论的形成还需要具备归纳思维。概率论是一门具有明显二重性的理论体系:“一方面它反映了从大量机遇现象中抽象出来的稳定的规律性;另一方面它关系着人们对证明命题的证据或方法的相信程度”。[4]这两方面特性都以归纳法作为最基本的研究方法,因此可以说,归纳法是概率论的方法论基础,概率论的产生必须在归纳法被广泛运用的前提下才成为可能。归纳法虽然是与演绎法同时存在的逻辑方法,但在文艺复兴以前,占主导地位的推理方式是演绎思维(不具有扩展性),归纳思维是不受重视的。直到文艺复兴运动以后,这种状况才被打破。归纳法因其具有扩展性而逐渐成为进行科学发现的主导方法。

从演绎到归纳,这个过程实际上是一种思维方式的转变过程,虽然转变是在潜移默化中完成的,但转变本身对概率论的出现却起着决定性的作用。我们可以通过考察“概率论”(probability)一词的词根“可能的”(probable)来说明这种转变。在古希腊“,probable”并不是今天的这个含义,它曾意味着“可靠的”或“可取的”,比如说一位医生是“probable”就是指这位医生是可以信赖的。但到了中世纪,这个词的含义发生了变化,它已经和权威联系在一起了。当时的人们在判断事情的时候不是依靠思考或证据而是盲目地相信权威,相信更早的先人所说的话。在这种情况下,如果说某个命题或某个事件是“probable”,就是说它可以被权威的学者或《圣经》之类的权威著作所证明。而经过了文艺复兴之后,人们终于意识到对自然界进行探索(而不是崇拜权威)才是最有价值的事,正如伽利略所说的那样:“当我们得到自然界的意志时,权威是没有意义的。”[5]因此,“probable”才逐渐与权威脱离了关系。15、16世纪时它已经具有了今天的含义“可能的”,不过这种可能性不再是权威而是基于人们对自然界的认识基础之上的。

“probable”一词的演化体现了人们认识事物方式的转变过程。当然这并不是说,文艺复兴以前没有归纳思维。留学生论文当一个人看到天黑的时候他会自然想到太阳落山了,因为每天太阳落山后天都会黑。这种归纳的能力是与生俱来的,即使中世纪的人们思想受到了禁锢,这种能力却还不至消失。而抛弃了权威的人们比先辈们的进步之处在于,他们是用归纳法(而不是演绎法)来研究自然界和社会现象的。他们将各种现象当作是自然或社会的“特征”,进而把特征看作是某种更深层的内存原因的外在表现。通过使用归纳推理进行研究,他们就可以发现这些内在原因,从而达到揭开自然界奥秘和了解社会运行规律的目的。于是在好奇心的驱使之下,归纳思维被充分地激发出来。而这一点恰恰是概率论得已实现的必要条件。从概率论的第一重特性中可以看出,概率论所研究的对象是大量的随机现象,如游戏中掷骰子的点数,城市人口的出生和死亡人数等等。这些多数来自于人们社会活动的记录都为概率论进行统计研究提供了必须的数据资料。虽然这些记录的收集与整理其目的并不在于发现什么规律,但善于运用归纳思维的人却能从中挖掘出有价值的研究素材。例如,早在16世纪,意大利数学家卡尔达诺就在频繁的过程中发现了骰子的某些规律性并在《机遇博奕》一书中加以阐述;17世纪,英国商人J·格龙特通过对定期公布的伦敦居民死亡公告的分析研究,发现了死亡率呈现出的某种规律性[6];莱布尼兹在对法律案件进行研究时也注意到某个地区的犯罪率在一定时期内趋向于一致性。如果没有很好的归纳分析的能力,想要从大量繁杂的数据中抽象出规律是不可能的。而事实上,在17世纪60年代左右,归纳法作为一种研究方法已经深入人心,多数科学家和社会学家都在不自觉地使用归纳的推理方法分析统计数据。除了上述两人(格龙特和莱布尼兹)外,统计工作还吸引了如惠更斯、伯努利、哈雷等一大批优秀学者。正是由于许多人都具备了运用归纳法进行推理的能力,才能够把各自领域中看似毫无秩序的资料有目的地进行整理和提炼,并得到极为相似的结论:随机现象并不是完全无规律的,大量的随机现象的集合往往表现出某种稳定的规律性。概率论的统计规律正是在这种情况下被发现的。

概率论的第二重特性同样离不开归纳法的使用。既然概率论反映的是人们对证明命题的证据的相信程度(即置信度),那么首先应该知道证据是什么,证据从何而来。事实上,证据的获得就是依靠归纳法来实现的。在对自然界特征的认识达到一定程度的情况下,人们会根据现有的资料作出一些推理,这个推理的过程本身就是归纳的过程。当假设被提出之后,所有可以对其合理性提供支持的材料就成了证据,即证据首先是相对于假设而言的。如果没有归纳法的使用,证据也就不存在了。由于归纳推理在前提为真的情况下不能确保结论必然为真,因此证据对假设的支持度总是有限的。在这种情况下,使用归纳推理得到的命题的合理性便不能得到充分的保障。而概率论的第二重特性就是针对这个问题的,证据究竟在多大程度上能够为假设提供支持?这些证据本身的可信度有多少?为解决归纳问题而形成的概率理论对后来的自然科学和逻辑学的发展都起到了重要的作用。

归纳法的使用为概率论的形成提供了方法论基础。它一方面使得概率的统计规律得以被发现,另一方面,也使概率论本身具有了方法论意义。从时间上看,概率论正是在归纳法被普遍运用的年代开始萌芽的。因此,作为一种具有扩展性的研究方法,归纳法为概率论的诞生提供了坚实的思维保障和方法论保障,在概率论的形成过程中,这种保障具有不容忽视的地位。四社会需求对概率论形成的促进作用

与前面述及的几点因素相比,社会因素显然不能作为概率论产生的内在因素,而只能被当作是一种外在因素。但从概率论发展的过程来看,作为一种与实际生活紧密相关的学科,其理论体系在相当大的程度上是基于对社会和经济问题的研究而形成的,因此对实际问题的解决始终是概率理论形成的一种外在动力。在这一点上,社会因素与概率理论形成了一种互动的关系，它们需要彼此相结合才能得到各自的良好发展。从17、18世纪概率论的初期阶段来看,社会经济的需求对概率论的促进作用是相当巨大的[7]。

在社会需求中,最主要的是来自保险业的需求。保险业早在奴隶社会便已有雏型,古埃及、古巴比伦、古代中国都曾出现过集体交纳税金以应付突发事件的情形。到了14世纪,随着海上贸易的迅速发展,在各主要海上贸易国先后形成了海上保险这种最早的保险形式。其后,火灾保险、人寿保险也相继诞生。各种保险虽形式各异,但原理相同,都是靠收取保金来分担风险的。以海上保险为例,经营海上贸易的船主向保险机构(保险公司)交纳一笔投保金,若货船安全抵达目的地,则投保金归保险机构所有;若途中货船遭遇意外而使船主蒙受损失,则由保险机构根据损失情况予以船主相应的赔偿。这样做的目的是为了将海上贸易的巨大风险转由两方(即船主与保险公司)共同承担[8]。从这个过程中可以看出,对保险公司而言,只要船只不出事,那么盈利将是肯定的;对船主而言,即使船只出事,也可以不必由自己承担全部损失。

从性质上看,从事这种事业实际上就是一种行为,两方都面临巨大风险。而这种涉及不确定因素的随机事件恰恰属于概率论的研究范围。工作总结由于保险业是一项于双方都有利的事业,因此在16、17世纪得到了快速的发展,欧洲各主要的海上贸易国如英国、法国、意大利等都纷纷成立保险公司,以支持海上贸易的发展。此外还出现了专门为他人解决商业中利率问题的“精算师”。不过在保险业刚起步的时候,并没有合理的概率理论为保金的制定提供指导,最初确定投保金和赔偿金的数额全凭经验,因此曾经出现过很长时间的混乱局面。而这样做的直接后果就是不可避免地导致经济损失。例如在17世纪,养老金的计算就是一个焦点问题。荷兰是当时欧洲最著名的养老胜地和避难场所,但其养老金的计算却极为糟糕,以致政府连年亏损。这种状况一直持续到18世纪,概率理论有了相当的发展,而统计工作也日渐完善之后,情况才有所改观[9]。在结合大量统计数据的前提下,运用概率理论进行分析和计算,由此得到的结果才更有可能保证投资者的经济利益。

我们可以举一个人寿保险的例子来说明概率理论是如何应用到保险事业中来的:2500个同年龄段的人参加人寿保险,每人每年1月交投保费12元。如果投保人当年死亡,则其家属可获赔2000元。假设参加投保的人死亡率为0.002,那么保险公司赔本的概率是多少?

从直观上看,如果当年的死亡人数不超过15人,则保险公司肯定获利,反之,则赔本。不过单凭经验是绝对不行的,必需有一套合理的理论来帮助处理此类问题。根据所给条件,每年的投保费总收入为2500×12=30000(元),当死亡人数n≥15时不能盈利。令所求之概率为P,由二项分布的计算公式可以得出P(n≥15)=0.000069。也就是说,如果按以上条件进行投保并且不出现特别重大的意外,则保险公司有几乎百分之百的可能性会盈利。

这个问题就是通过将概率理论运用到关于人口死亡的统计结果之上从而得到解决的。这个简单的例子告诉我们,概率理论对保险业的发展有着相当重要的指导作用。根据统计结果来确定在什么样的条件下保险公司才能盈利是概率理论对保险业最主要的贡献,它可以计算出一项保险业务在具备哪些条件的情况下会使保险公司获得收益,并进而保证保险公司的经营活动进入良性循环的轨道。从另一方面看,最初保险业的快速发展与其不具有基本的理论依据是极不协调的,这很容易导致保险公司由于决策失误而蒙受经济损失。因此保险事业迫切需要有合理的数学理论作为指导。在当时的社会环境下,由科学家参与解决实际问题是非常有效的,而由保险所产生的实际问题确实曾吸引了当时众多优秀数学家的目光。在1700-1800年间,包括欧拉、伯努利兄弟、棣莫弗(deMoivre)、高斯等在内的许多著名学者都曾对保险问题进行过研究,这些研究的成果极大地充实了概率理论本身。

可以说,经济因素和概率理论在彼此结合的过程中形成了良好的互动关系,一方面数学家们可以运用已有的理论解决现实问题。另一方面,新问题的出现也大大刺激了新理论的诞生。概率论的应用为保险业的合理化、规范化提供了保证,正是由于有了概率论作理论指导,保险业的发展才能够步入正轨。反过来,保险业所出现的新的实际问题,也在客观上促进了概率理论的进一步完善。这样,对于概率论的发展来说,保险业的需求便顺理成章地成为了一个巨大的动力。

五总结

概率论的产生就像它的理论那样是一种大量偶然因素结合作用下的必然结果。首先,这种机遇游戏提供了一种良好的独立随机过程,在进行的过程中,最原始的概率思想被激发出来;其次,先进的计数系统为概率思想的表达扫清了阻碍,也使得这些思想得以形式化并形成系统的理论。当然在获得概率思想的过程中,思维方式的转变和研究方法的进步才是最根本的关键性条件。如果没有归纳法的使用,即使存在着良好的独立随机过程也不可能使人们认识到大量统计数据中所隐藏着的规律性。此外,社会经济的发展,需要借助数学工具解决许多类似保险金的计算这样的实际问题,而这些吸引了众多优秀数学家们兴趣的问题对于概率论的形成是功不可没的,它大大刺激了概率理论的发展,使概率论的理论体系得到了极大的完善。上述四个因素都是概率论产生的重要条件,但是它们彼此之间并没有明显的时间上的先后顺序,最初它们的发展是各自独立的,但是随后这些条件逐渐结合在一起,使得原本零散的概率思想开始系统化、条理化。从概率论的历史来看,这几种因素的结合点就是17世纪末至18世纪初,因此概率论在这个时间诞生是很自然的事。

了解概率论的产生条件对于我们理解概率论在当今社会的重大意义有很好的帮助。今天,随着概率理论的广泛应用,它已不仅仅是一种用于解决实际问题的工具,而上升为具有重大认识论意义的学科。概率论不仅改变了人们研究问题的方法,更改变了人们看待世界的角度。这个世界不是绝对必然的,它充斥着大量的偶然性,所谓规律也只是在相当的程度上被我们所接受和信任的命题而已。运用概率,我们就可以避免由归纳法和决定论带来的许多问题和争论。科学发现的确需要偶然性,现代科学向我们证明,概率理念和概率方法已经成为进行科学研究的一项重要手段。

【参考文献】

[1]IanHacking.AnIntroductiontoProbabilityandInductiveLogic[M].CambridgeUniversityPress,2001.23.

[2]陈希孺.数理统计学小史[J].数理统计与管理,1998,17(2):61-62.

[3]张楚廷.数学方法论[M].长沙:湖南科学技术出版社,1989.272-274.

[4]IanHacking.TheEmergenceofProbability[M].CambridgeUni-versityPress,2001.1.

[5]莫里斯·克莱因.古今数学思想(第二册)[M].上海:上海科学技术出版社,2002.35.

[6]柳延延.现代科学方法的两个源头[J].自然科学史研究,1996,15(4):310-311.

[7]NeilSchlager.ScienceandItsTimes.Vol4:205-206,Vol5:205-208.GaleGroup,2001.

概率归纳范文篇4

一、各种概率解释的局限性

概率理论是由帕斯卡开创，并且由科尔莫哥洛夫实现公理化的经典概率演算系统。这种理论主要是作为数学概率论而发展起来的，但人们是在最广泛的意义上使用概率概念的，对概率的解释不同，也就产生了各自有别的测定概率值的方法，由此便导致了不同类型的概率逻辑系统。于是帕斯卡概率便出现了以下几种主要的解释：逻辑解释、主观解释、频率解释、性向解释以及主体交互解释。这些概率解释都具有一定的恰当性和可应用性，但同时它们又不可避免地存在一定的局限性。具体地说：

在逻辑解释中，凯恩斯与卡尔纳普都采用了无差别原则作为逻辑原则。但无差别原则毫无疑问会导致悖论，例如，关于书的悖论、酒—水悖论和几何学概率的悖论。虽然对一些这样的悖论有独特的解决方法，但是没有任何普遍的方法把它们都消除掉。任何使用无差别原则的人从来都不能肯定它是否和什么时候将出现矛盾。因此，唯一安全的策略就是完全地抛弃这个原则，并且这样做意味着放弃逻辑解释——至少放弃它的传统形式。

在信息不充分的情况下，主观解释是比较适用的，因而它极大地拓宽了概率论的应用范围，使得人们的意见、判断、评价、信念等主观的东西都可以通过信念度来测量。例如1999年春夏之际，北约对南联盟进行空中打击，狂轰乱炸，久攻不下。当时人们纷纷猜测北约会不会向南联盟派遣地面部队，这种事情发生的可能性究竟有多大?我们就可以用主观信念度来表示“北约向南联盟派遣地面部队”这一事件的概率。但是，由于主观解释允许具有同样证据的不同主体对同一假说可以合理地赋予不同的概率，从而使得人们在确定初始概率或先验概率上具有相当大的主观任意性。拉姆齐认为，除了满足概率公理之外，没有什么可以唯一地确定先验概率或初始概率。主观标准的随意性遭受到了许多的批评，对于这一困难，德·芬内蒂提出了著名的“意见收敛定理”加以保证。但由于意见收敛定理必须满足的前提即所讨论事件的可换性也遭到了许多批评，这就使得人们用主观概率来表达客观概率的期望成为泡影。因而，主观主义者们绕了一个大弯又回到了起点，即对基本概率的确定是主观任意的，唯一的限制是满足概率公理。

由于频率解释把概率定义为事件在无穷序列中的相对频率的极限，因而这种解释在科学确证的过程中遇到了许多困难。例如，对于单个事件，如何确定它的概率；对于休谟问题，又是如何解决的。而性向解释(主要指长趋势性向解释)在一系列问题上明显优越于频率解释：性向解释是一种关于概念创新的非操作主义理论，这种非操作主义理论在自然科学中解释概念创新比冯·米瑟斯的操作主义更好；性向解释消除了关于无限聚合的所有问题，并且通过为概率陈述引入一种可证伪规则，这个规则对概率与十分适合标准统计实践的频率之间的关系给出了一种解释；性向解释通过把随机和独立归约为独立的排除了冯·米瑟斯对这两个不同概念的介绍；性向解释通过把概率与可重复的条件而不是聚合联结起来容许演算的更广泛应用；性向解释更符合科尔莫哥洛夫公理和对概率使用测度理论的现代数学方法，因为它容许概率作为一种未被定义的概念被引入；等等。就所有这些观点来说，我们认为性向解释已经替代了频率解释并且是当前可利用的有效的客观解释。然而，人们对性向概念的理解远不止这些，并且随着科学的发展而发展，同时又不可避免地存在各种各样的异议和含糊。

主体交互解释把概率看作是关于一个群体的共同信念度。被用来介绍主体交互概率的荷兰赌论证表明，如果这个群体同意一个共同的赌商，那么这个共同的赌商就会保护他们不被狡猾的对手打输。荷兰赌论证向群体的扩展仅仅对具有共同旨趣的群体有意义。这表明了这样的群体应该在其内部建立交流和信息流，使得他们通过讨论能够形成一致意见或主体交互概率。只有通过这种方式整个群体才能保护自己不输给狡猾的对手。但是，主体交互解释也不可避免地存在着一些问题，例如它只适用于具有共同旨趣的社会群体，而对一个缺乏共同旨趣的群体没有有效性，因为每个个体都将不关心这个群体的其他成员发生什么事情，因而每个个体将形成他或她自己的主观概率而不考虑其他人的信念；主体交互概率概念对宗教流派、政治党派等社会群体来说是合适的概念，但他们通常没有达到包含全体人类。

以上是我们对符合经典概率演算的各种解释的分析和论述。很显然，主观解释、主体交互解释以及性向解释是当前可利用的比较有效的概率解释，它们都具有一定的恰当性和可应用性，但同时它们又不可避免地存在着一定的局限性。因此，一些学者试图从语形方面对经典概率演算系统进行修改或否定来研究概率逻辑。二、非科尔莫哥洛夫概率理论

在主观解释中，贝叶斯主义者支持的更新规则是条件化：Pr更新(A)=Pr初始(AIE)(只须Pr初始)。后来，刘易斯(Lewis)对条件化给出了一个“历时的”荷兰赌论证。杰弗里(Jeffrey)条件化的规则或概率运动学将按照下式把主体的更新概率函数与初始概率函数联系起来：Pr更新(A)=∑Pr初始(AIE)Pr更新(Ei)。正统贝叶斯主义可以用下列原则刻画：(1)理性主体的“先验”(初始)概率符合概率演算；(2)理性主体的概率借助(杰弗里)条件化规则来更新；(3)对理性主体没有任何进一步的约束。

但是正统贝叶斯主义遭到了他们的批评，说它的要求过分了：它对所有命题、逻辑全知者等等指派精确概率的要求一直被有些人看作是不合情理的理想化。这就导致了对上述原则(1)和(2)的各种放宽。原则(2)可以被弱化以容许除条件化之外的概率更新的其他规则——例如，Jaynes和斯基尔姆(Skyrms)认为在相关限制的条件下，对使熵极大化的概率函数加以修改。而一些贝叶斯主义者例如厄尔曼(Earman)则放弃了概率更新完全是由规则支配的要求。对原则(1)的放宽是一个大论题，它催生了一些非科尔莫哥洛夫概率理论。下面我们将简要地介绍一些这样的系统，并指出它们与各种逻辑之间的联系。

抛弃西格马域子结构科尔莫哥洛夫把Ω子集的一个非空聚合F称为Ω上的一个西格马域，当且仅当，F在取余运算和可数的组合之下闭合。法恩(Fine)在他的《概率论》(1973)论证说，概率函数的域应该是西格马域的要求是过分地限制的。例如，人们可能拥有对于种族和性别的达成共识的有穷材料，这些材料给出了关于一个随机选定的人是男人的概率Pr(M)和这个人是黑的的概率Pr(B)充分的信息，而没有给出关于这个人既是男人又是黑人的概率Pr(M∩B)的任何信息。因此他认为，应该抛弃西格马子结构，使概率函数的域不用限制于西格马域。

抛弃精确概率每一个科尔莫哥洛夫概率都是一个单独的数字。但是，假定一个主体的意见状态并不决定单独的概率函数，而是与这些函数的积相一致。在这种情况下，人们可以把该主体的意见表达为所有这些函数的集合；并且这个集合的每一函数都合法地对应于一种确定主体意见的方法，这种方法通常与区间值概率指派相吻合，但并非一定如此。例如，杰弗里在他的《概率与判断的艺术》(1992)和莱维(Levi)在他的《知识的冒险精神》(1980)中都持这一观点。库普曼在他的《概率基础》(1980)提出了关于可能会被认为是这种区间终点的“上界”和“下界”概率的公理。沃利在《关于不精确概率的统计推理》(1991)一书中也提出了对不精确概率的扩展研究。

完全抛弃数字概率与迄今为止所假定的“定量的”概率相对照，法恩在他的《概率论》中倾向于深入探讨各种比较概率的理论，他通过形如“A至少像B那样概然(A≥B)”的陈述来举例说明这种概率。他提出了支配着“≥”的公理，并探讨了比较概率能够以科尔莫哥洛夫概率表达的条件。

否定的概率和复数值概率迪拉克(Dirac)、威格纳(Wigner)以及范曼(Feynman)等物理学家更激进地主张否定的概率。例如，范曼建议说，在一维标尺中粒子的漫射具有一个存在于给定位置和时间的概率，这个概率是由取否定值的一个量值给定的。然而，由于是取决于如何对概率作出解释，人们实际上是想说，这种函数与概率函数有某种相似性，但是当它取否定值时，这种相似性就被没有了。考克斯(Cox)在他的连续时间具有离散状态的随机过程理论中容许概率在复数中取值。缪肯汉姆(Mückenheim)在他的《对扩展概率的回顾》(1986)一书中也持同样的看法。抛弃正规化公理科尔莫哥洛夫的概率函数可以取的最大值是1，看起来是约定俗成的。然而，它具有一些非平凡的推理。与其他公理相配套，它确保概率函数至少取两个不同的值，并且概率函数存在着一个最大值是非平凡的。实际上，雷伊(Re-nyi)在他的《概率的基础》(1967)中完全抛弃了正规化假定，允许概率取“∞”值。还有一些作者放松了经典逻辑对概率的限制，容许逻辑的或必然的真理被指派小于1的概率——也许是因为他们认为逻辑的或数学的猜想可以或多或少充分地被确证。此外，科尔莫哥洛夫公理2涉及了经典逻辑隐含地假定的“重言式”概念。相反，非经典逻辑的拥护者也许想用他们青睐的“重言式”的“异常”概念(也许需要在公理化时在别的地方作相应的调整)。因此，构造主义者主张概率论建立在直觉主义逻辑的基础之上。

无穷概率科尔莫哥洛夫概率函数取实数值。许多哲学家，例如刘易斯和斯基尔姆等取消了这个假设，容许概率从分析的一个非标准模型的实数中取值。尤其是，他们容许概率是无穷的：正数但又小于每一(标准)实数。按照标准概率论，在无穷概率空间中的各种非空命题通常都会得到0概率，而这样一来，这些命题被指派正的概率实质上就会被认为是不可能的(考虑随机地选择来自[0，1]区间的一个点)。而在不可数空间里，正则概率函数不可避免要取无穷值。

抛弃可数可加性科尔莫哥洛夫最有争议的公理无疑就是连续性公理——例如，可数可加性的“无穷部分”也就是如此。他把它看作是使数学精致的一种理想化，而没有任何经验意义。德·芬内蒂在他的《概率、归纳与统计》(1972)一书中列举了一组反驳这种观点的论证。其中一个具有代表性的论证是：可数可加性要求人们对事件的不可数划分指派极端有偏的分布。实际上，对于任何δ＞0，无论多么小，都将存在着有穷数量的事件，这些事件具有至少1-δ组合概率，从而使所有的概率拥有最大的份额。

抛弃有限可加性人们甚至提出了放弃有限可加性的各种概率论(所谓非可加性概率理论)。登普斯特－谢弗(Dempster-shafer)理论按照下列规则定义一个信念函数Bel(A)：对于Ω的每一个子集A，Bel(A)就是A的子集的数之和。谢弗在《结构概率》(1981)中给出了这样的解释，假定主体将发现Ω上的某一命题，那么Bel(A)就是主体将发现A的信念度。Bel(A)+Bel(-A)不一定等于1；实际上Bel(A)和Bel(-A)从函数角度看是相互独立的，信念函数有许多与库普曼的下界概率相同的形式性质。蒙金(Mongin)在《认知逻辑与非可加性概率理论间的一些联系》(1994)中表明，认知模态逻辑与登普斯特－谢弗理论之间有着重要的联系。所谓“培根式概率”表示另一种背离概率演算的非可加性概率。一个合取式的培根式概率等于这个合取支概率的最小值。这种“概率”在形式上类似于模糊逻辑的隶属函数。科恩在《可几的与可证的》(1977)中认为它们对于测度归纳支持和评价法庭证据是恰当的。

其他学者如杰拉答托(Ghirardato)的含混背离模型、沙克尔的潜在惊奇函数、杜波依斯(Dubois)和普拉德(Prade)的弗晰(fuzzy)概率理论、施梅德勒(Schmeidler)和韦克尔(Wakker)分别提出的期望效用理论以及斯庞(Spohn)的非概率信念函数理论有助于我们进一步了解非可加性概率理论。而在杰拉答托的《不确定性的非可加性测度》(1993)和豪森《概率论》(1995)中有更多的讨论。

三、对非科尔莫哥洛夫概率理论的评析

如上所述，虽然符合经典概率演算系统的概率逻辑(即帕斯卡概率逻辑)就其本身来说是正确的，但它的效力还不够大，于是人们自然期望对帕斯卡概率逻辑放松限制，这就导致了非科尔莫哥洛夫概率理论的出现。由于非科尔莫哥洛夫概率理论抛弃了科尔莫哥洛夫公理系统的某些部分，许多学者因而放弃了对科尔莫哥洛夫概率演算作出恰当解释的追求。根据哈克的观点，“如果一个系统与另一个系统有着共同的词汇，但却有一个不同的定理／有效推理的集合，那么，这个系统就是对第一个系统的偏离；一种异常逻辑就是一个偏离了经典逻辑的系统”。陈波也认为，“变异逻辑就是由否定或修改经典逻辑的一个或多个假定而导致的系统，它们至少在某些定理上与经典逻辑不一致”。非科尔莫哥洛夫概率理论由于对经典概率演算系统的公设或公理进行了修改或放松了限制，因而是一种异常逻辑。

具体地说，非科尔莫哥洛夫概率理论放松了帕斯卡概率逻辑对概率赋值与概率函数的限制或者否定了经典概率演算系统的某些部分。主要表现在：第一，经典概率演算系统只允许基本概率在[0，1]区间取值，而非科尔莫哥洛夫概率理论使概率的取值范围扩大了，例如，他们认为概率值可以取否定和复数值，或者他们允许概率是无穷的；第二，他们认为经典概率演算的某些部分是不可接受的，因而他们抛弃了科尔莫哥洛夫公理系统的某些部分，比如抛弃西格马子结构、抛弃精确概率、完全抛弃数学概率、抛弃正规化公理和抛弃可数可加性；第三，由于抛弃了科尔莫哥洛夫概率演算的有限可加性，因而经典概率演算系统中的正则性、明确性和有限可加性不再成立。科尔莫哥洛夫概率系统与非科尔莫哥洛夫概率理论的关系类似于经典逻辑与相干逻辑或直觉主义逻辑的关系：因此可推断出，非科尔莫哥洛夫概率理论是帕斯卡概率逻辑的变异。

我们可以通过对沙克尔的潜在惊奇理论和柯恩的归纳支持和归纳概率分级句法理论的分析来说明非科尔莫哥洛夫概率理论是一种异常逻辑。沙克尔首先认识到：对于人文系统中的不确定试验，一般来说不可能事先构造样本空间Ω，于是他提出了第一个非帕斯卡概率理论——潜在惊奇理论来描述非分布式不确定性——即当事人不可能事先构造Ω时所面临的不确定性。潜在惊奇理论是度量x关于某一假说的潜在惊奇值和潜在惊奇值运算规则的理论。因此，它是非帕斯卡概率的主观主义解释。潜在惊奇理论具有一系列不同于帕斯卡概率的特征：(1)非分布式不确定性度量定义在不完全样本空间上；(2)在该样本空间中不存在必然事件；(3)任一属于该样本空间的事件h不发生时，～h并不必然发生，即帕斯卡概率论的互补律在此不成立。由于沙克尔的潜在惊奇理论否定了帕斯卡概率论的互补律，因而这一理论可以被看作是一种异常逻辑。

柯恩在对培根和穆勒的排除归纳法研究的基础上，独立地提出第二个非帕斯卡概率理论——归纳支持和归纳概率分级句法理论。柯恩继承了培根思想中的恰当性方面并且扬弃了卡尔纳普归纳逻辑不恰当的方面，柯恩归纳逻辑的主要特点是强调归纳逻辑与自然科学和社会生活实际的紧密联系，即注重归纳逻辑的恰当性和可应用性。他认为，归纳逻辑的形式系统应与不完全理论系统相协调。因而，他以否定的非互补律取代了否定的互补律；在柯恩的系统中，排中律不成立；关于事实问题的非帕斯卡概率不具有可加性，而只能分等级；考虑到科学实际中假说h不能作为证据，他以特有的合取原理取代了合取乘法原理。显然，所有这些表明了柯恩的归纳逻辑是一种异常逻辑。柯恩系统在法庭证明领域、科学方法论的接受理论领域、科学说明领域、性向领域以及语法理论领域都能应用，因此表明了比经典概率演算系统具有更大的可行性。

总而言之，从某种意义上说，非科尔莫哥洛夫概率理论实际上是帕斯卡概率逻辑的发展，因为非科尔莫哥洛夫概率理论是一些学者在帕斯卡概率的各种解释遇到这样那样困难的情况下提出来的。非科尔莫哥洛夫概率理论与经典概率演算系统之间虽然是竞争的，但它们可以同时存在，因为它们的支持者从他们各自不同的立场出发研究概率逻辑。

概率归纳范文篇5

三、对非科尔莫哥洛夫概率理论的评析

概率归纳范文篇6

>波普尔(K.R.Popper)认为，科学知识即理论内容的增长是科学进步的最为重要的标志。如果接受这个论点，那就必须放弃以理论的高概率或高真实度作为科学进步的标准。他给出两个公式：

>Ct(a)≤Ct(ab)≥Ct(b)

>P(a)≥P(ab)≤P(b)

>前一公式表明，理论a和b之内容的合取大于（或等于）a和b各自的内容；后一公式表明，理论a和b之合取的概率小于（或等于）a和b各自的概率。波普尔由此得出结论：“如果知识增长意味着我们用内容不断增加的理论进行工作，也就一定意味着我们用概率不断减小（就概率演算而言）的理论进行工作。因而如果我们的目标是知识的进步或增长，高概率（就概率演算而言）就不可能也成为我们的目标；这两个目标是不相容的。”[1]

>既然理论的内容丰富程度与概率相反，那么追求理论内容的丰富性就不是追求理论的高概率，而是追求理论的低概率，不是追求理论的可证实性，而追求理论的可证伪性。波普尔说：“高的可证伪度或可反驳度、可检验度也是科学的目标之一——事实上，跟大量信息内容恰恰是同一个目标。”[2]据此，波普尔从追求科学知识增长的动机出发，高举起证伪主义的旗帜，来与当时占主导地位的逻辑实证主义分庭抗礼。

>在波普尔的证伪主义的旗帜上还写着演绎主义和反归纳主义。从逻辑上讲，证伪和证实是不对称的。证伪具有演绎逻辑的必然性，其逻辑形式是：如果t那么e，并非e，所以，并非t。但证实却不具有演绎逻辑的必然性，因为“如果t那么e,e是真的，所以，t是真的”不是有效的逻辑形式。正因为此，人们不把证实的推理称作“演绎”，而称作“归纳”。归纳推理不具有必然性，只具有或然性（概然性）。

>归纳推理的或然性并不是它的致命缺陷，它的致命缺陷在于，其逻辑合理性难以得到说明。关于归纳法的合理性问题最早由18世纪英国哲学家休谟提出，然后他做出否定的回答，即归纳法没有逻辑上的合理性，只不过是人们的一种心理习惯。休谟的回答为心理主义和非理性主义大开方便之门，对此，大多数理性主义者的反应是力图为归纳法的合理性进行辩护，如逻辑实证主义者大都如此。然而，波普尔作为理性主义者却给出一种不同凡响的应答。

>波普尔在其早期力作《科学发现的逻辑》中，把归纳问题作为首要问题加以讨论（作为全书的第一章第一节）。他赞成休谟对归纳合理性的否定性回答，即使强调归纳法的或然性，休谟的论证仍然成立。他说：“假如我们对根据归纳推理得来的论述给予一定程度的概率，那么为了证明它就必须援引一条新的经过适当修改的归纳原理。而这条新原理本身也必须被证明，如此等等。而且假如这条归纳原理本身也被说成不是‘真的’，只是‘概然的’，也得不出什么结果。简言之，和归纳逻辑的其他任何一种形式一样，概然推理的逻辑，或‘概率逻辑’，不是导致无穷后退就是导致先验论的学说。”[3]

>有趣的是，虽然波普尔赞成休谟对归纳合理性的否定，但他却不赞成休谟对科学合理性的否定，因为科学的合理性并非依赖归纳的合理性。休谟之所以从否定归纳合理性走到心理主义的立场，是因为他有一个错误的预设，即归纳法是科学与非科学特别是与形而上学之间的划界标准。为此，波普尔把科学划界的问题再次凸显出来，并称之为“康德问题”。

>对于划界问题，波普尔的主张是：“可以作为划界标准的不是可证实性，而是可证伪性。换句话说，我并不要求科学系统能在肯定的意义上被一劳永逸地挑选出来；我要求它具有这样的逻辑形式，它能在否定的意义上借助经验检验的方法被挑选出来，经验的科学的系统必须有可能被经验反驳。”[4]

>当把可证伪性而不是可证实性作为经验科学与形而上学之间的划界标准，那么作为证实方法的归纳法对于经验科学就不是必不可少的了。既然休谟已经证明归纳法并没有逻辑的合理性，那么我们完全可以把归纳法从科学方法论中清除出去，这样做不会使科学合理性受到任何损失。因为经验科学的特征在于其可证伪性，而证伪的过程具有演绎逻辑的合理性。波普尔说：“证伪法不以任何归纳推理为其前提，而只是以正确性没有争议的演绎逻辑的重言式变形为其前提。”[5]这样，摈弃了归纳法的经验科学仍然具有合理性，而且是最强的合理性——演绎合理性。这样，波普尔便把证伪主义、反归纳主义和演绎主义熔为一炉了。

>请注意，波普尔只说理论被证伪，却不说理论被证实。代替“证实”的是“暂时通过检验”，或者说“我们没有发现舍弃它的理由”，有时也说“验证”(corroboration)。当他用“验证”这个词的时候，特别强调它与逻辑实证主义的“认证”(confirmation)之间的区别：前者是与逻辑概率成反比的，而后者是与逻辑概率成正比的；相应地，前者是非归纳的，而后者是归纳的。[6]波普尔把这种不含归纳成分的检验方法称为“理论的演绎检验”，在这种方法论的框架内，“由归纳逻辑产生的那些问题能够排除，而不会代之以产生新的问题。”[7]

>2逼真性与反归纳主义的弱化

>波普尔在写《科学发现的逻辑》时尽量避免使用“真理”的概念，因为在他看来，真理就是与事实相符合的理论或陈述，“要想清楚地理解一个陈述同一件事实之间难以捉摸的符合，乃是毫无希望的。”[8]但是，在写完那本书不久，波普尔遇到塔尔斯基，塔尔斯基的真理理论使波普尔顿开茅塞，从此他便心安理得地谈论“真”和“真理”了。

>然而，波普尔所谈的真实性与证实主义者所谈的其实性是不同的：后者是概率的真实性，是与内容的丰富性不相容的；而波普尔所谈的真实性是与内容丰富性相统一的。为此，波普尔提出一个把真实性和内容丰富性结合起来的新概念即“逼真性”(verisimilitude)，用以作为理论选择和科学进步的评价标准。一个理论的逼真度可以这样来确定：

>V[,s](a)=Ctr(a)-Ct[,F](a)

>这里Ctr(a)是a的真理内容的量度，Ct[,F](a)是a的虚假内容的量度。[9]也就是说，一个理论的逼真度等于它的真内容和假内容之差。

>在科学方法论的讨论中，主要关注的是两个理论之间的相对逼真度的比较。波普尔认为，对于这种比较，他原先的检验性理论照样适用，并未由于引进逼真性而导致方法论改变。[10]不过，进一步的分析表明，波普尔关于“逼真性”不改变其方法论的说法是错误的。要知道，“通过检验”和“没有通过检验”、“证伪”和“可能真”都属于认识论范畴，而波普尔的“逼真性”则不属于认识论范畴。按照他的说法：“我们的接近真理的观念或逼真性的观念，与客观真理或绝对真理具有同样的客观性，同样的理想或调节特性。它不是一个认识论的或认识的观念——同真理或内容一样。”[11]

>如果只是停留在认识论的范围，波普尔的反归纳主义的检验理论在某种特定的意义上是可以说得通的，即一个尚未被证伪（可能真）的理论比一个已被证伪的假理论要好。但是，说一个尚未被证伪的理论比一个已被证伪的理论具有较高的逼真度，则是说不通的。根据波普尔的逼真性概念，理论t[,2]，比理论t[,1]具有较高的逼真度，当且仅当，t[,2]的真理内容而不是虚假内容超过t[,1],t[,1]的虚假内容而不是真理内容超过t[,2]。[12]完全有这样的可能，t[,1]比t[,2]先遇到反例，从而先被证伪，但在随后的检验中（注意：波普尔的逼真性概念是可以用于假理论的），t[,2]比t[,1]遇到更多的反例。因此，总起来看，t[,1]比t[,2]具有较多的真内容和较少的假内容，因而具有比t[,2]更高的逼真度，尽管t[,1]首先被证伪。

>以上分析表明，一旦引入“逼真性”概念，波普尔的演绎检验方法便不再适用，除非再引入归纳法的概念。只有借助于归纳法，我们才能将t[,1]被证伪而t[,2]尚未被证伪这种暂时的“逼真性”推广到将来，以致作出一个总体逼真性的评价。但这样一来，波普尔便背离了他的反归纳主义立场。

>关于“逼真性”概念，人们自然会提出一个问题：“你怎么知道理论t[,2]比理论t[,1]具有更高程度的逼真性呢？”对此，波普尔回答说：“我不知道——我只是猜测。但是我可以批判地审查我的猜测，如果它经受了严峻的批判，就可以把这一事实作为支持它的充分的关键性的理由。”[13]当波普尔说这段话时仍然坚持反归纳主义的立场。但是，t[,2]经受住而t[,1]没有经受住的那个“严峻的批判”以及在此之前它们共同经受的检验都只是已经过去的有限的事件或证据，而一个理论的逼真性却涉及一个理论的全部真内容和假内容的比较，既包括已知的也包括未知的。既然如此，前者如何为后者提供“充分的关键性的理由”？休谟早已告诉我们，这种由过去说明未来的理由绝不会是演绎的，而只能是归纳的或概然的。

>由此可见，波普尔否认“逼真性”概念对其方法论带来冲击，其理由是不能成立的。如果说，在波普尔引入“逼真性”概念之前，他的反归纳主义或演绎主义或许还可以自圆其说，尽管与常识有些相违；但是，当他引入“逼真性”概念之后，情况就改变了，除非他把归纳法请回来。这样，波普尔便处于一个二难境地：要么坚持反归纳主义而放弃逼真性概念，要么引入逼真性概念而放弃反归纳主义。然而，波普尔对这种两难境地认识得不够充分，试图兼得鱼和熊掌，致使他的理论出现不协调性。

>3向归纳逻辑靠拢

>归纳逻辑学说的重要人物之一萨蒙(W.C.Salmon)对于波普尔试图清除归纳问题和归纳方法的主张不以为然。他向波普尔学派提出一个尖锐的问题即：科学有没有提供可靠预测的任务？如果有，那么波普尔所谓对一个理论的验证(corroboration)就不可避免地包含归纳的成分，因为其中包含由过去和现在推断将来的因素。毫无疑问，科学具有提供可靠预测的任务。为了与这个事实相容，“波普尔必须在理论科学和应用科学之间挖掘一道深深的鸿沟，而据此进行的区分本身就是令人难以接受的……的确，如果我们相信，至少尝试性地接受科学的预言的含义也是不可以的，那么人们将不知道是否要继续珍视理论科学的解释性假说了”[14]。

>面对萨蒙的质疑，波普尔学派的重要成员沃特金斯(J.W.N.Watkins)断然宣称，科学理论与人们的实践活动是无关的。他谈到，根据实践的目的选择理论和根据科学的目的选择理论在方法上有很大的不同，因而常常得出不同的结论。例如，一只轮船在雾中航行时，领航员总是谨慎地假定轮船比他所相信的更接近于礁石，并根据这种假定指导航向。[15]波普尔也说过类似的话：“虚假理论往往也作用得很好：工程或航海中所应用的公式大都已知是虚假的”[16]。转>波普尔的确在理论科学和应用科学之间划了一条深深的鸿沟，他引入逼真性概念的目的之一就是为了区分理论科学和应用科学。他谈到：“如果我们想阐明纯粹科学和应用科学之间、追求知识和追求动力或强有力的工具之间的区别，那么我们就少不了它。因为区别在于，在追求知识时我们一心想找到真的理论，至少找到比其他理论更接近于真理的理论，也即更符合于事实的理论；而在追求作为可满足一定目的的有力工具的理论时，理论往往为我们服务得很好，虽然明明知道它是假的。”[17]

>然而，在理论科学和应用科学的关系上，波普尔学派的代表人物之一拉卡托斯(I.Lakatos)不同意波普尔和沃特金斯的观点，他指出：“在波普尔和沃特金斯所谓适合于假理论的大多数场合，人们可以发现那种得到高度验证的理论事实上被使用着。”[18]应该说，拉卡托斯的说法是对的。诸如领航员有意偏离理论其实不过是在理论指导下加了一些保险系数或作其他一些实用上的调整而已，并不说明科学理论在这里不起作用。

>拉卡托斯进一步谈到：如果坚持主张科学验证是分析的而不是综合的（是演绎的而不是归纳的），“这意味着科学理性和实践理性的明显分离，看来这正是波普尔和沃特金斯所提倡的。这种分离也许的确是‘可疑的和做作的’(fishyandhypocritical)，而且导致对技术学的实际情况的误解。”[19]为此，拉卡托斯引进一个非分析的综合的“可接受性”(acceptability)概念。

>我们知道，评价理论的目的是为选择和接受较好的理论，因此，评价规则也就是接受规则。拉卡托斯把波普尔的接受规则分析为两条，相应地，其“可接受性”概念也有两种，分别记为“可接受性[,1]，”和“可接受性[,2]”。

>可接受性[,1]：对于两个相互竞争的理论T[,1]和T[,2]，如果T[,2]比T[,1]具有较高的可证伪度，亦即T[,2]比T[,1]具有超额经验内容(excessempiricalcontents)，那么，相对于T[,1],T[,2]是可接受[,1]的。

>可接受性[,2]：对于两个相互竞争的理论T[,1]和T[,2]，如果T[,2]经受住T[,1]所没有经受住的严峻检验，亦即T[,2]比T[,1]具有超额验证(excesscorroboration)，那么，相对于T[,1],T[,2]是可接受[,2]的。

>拉卡托斯指出，这两个可接受性概念都是关于知识增长的，为了反映人们对科学知识的可靠性的要求，还需要增加一个可接受性概念即可接受性[,3]。

>可接受性[,3]：对于两个相互竞争的理论T[,1]和T[,2]，如果T[,2]比T[,1]具有较高的可靠性，亦即T[,2]比T[,1]更接近真理，那么，相对于T[,1],T[,2]是可接受[,3]的。

>可靠性或逼真性是对一个理论的未来品质的评价，可靠性或逼真性高的理论意味着将来更适合生存，因此不可避免地具有归纳的性质。正因为此，拉卡托斯把可接受性[,3]同“归纳的可接受性”、“证据支持”、“可信性”(trustworthiness,credibility)、“可靠性”(reliability)等看作同义词。

>可接受性[,1]和可接受性[,2]之间的明显区别是：可接受性[,1]是先验标准，而可接受性[,2]是后验标准。因为一个理论的经验内容就是从它得出的关于事实的逻辑推断，只需比较两个理论的逻辑推断便可确定哪一个是可接受[,1]的。可是，为确定可接受性[,2]就必须将超额经验内容付之检验，由检验结果来确定哪一个理论是可接受[,2]的。

>在拉卡托斯看来，可接受性[,1]和可接受性[,2]之间还有一个区别即：可接受性[,1]只具有分析性，而可接受性[,2]却可以有两种解释。若把它理解为一个理论在该检验中幸存下来而另一理论则没有，那么可接受性[,2]就是分析性的；若把它理解为幸存理论比起被证伪理论更接近真理或将来更宜于生存，那么可接受性[,2]就是综合性的。

>可接受性[,3]同可接受性[,2]都是后验的，在拉卡托斯看来，二者的主要区别是：可接受性[,2]的依据是超额验证，而可接受性[,3]的依据是全部验证。[20]

>在笔者看来，拉卡托斯把归纳接受性即可接受性[,3]同波普尔的可接受性[,1]和可接受性[,2]结合起来，从而对科学方法论给以更为全面的阐述，这是他对科学哲学的一个重大贡献。其实，波普尔也不得不承认，他关于理论评价的后验标准（相当于可接受性[,2]）包含归纳主义或证实主义的气味。[21]拉卡托斯通过对可接受性概念的细致分析把这一点更为明确地揭示出来。他指出，作为可接受性[,3]的定义基础的概念正是波普尔的逼真性概念，“可以肯定地说，一个理论越是可接受性[,3]的，它就越接近真理，也就是说，它的逼真性越高。”[22]同时他又说：“‘可接受性[,3]，最接近卡尔纳普的认证程度(degreeofconfirmation)”[23]，这样，他便在一定程度上把归纳主义和反归纳主义溶合在一起了。

>对于波普尔和沃特金斯为坚持反归纳主义立场而把理论科学和应用科学割裂开来的做法，拉卡托斯旗帜鲜明地表示反对。他说：“反归纳主义的升级——他们把任何可接受性[,3]的概念作为靶子——只能损害他们自己的形象。人们应当公开放弃这样的反归纳主义，并且承认：科学至少是一种生活的向导。”[24]

>由于拉卡托斯在波普尔学派中所处的重要地位，他的这种态度对于科学哲学家特别是对波普尔学派产生了重大影响，以致波普尔学派的许多成员逐渐软化反归纳主义的立场，在不同程度上接受归纳逻辑或正视归纳问题。一个有趣的现象是，波普尔学派的大本营英国伦敦经济学院现在已成为贝叶斯归纳逻辑的重镇，后者的代表人物豪森(ColinHowson)和厄巴赫(PeterUrbach)宣称，拉卡托斯和萨蒙对波普尔的反归纳主义的批判具有决定性的意义。[25]

[1][2][6][8][9][10][12][13][16][17][21]波普尔.猜测与反驳[C].傅季重等译.上海译文出版社，1986.312,314,82.319,334,335,334,335,79,323,354.

>[3][4][5][7]波普尔.科学发现的逻辑[M].查汝强，邱仁宗译.沈阳出版社，1999.6-7,19-20,22,11.

>[18][19][20][22][23][24]Lakatos.ChangesintheProblemofInductiveLogic[A].in[26][C].1968.404,403-404,404-405,393,375,404.

>[14]Salmon.Reply[A].in[26][C].1968.96-97.

>[15]Watkins.Non-InductiveCorroboration[A].in[26][C].1968.65.

>[25]Howson,UrbachScientificReasoning:TheBayesianApproach[M].Chicago:OpenCourtPublishingCompany,1993.6.

>[26]Lakatos(ed.).TheProblemofInductiveLogic[C].Amsterdam:NorthHolland,1968.

概率归纳范文篇7

1任务驱动教学模式

任务驱动教学模式是一种基于构建主义学习理论的教学模式［2］，由Numan在1988年提出。任务驱动教学模式要求教师在教学设计中，把教学内容设计成1个或多个具体任务，将教学内容巧妙地隐含在每个任务之中，在教学过程中，通过任务中的相关问题引导学生思考，经过自我思考和教师的适当点拨，使学生自己解决问题从而达到掌握教学内容，进而培养学生分析、解决问题的能力。任务驱动型教学法的目的性和实践性很强,它改变了以传授知识为主的传统教学理念，强调在教学过程中建立通过解决问题、完成任务以掌握教学内容的多维互动式教学。它将教师引导与学生主动学习有机地结合在一起，体现了“教、学一体化”的教学思路。在任务驱动型教学模式中，学生获得的知识将是自己学习构建的而非教师讲授的，而教师在整个教学环节中仅起到引导作用。学生能根据自己对当前任务中相关问题的认识和理解，通过发挥主观能动性解决问题，积极参与到教学中去，这使得学生能更扎实地掌握所学内容。Rotthoff等在医学课程中应用任务驱动教学，发现提高了学生临床思维和实践能力，收到良好的教学效果［3］。

2医药数理统计授课模式改革的必要性

很多医学科学研究都需要进行大量的数据资料收集整理，并运用恰当的统计分析方法得出正确结论。学习和掌握医药数理统计，对于正确有效地利用数据资料进行医药领域的研究和实践具有极为重要的意义。由于医学课程特点，医学生往往适应了死记硬背的模型。然而，有别于其他医学课程，由于医药数理统计以概率论和数理统计为基础，涉及到的原理和方法理论性较强，难免让人认为其枯燥、难懂。这使得运用传统的教学方法讲授该课程，主要存在以下问题：⑴教学目的不明确导致实际问题无法解决。通过课程学习，医学生往往记得住公式、定理，但由于公式较多，他们不知道什么情况改用什么公式，造成学生对该课程没有兴趣。而在解决实际问题时，自然就不会用统计思维方式去思考问题解决问题。⑵过分强调统计公式的推导。对于大量统计学公式，受数学类课程和“要知其然，更要知其所以然”思想影响，公式讲解推导占用较多时间。医学生的数学基础薄弱、抽象思维能力较差，过分强调统计公式的推导和运算使得学生产生畏难情绪，影响进一步学习。⑶教学中重理论轻应用，不注重统计思维引导。医药数理统计的教学目的在于培养学生在处理实际问题时能自觉使用统计思维去推断解决问题，而不在于教会了学生记住多少公式和计算。传统教学对理论进行深入讲解，让学生记住各种统计方法及其统计量，但对于这些方法如何产生缺少了解，不利用统计思维培养。鉴于该学科的重要性以及传统讲授方法的弊端，要想调动学生学习的积极性，掌握医药数理统计学的主要方法及其统计思维，其教学方法和手段的改革迫在眉睫［4］。医药数理统计是一门方法学，它不仅要求学生理解其中的原理，更重要的是让学生在理解的基础上能够运用恰当的统计方法解决医药卫生中遇到的问题，完成相应任务，因此医药数理统计特别适用于任务驱动教学，形成“以任务为中心，教师为主导，学生为主体”的教学模式。

3任务驱动在医药数理统计教学中的应用

3.1教学任务设计。教学任务是教学活动的载体，是指运用系统方法，将学习理论与教学理论的原理转换成对教学资料、教学活动、信息资源和评价的具体计划的系统过程。在以往的传统教学中，学生最常问的问题是“老师，数理统计中那么多公式，有什么用呢？”或“老师，那么多公式应该怎么用呢？”，这反映了他们并不了解所学内容有何应用价值，不知道学习的意义和价值，从而导致在主观上也没有学好的意愿。因而应按以下两方面原则设计任务：⑴任务必须贴近学生的专业内容或生活，与所学专业或平常生活密切相关，让学生明白学了医药数理统计以后“可以这么用”，这才能激发学生的学习兴趣和学习欲望。⑵任务的复杂性要适中。任务太难了无法调动多数学生参与，并在有限的课堂时间内完成任务，打击学生的学习兴趣和积极性，导致对后续内容学习的畏惧，与任务设计本意适得其反；而任务太简单了又使得学生无需进行认真思考就能容易完成任务，达不到预期教学目标，也不利于教学内容的理解和掌握。因此，设计时要充分考虑学生现有的知识水平和理解能力，使学生能在原有知识水平上能循序渐进地构建新知识体系。绝大多数学生应能经过对教学任务认真思考，然后提出解决方法，完成任务。3.2任务驱动教学模式构建。3.2.1任务导入。在任务驱动教学中，应设计好任务提出的情景，引起学生注意，这样才能最大化地激发学生学习兴趣，积极参与任务。如在概率计算公式教学中，将任务设计为计算班级里至少有两人生日相同概率以学习教学内容。在提出任务之前，可先对学生说“我认为我们班有生日相同的人”（假设班级有50个学生），然后通过调查了解下班里学生的生日是否生日相同。很多学生会对调查结果感到不可思议，因为他们认为50差不多是365的1/7，其概率大概在15％左右，并不是很高。但实际上，其概率高达为97％左右，几乎可以认为会有生日相同的。此时提出任务“计算班级里至少有两个人生日相同的概率”“班级里至少需要多少人才能保证有生日相同的概率高于50％”。通过这个调查引起学生的好奇心，急于求知，学习积极性会很高，思维也会很活跃，这样有利于他们主动地对任务进行思考探究，充分发挥他们的主观能动性。3.2.2任务执行。教学目标能否实现与任务执行质量的好坏密切相关。教师在任务执行中仍起着重要的指导作用，引导学生用明确、细化的思路把任务分解成几个小任务，然后逐步解决每一个小问题，层层深入，最后将任务彻底完成，并能在任务完成过程中学习和掌握知识。如在“同生日问题”中，应引导他们完成对古典概率计算掌握，并了解有限等可能概型。在“抽签是否公平”任务中，可以将任务细化为条件概率、概率加法公式、概率乘法公式等教学内容。对于部分能力较强的学生，启发他们举一反三，使教学任务完成更加深入，完成质量更高。如在“同生日问题”中，若限制跟要跟某个人的生日相同，则其概率又如何呢？3.2.3任务评价总结。根据任务的完成情况，选取不同表现层次的学生，让他们介绍在问题解决过程中，是如何理解任务、处理任务分解、实现问题求解，并展示他们所完成任务的解决方案和成果。在此环节发现学生的薄弱环节，并对出现的误解或不规范表述给予及时纠正，对学生的表现给予点评，指出本任务中涉及到的重要知识点，以便学生对知识点内容进行更深入学习，完成知识体系地重新构建。教师在最后应将学生所反映出的薄弱环节和易错内容进行总结，整理归纳任务中遇到的知识点、重点、难点，使学生能在教师归纳总结的引导下，进一步优化任务的解决方案，并从任务分析过程中学习医药数理统计的相关知识点，加深对所学知识的理解和掌握。在整个课堂中，应尽可能贯彻“以学生为中心”原则，但绝不是教师什么都不做，将整个教学课堂交给学生，教师仍应是课堂教学的组织者和指导者。任务驱动教学法实现了医药数理统计从“以教为主”到“以学为主”的转变，以实际问题为任务，强调数理统计方法中的应用背景和统计思维，让学生在完成任务的同时掌握所需理论知识。任务驱动教学学习目的明确，能让学生了解为什么学习医药数理统计，学习了以后该如何运用，这有利于激发学生的主观能动性，提高学生分析和解决实际问题的能力，培养学生的自学精神和创新思维，为未来其从事医学研究工作奠定了良好的基础。

［参考文献］

［1］高祖新.医药数理统计方法［M］.北京：人民卫生出版社，2007：96.

［2］NumanD.TheLearner⁃centeredCurriculum［M］.Cambridge：Cambri⁃dgeUniversityPress，1988.

［3］RotthoffT，SchneiderM，Ritz⁃TimmeS，etal.Theoryinpracticeinsteadoftheoryversuspractice--curriculardesignfortask⁃basedlearningwithinacompetencyorientedcurriculum［J］.GMSZMedAusbild，2015，32（1）：Doc4.

概率归纳范文篇8

同时，生物统计作为数理统计在生物学领域的应用，是教学难度较大的一门课程。因此，在生物统计学精品课程建设过程中，针对各专业培养目标的定位，因材施教，更新教育理念，加强实践训练，在教学方法和教学手段上进行改革和大胆探索。

二、二十一世纪对生物统计学课程的重新定位。

（一）新世纪对生物统计学课程提出的新要求。

二十世纪上半叶农业和遗传统计学首先获得了发展，在其基础上发展起来的生物统计学、统计流行病学、随机化临床试验学已经成为攻克人类疾病的一个里程碑。这在过去的半个世纪里显著提高了人类的期望寿命。

21世纪人类基因组，基因芯片等实验科学产生出的巨量数据，需要新工具来组织和提取重要信息。

将数据转化为信息需要统计理论和实践方面的洞察力、技术和训练。

未来的生物统计学将会与信息技术密切结合，较少侧重传统数理统计，而会更多注意数据分析，尤其是大型数据库的处理。生物统计学越来越不同于其它数学领域，计算机和信息科学工具至少和概率论一样重要。

（二）生物统计学对大学生素质培养的作用。

生物统计学的一个重要特点就是通过样本来推断和估计总体，这样得到的结论有很大的可靠性但有一定的错误率，这是统计分析的基本特点，因此在生物统计课程的学习中培养了一种新的思维方法———从不肯定性或概率的角度来思考问题和分析科学试验的结果。

生物统计学是通过个别的试验研究得出其一般性结论，属于归纳推理的范畴。但其有别于简单枚举法和科学归纳法，是一种或然性归纳推理或者概率归纳推理。在生命科学的研究中绝大多数涉及到的是随机事件，因此，生物统计学不仅是试验设计与统计方法的教学，更重要的还是大学生思维方式的培养，这对提高大学生的素质很有必要。

生物统计学包括试验设计和统计方法两个有机联系的组成部分。通过试验设计的教学可提高大学生设计研究课题试验方案的能力，使之明确课题的研究目的、试验因素与水平以及试验设计方法等方面的内容。通过统计方法的教学除让学生弄清各种统计方法的内涵外，还需要使学生能够正确地选择最适合的统计方法，以揭示资料潜在的信息，达到研究的最终目的，从而提高大学生科学研究素质。

三、教学方法和教学手段的改革。

（一）加强电子课件及网络平台建设。

生物统计学是应用概率论和数理统计原理研究生物界数量变化的学科，而概率统计的理论和思维方法对本科生来说有一定的难度，加之课程学时的减少（由原来的60-70学时，降到现在的40学时左右）,如何深入浅出地引导学生入门，并使学生在了解概率统计思想的基础上，掌握常用统计分析方法的应用及使用条件是课程的教学难点。为此，我们利用多媒体技术，制作了与教材配套的课件，通过在课堂上把抽象内容形象化与直观化，收到了良好教学效果。建设了一个生物统计学教学网络支撑平台，现有课程简介、教学大纲、师资力量、授课教案、电子版《生物统计学》教材、课程录像、实习指导、在线测试题、参考文献、其它教学资源等栏目，免费向全校师生开放。

（二）将多媒体教学优势与学生的认知规律有机结合，用较少的学时得到良好的教学效果。

多媒体具有信息量大、形象化、直观化的特点。

但是如果不能很好地将多媒体这些特点与学生的认知规律相结合，多媒体教学就可能会带来一些弊端诸如：（1）内容多，幻灯片变换快，由照本宣科变为照屏宣科，为新的“满堂灌”；（2）课件图片多，内容以展示为主，缺乏启发性；（3）教学内容常用满屏的方式显示（即所谓“死屏”）,老师照着屏幕上的内容给学生讲解，失去了传统教学方法，老师边讲边板书能给学生留下比较深刻印象的特点，缺乏吸引力。

而多媒体在教学中只能充当工具的角色，在教学过程中必须将多媒体信息量大、形象化、直观化的特点与学生的认知规律紧密结合在一起。在制作课件时，采用启发式教学方式，精炼教学内容，模仿传统教学书写板书的过程，根据教学内容的难易程度，采用逐字、逐句、逐段显示教学内容的动画方式。在课堂教学中，老师仍然保持传统教学方法的教姿教态，在授课的过程中与学生保持互动，根据学生在课堂上接受知识的能力，掌握屏幕上显示内容的速度，必要时辅以板书进行讲解。这样做既发挥了多媒体教学的特点，又充分照顾到学生的认知规律，在内容没有缩减，学时减少近三分之一的情况下，仍然取得良好的教学效果。

（三）长期坚持教育教学方法及教学规律的研究。

生物统计学的理论基础是概率论与数理统计，从这个层面上讲，它有非常浓的数学味道，但是它又有别于概率论与数理统计，生物统计学更主要强调的是概率论及数理统计的思想和方法在解

统计学在生物学中的应用已有长远的历史，许多统计的理论与方法也是自生物上的应用发展而来，而且生物统计是一个极重要的跨生命科学各研究领域的平台。现在基因组学、蛋白质组学与生物信息学的蓬勃发展，使得生物统计在这些突破性生物科技领域上扮演着不可或缺的角色。

在课程建设中，随时注意纳入生物统计学在前沿领域研究应用的内容，增强课程的活力，提高教师和学生面向生物产业主战场解决实际问题的能力。

四、加强实践教学，注重学生能力培养。

生物统计学要不要开实验课，怎样开实验课，一直存在争议，在此认为生物统计学不仅应该开设实验课，而且还要将实践教学的重点放在计算机技术和统计软件的应用上，让学生不仅掌握统计方法，而且加深对原理的认识，获得就业或升学的必备计算机统计技能，提高解决复杂问题的能力。

（一）开展统计软件的实习，扩大学生的视野，提高学生素质。

20世纪20年展起来的多元统计方法虽然对于处理多变量的种类数据问题具有很大的优越性，但由于计算工作量大，使得这些有效的统计分析方法一开始并没有能够在实践中很好推广开来。而电子计算机技术的诞生与发展，使得复杂的数据处理工作变得非常容易，所以充分利用现代计算技术，通过计算机软件将统计方法中复杂难懂的计算过程屏障起来，让用户直接看到统计输出结果与有关解释，从而使统计方法的普及变得非常容易。在课程体系改革中，各课程的教学时数与达到培养目标所需完成的教学内容相比还是不足的。为此，可以通过标准的统计软件的教学实习来达到以点带面，扩大学生视野，提高学生素质。

为此我们建立了一个专用于实习教学的生物统计电脑实验室。现共有50余台电脑，并连接到校园网。实验室配备有指导教师，负责对上机的学生答疑。除按教学计划进行的正常实习教学外，实验室还对优秀学生免费开放，鼓励他们结合教师的科研活动，应用所学生物统计学知识，学习新的生物统计学知识，掌握应用计算机解决生物统计学问题的技能。

（二）全方位、多层次的实践教学。

为了进一步培养学生实际动手能力和科学严谨的治学态度，必须将本课程的实践教学活动延伸到课堂教学外，开展全方位、多层次的实践教学。

在原绵阳农专期间，主要在作物育种、作物栽培、动物营养等课程实验与实习中，根据相关内容加入了试验设计方法以及数据统计分析的相关内容。

组建了西南科技大学生命科学与工程学院以后，由原来的单一农科专业变成了理、工、农三大学科均有专业的格局。虽然专业的学科归属不同，但有一点是相通的，其内涵均属于生命科学的范畴。以科学研究的方法进行划分，均属于实验科学。

掌握正确的实验设计方法，从不确定性数据中挖掘事物的客观规律，是实验科学工作者必备的技能。因此，我们将原来只是在农科专业上延伸实践教学的作法推广到全院的所有专业，结合实验课教学的改革，对发酵工艺学实验、植物细胞工程实验、食用菌实验、微生物学实验等课程的内容全部或部分改为用生物统计学指导学生自主进行实验设计，把过去单一的实验流程、样品观察或检测实验改变为试验条件的优化试验，提出在不同条件下对样品测定的比较试验设计、单因素试验设计、多因素试验设计、正交试验设计、均匀试验设计，对试验结果要求学生使用统计学的方法对进行分析和讨论，最后得出最佳试验条件。

这样的实验教学改革起到了一箭双雕的作用，从专业基础课或专业课的角度看，改验证性实验为设计型、综合性实验，增强了学生解决实际问题的能力，培养了学生创新思维的能力；从生物统计学角度看，将课程的教学实践延伸到课程外，弥补了学时的不足，更重要的是学生将自己学到的统计学知识，转化为解决实际问题的能力，知识得到很好的内化。

此外，在学生课外科技活动中指导学生选用正确的实验设计和数据的统计分析方法，提升科技作品的档次；在毕业论文（设计）中要求学生采用恰当的生物统计学方法进行设计与分析，写出高质量的毕业论文（设计）。

通过这样的教学实践，训练了学生的统计思维能力，使学生充分认识到掌握生物统计学这一工具的重要性和必要性，增强了学生学好用好这门工具的信心，提高了学生从复杂的生命现象中挖掘事物客观发展规律的能力。

精品课程是集科学性、先进性、教育性、整体性、有效性和示范性于一身的优秀课程。作为精品课程的载体，应具有一流的教师队伍、一流的教学内容、一流的教学方法、一流的教材、一流的教学管理等特点。与之相比，我们在生物统计学精品课程的建设上，才刚刚起步，今后还要在教材建设、师资队伍建设、科学研究等方面加大力度，将生物统计学建设成体现现代教育教学思想、符合现代科学技术和适应社会发展进步的需要、能够促进学生的全面发展而深受学生欢迎的一门课程。

概率归纳范文篇9

关键词：思辨数学；算法；概率统计；直觉思维

1思辨数学词源诠释

思辨数学一词是荷兰数学家、数学教育家弗赖登塔尔（Freudenthal，1905—1990）首先提出的。他在名著《作为教育任务的数学》中举例诠释了思辨数学与算法数学的区别：设有相同数量的白酒与红酒各一杯，取一匙白酒倒入红酒内，使之混合，再取同量的一匙混合酒倒入白酒内。试问，白酒杯中所含的红酒比红酒杯中所含的白酒多，还是正好相反？答案是：两种含量一样多。然而解题方法有两种，一种是根据其取法操作，列出算式计算...另一种是这样思考的：设想每个杯子中的白酒和红酒是分开的，那么白酒杯中的红酒正是红酒杯中所缺少的部分，而它的空缺现在正好被白酒所填补。前一种解法是算法求解，后一种解法是思辨求解]。

显然，这是两种思维风格迥然不同的解法，解法一是逻辑性的算法求解，属于算法数学；解法二主要是直觉性的思辨求解，属于思辨数学。这里举例仅仅是为了诠释概率论中思辨数学与算法数学的区别。我们认为，思辨数学就是动态地辩证地把握概念和体味推据（这里把思辨推理的理论依据简称推据），凭借对概念的直觉和数学美的启迪（而非逻辑性的推理），产生直观的解题思路方法或做出合情推理决策。换言之，在直觉领引下，围绕推据，换位思考，思维在运动中觅到解题方法的一套数学知识体系。

德国数学家、数学教育家克莱因（KleinF，1849—1925）指出：“数学学科并不是一系列的技巧，这些技巧只不过是它微不足道的方面，它们远不能代表数学，就如同调配颜色远不能当作绘画一样，技巧是将数学的激情、推理、美和深刻的内涵剥落后的产物。”[4]克莱因这一论断，对概率统计教学具有重要的指导意义，把握思辨数学与算法数学的区分，它能为教学提供重心，对于贯彻概率统计思想方法为主线的教学大有裨益。

2概率统计课程中的思辨数学内涵透析

从思维的逻辑层面透析，概率统计知识内容可以分为两类，大部分是程序性的，有一些则是思辨性的。算法是程序性的，概率统计的演算中充斥着算法；然而，在概率演算题中也会遇到思辨求解问题，虽然这类题数量不多，但解题思维中颇富有理性精神，有着方法论的教育意义。特别值得一提的是，就产生数理统计一些重要方法的思想而言，思辨因素起着关键性的作用，从本质上讲，作为数理统计核心内容的统计推断也隶属于思辨数学的范畴，即思辨数学至少包含思辨求解和思辨推断两大模块。现分述如下：

2.1思辨求解问题

若对某些概率问题的题设条件进行分析，抓住题目中的关键概念，由对这些概念的直觉和思辨，就能引发解题的思AXB路和方法。具体说来，吃透问题的条件和结论，抓住起决定性作用的思辨因素，运用发散思维或逆向思维，进行类比联想或换位思考推理，进而恰当地引入辅助事件或辅助随机变量，就会建构和洞察到所研究的数学对象中蕴涵着的事件之间或随机变量之间的某种对称性、对等性或等可能性的关系。那么，这些事件、事件关系所遵从的一般的概率法则、统计规律或一些概率原理等就构成解题思维的支点，即推据；思维一旦受到这些推据以及数学中对称美的直觉启发，就会迅速地做出判断，寻到简便的解法，或直接给出答案。

2.2.1最大似然法（以离散型随机变量为例）

2.2.2最小二乘估计

回归分析的基本思想是首先根据样本组的分布特征以及对问题的思辨认识而先验地选定一个模型类型，然后求出（估计出）模型中相应参数。至于对参数的估计，一般采用最大似然估计法，具体到回归分析上叫做最小二乘法。所谓最小二乘法系利用拉格朗日条件极值原理，对所选模型在所给样本下，保证误差最小时，求得参数估计值[6]。说到底它也是一种思辨推断模式。

2.2.3假设检验

先根据统计目的对总体提出一个统计假设0H（也叫原假设），然后再由一次抽样的结果来检验这个假设是否可信，从而做出决策：拒绝还是接受这个假设。一方面，我们先假定0H是正确的，在此假定下，某事件A出现的概率很小，比如p(A)=0.05；另一方面，进行一次试验，如果事件A出现了，就是说在一次试验中就居然发生了小概率事件，那么根据直觉：“概率很小的事件在一次试验中一般认为是不会发生的。”（小概率事件原理，即推据）我们不能不怀疑作为小概率事件的前提假设0H的正确性，因而做出拒绝0H的决策；如果进行一次试验，小概率事件没有出现，则试验结果与假设相符，没有理由拒绝0H，因而只好接受0H。进一步归结出假设检验的一般步骤（略），即是算法程序，使概念的直观具体性有了一个逻辑思维的图式，如果没有这些逻辑模式，推理将变得没有质量。从根本上看，假设检验法是以小概率事件原理为推据的思辨推断模式。概言之，最大似然估计、最小二乘估计和假设检验本质上都是思辨的产物；从思维方法上讲，它们是思辨数学与算法数学有机的统一体；“思辨”当头，“算法”自然就在其中了。

2.3概率统计中的思辨数学之特征分析

2.3.1思辨求解问题与思辨推断的异同

思辨求解问题的推据具有确定性和真理性。。然而，思辨推断的推据则具有“或然性”，比如最大似然原理中的用词：“应该是”，并非“一定是”；小概率事件原理中的用词“一般认为是不会发生”，但并非“绝对不会发生”，可见思辨推断的结论则是概率逻辑意义下的必然。比如假设检验就是概率性质的反证法。故思辨推断理属合情推理。

思辨求解与思辨推断的共同之处，都是主体基于对概率统计领域的基础知识及其结构的透彻了解，基于对整个问题的理解把握以及已有的知识背景，使主体能跨越逻辑的思考而进入直念（即数学直观，形象观念）[3]，想象和直觉判断，以推据为准绳，迅速解决有关数学问题。

2.3.2思辨数学与算法数学的比较

由于思辨数学一词是相对于与算法数学的概念提出的，下面我们就其两者进行对比分析：

算法数学有具体化、程序化和机械化特点，又有抽象性、概括性和精确性；思辨数学有抽象化、模式化和直念化特点，又带有假定性、哲理性和启示性。

算法有算理，比如概率的公理、定理、性质等构成概率算法求解的基本算理。算理是算法的理论基础，算法是算理的具体体现；思辨求解和思辨推断有推据，比如对称性、对等性、等可能性、最大似然原理、小概率事件原理等构成概率思辨求解和思辨推断的推据。推据是思辨的理论基础，思辨求解和思辨推断是推据的实际表达。

与算法相比较，算法求解依据逻辑思维、逻辑推理，思维是纵向的、条理化的；思辨数学则依据认识之直觉，思维是跳跃性的、横向的和发散的。思辨求解的推理是非逻辑的；思辨推断是归纳性质的合情推理。

3提出思辨数学概念对概率统计教学具有的要义

关于思辨数学与算法数学的这种区分，在教学法上具有重要意义。传统的概率教学着眼于概率算法求解，重视运算规则和方法技巧，注重逻辑思维能力培养，忽视或根本不谈概率思辨求解，因为许多概率教材的例题与习题都鲜见思辨求解类的素材；轻视概率统计课程的基本概念教学，因而造成了概率思想、统计认识诸方面知识匮乏和直觉能力的缺失。比如统计推断是数理统计的核心，统计推断是对统计总体的未知数量特征做出概率形式表达的推理，鉴于思维上推与证的不同而分别提出了参数估计与假设检验，由此构成统计推断内容的两面。参数估计是根据样本数据对总体参数所作的“猜想”，而前提是样本与总体的同分布（即样本与总体的同质性）的假定；假设检验即对总体特征做出的一种假设，然后根据样本信息对这一假设的支持程度做出描述。前提同样都是样本与总体的同分布的假定。从哲学层面讲，它们探讨的都是共性与个性的辩证关系。

从战略上看，由样本推断总体具有归纳性质，从战术上看，最大似然估计法与假设检验的解题程式中的样本值nx,x,,x12􀀢又非具体的数值，因而具有演绎性质，所以最大似然估计法和假设检验是归纳与演绎的辩证统一。对于统计推断内容的教法，目前多数教学已落入算法化、程式化的俗套，把参数的最大似然估计和假设检验作为一套处理问题的规则或算法来教；2003年出版的《Mathematica基础及数学软件》一书，把参数的最大似然估计和假设检验按算法编程由计算机来做[7]，毫无思想。诚然，数学教育不应该拒绝计算机的渗透，特别是统计推断问题常会涉及一些烦琐的数据统计和计算，借助于计算机可节省大量的时间和精力。但是，数学方法的内核是数学思想，由于意识不到统计推断是思辨数学体系，所以容易忽视产生统计推断方法所依赖的统计推断思想、策略及其思维活动过程的教学，以致学生不能目睹数学过程的形象而生动的性质，体悟不到统计推断方法中蕴涵的概率思想，更达不到思维训练之效。诚然，给学生一个可仿效的范例，就足以教会一个算法，尽管这样的教学，学生学会了套用统计推断的解题步骤，可能会做对若干道数理统计习题，但是对统计推断的思想实质和认识机制理解不深。比如，有学生在用最大似然估计法解题时，先把具体的实测数据带入似然函数的表达式，再作取对数、求导、求极值点的运算；有的学生在假设检验解题中，在写到最后一步：“拒绝H0”或“接受H0”时就搁笔了，把“即认为...”这句关键的陈述语省略了不写。不难想到，他们对样本的二重性以及最大似然法所使用的辩证逻辑思维领悟不透彻；对统计推断所表达的非决定论的因果关系规律认识不到位。一句话，对最大似然估计和假设检验方法的本质思想，缺少深层的思考。传统教学的结果只会给学生留下这样的印象：数理统计是装着一筐子的“算法”。这种只强调算法与规则的数学课程，正如只强调语法和拼写的写作课程一样，都是一种本末倒置。

任何一门数学学科都是由概念和技巧支撑的；若能区别概率统计教材中思辨数学与算法数学，区分或认识思辨数学的结构，这就意味着预先设定将它们作为思维训练来教，其意义在于强调思辨因素，强调概率统计思想方法形成的思维活动的过程，自然也是强调了以概念为本的课程教学模式。

3.1凸显以概率论为基础的统计思想以深化统计认识

毫无疑问，概率论是统计的运载工具，统计思想是统计方法的灵魂。按照思辨数学模式讲授统计推断，能够更好地揭示和表达统计思想，深化统计认识。因为贯彻三段论即：“在某种假定（假设）...之下，一方面...另一方面...，依推据则有...”的思辨推断模式，势必强调深刻理解概念和推据，充分展示换位思考中的思辨原理与辩证思维方法，这就凸显了以概率论为基础的统计推断思想。比如假设检验，如果统计假设被理解为构成概率计算的基础的话，那么，看来极不可能的某个事件发生了，那就有悖于常理，于是统计假设认为是小概率的事件的发生，将是一个反对该假设的证据，并且这种概率越小，其证据越显得强有力。又由于在统计检验的逻辑中，前提与结论之间的逻辑蕴涵不再是必然的，而是一种概率蕴涵。换句话说，概率解释中的解释前提是假说，所以得到的逻辑必然的推论是可能的概率解释。而在概率解释中，对个别事实解释的概率性与统计规律在每一个别情况下无法实现这一规律联系着，因为统计规律是大数定律，它仅在大量观察或多次试验中才能出现。因此在统计规律上所作的关于个别事实的结论，只能解释这一事实的可能性，而不是它的必然性。因此，“接受”中的“纳伪”和“拒绝”中的“弃真”这两类错误不可避免的发生充分说明了这一点。

3.2强调数学思辨对培育直觉能力具有独特功效

数学强调思辨性。弗赖登塔尔指出：“算法是好的，数学中的常规也是不可避免的。”[1]诚然，对数学来说算法具有极大的重要性，代数、微积分、概率中都有算法。当前教学的强烈趋势就是盛行算法化[1]。将一个领域算法化是更容易超越该领域的一种方式[1]。然而，现代数学之不同于古老数学，在于它强调的是思辨的因素而不是算法[1]。最引人注目的新生事物，也就是引起现代化过程发生的事物——集合论、抽象代数、分析学、拓扑——都是思辨的产物。它们是冲破算法的僵化的外壳喷射而出的[1]。同时弗赖登塔尔还指出：算法数学与思辨数学的关系是辩证的，不能把它们看作是新与旧、高与低的对立。从培养数学思维能力的层面看，算法数学与思辨数学好比“算术和几何正是作为互相的直接对立面在智力上发展起来的，但这并不表明因为喜欢其中一个就应该把另一个贬低。相反，教学应该将这种发展继续下去”[8]，教学应该像重视算法数学一样重视思辨数学，但问题在于目前的数学教育现状，人们有些重算法而轻思辨的倾向。概率统计的思辨求解和思辨推断解决问题的重要策略和特点是：对具体问题作具体分析，以已有知识和经验为背景，在直觉领引下发掘问题中蕴含着的思辨因素，寻找到推据或生成推据，以推据为支点，凭借直觉展开思辨推算或推断。其思维方式是直觉的。从心理学视角看，思辨数学是直觉思辨的产物，它是思维对那种隐藏于数学对象深层的数学事物关系间的和谐性与规律性的感受，正是这种感受把知识空间投影和净化成那幅心智图像。显意识和潜意识沟通形成顿悟，进而达到直觉思维的目标。

因此，强调思辨数学，必然注重培育直觉能力。思辨求解不仅能增加和丰富学生概率解题的方法策略，而且对其直觉思维乃至创新能力的培养大有裨益。克莱因说过：“在某种意义上讲，数学的进展主要归功于那些以直觉能力著称的人多于那些以严谨证明著称的人。”

3.3透过思辨求解法感悟数学方法的奇异美

思辨求解法的产生离不开直觉，数学直觉本质上就是“美的意识或美感”。美的意识力或鉴赏能力越强，发现和辨认隐蔽的和谐关系的直觉能力也就越强。数学审美意识是产生数学直觉、爆发数学灵感的“刺激素”。

思辨求解法的思想性强，其方法直观，运算简捷，甚至用不着计算就能直接获得答案。从思辨求解法产生的心理机制来看，其思维空间是动态的；每一个具体的思辨性解法，无不联系着主体解题的思维运作：数形结合，动静联想，等价语意转换，整体性把握思考，以及受到数学美的启迪等。它把数学表达式的对称美、数学关系的和谐美、数学方法的简洁美、数学思想的思辨美发挥的淋漓尽致。奇妙的解法闪烁着智慧之光，常给人以精神上的愉悦和满足。

“奇异性与思辨性是密切相关的，奇异性的结果会导致数学的新进展，而思辨能引起人们的思索，调动人们的想象，帮助人们对未知事物作深入地理解、把握和预见，促使人们去追求数学中内在旋律。”即追求数学美的旋律。

［参考文献］

[1]弗赖登塔尔。作为教育任务的数学[M]。陈昌平，唐瑞芬译。上海：上海教育出版社，1995。

[2]KennethHR。初等数论及其应用[M]。夏鸿刚译。北京：机械工业出版社，2009。

[3]张奠宙，戴再平，唐瑞芬，等。数学教育研究导引[M]。南京：江苏教育出版社，1998。

[4]刘培杰。数学奥林匹克与数学文化[M]。哈尔滨：哈尔滨工业大学出版社，2008。

[5]蔺云。用随机方法证明一类组合恒等式[J]。高等数学研究，2003，（2）：32。

[6]高隆昌。数学及其应用[M]。北京：高等教育出版社，2001。

[7]阳明盛，林建华。Mathematica基础及数学软件[M]。大连：大连理工大学出版社，2003。

[8]弗赖登塔尔。数学教育再探：在中国的讲学[M]。刘意竹，杨刚译。上海：上海教育出版社，1999。

概率归纳范文篇10

二、二十一世纪对生物统计学课程的重新定位。

（一）新世纪对生物统计学课程提出的新要求。

21世纪人类基因组，基因芯片等实验科学产生出的巨量数据，需要新工具来组织和提取重要信息。

将数据转化为信息需要统计理论和实践方面的洞察力、技术和训练。

（二）生物统计学对大学生素质培养的作用。

三、教学方法和教学手段的改革。

（一）加强电子课件及网络平台建设。

（二）将多媒体教学优势与学生的认知规律有机结合，用较少的学时得到良好的教学效果。

多媒体具有信息量大、形象化、直观化的特点。

（三）长期坚持教育教学方法及教学规律的研究。

生物统计学的理论基础是概率论与数理统计，从这个层面上讲，它有非常浓的数学味道，但是它又有别于概率论与数理统计，生物统计学更主要强调的是概率论及数理统计的思想和方法在解决生命科学中一些具体问题的应用。因此在教学过程中就存在一个“度”的把握问题，如果将概率论及数理统计的原理讲得太多，一是学时不允许，二是学生难以消化，得不到好的教学效果；如果只注重方法的讲解，学生知其然不知其所以然，就会误入乱套公式的歧途。经过将教学的重点放在教学中引导学生重点掌握统计方法的功能与用途，方法与步骤，防止各类方法的误用，淡化定理的证明与公式的推导。在教学内容的安排上采用“保干削枝”，即在学时减少很多的情况下，将一些次要的统计方法去掉，也要保证有足够的学时讲授理论分布与抽样分布、统计假设测验等方面的内容，让学生掌握生物统计学中所蕴含的概率论及数理统计的思想精髓，从而避免学生乱套统计公式。

（四）密切跟踪生命科学发展的前沿动向，探索生物统计学解决前沿问题的理论与方法。

在课程建设中，随时注意纳入生物统计学在前沿领域研究应用的内容，增强课程的活力，提高教师和学生面向生物产业主战场解决实际问题的能力。

四、加强实践教学，注重学生能力培养。

（一）开展统计软件的实习，扩大学生的视野，提高学生素质。

（二）全方位、多层次的实践教学。

为了进一步培养学生实际动手能力和科学严谨的治学态度，必须将本课程的实践教学活动延伸到课堂教学外，开展全方位、多层次的实践教学。

在原绵阳农专期间，主要在作物育种、作物栽培、动物营养等课程实验与实习中，根据相关内容加入了试验设计方法以及数据统计分析的相关内容。

参考文献：

[1]何风华，李明辉。生物统计学多媒体教学的探索与实践[J].江西教育学院学报（综合）,2004,25（6）:25～27

[2]洪伟，吴承祯，陈辉，等。精品课程建设的核心：学科、队伍建设与科学研究[J].高等农业教育，2004,6:50～51.

[3]崔相学。提高学生统计分析素质的实践与探讨[J].成都中医药大学学报（教育科学版）,2004,6（2）:67～68.

[4]邓华玲，傅丽芳，孟军，等。概率论与数理统计课程的改革与实践[J].大学数学，2004,20（1）:34～37.