平均律 (Law of Averages)
快速定义：平均律（Law of Averages）是指在足够多次的随机事件重复中，平均结果将趋向于预期价值的原则。它描述的是长期的统计稳定性，而非短期的自动平衡。
通俗解释：想象在地图上缩小倍率。近看，你看到的是杂乱无章、不可预测的街道和房屋。缩小后，你会看到更宽广的模式——城市网格、区域景观。平均律就像是对随机性进行“缩小”观察。一颗雨滴可能落在任何地方，但一场雨暴却有可辨认的形状。经过多次试验，模式会从混沌中浮现。
核心问题：“我是在看长期趋势，还是被短期波动分散了注意力？”——在分析数据或做决定时，问问：我的样本量是否大到足以得出有意义的结论？这些事件是否真的是随机且独立的？
使用 FunBlocks AI 应用平均律：MindKit 或 MindSnap
常见误区：
- ❌ “连续出了好几次正面，接下来该出反面来‘平衡’了” → 每次掷硬币都是独立的；过去的尝试不影响未来的概率（赌徒谬误）
- ❌ “它保证了精确的结果” → 它描述的是向预期价值的收敛，而非确切的结果
- ❌ “它在小样本中也起作用” → 大样本量对于该定律产生意义至关重要
- ✅ 平均律关乎长期趋势，而非短期预测
核心要点（30 秒速读）
- 定义：随机事件多次重复后，平均结果趋向于预期价值的原则。
- 核心原则：单个事件不可预测，但模式会在大数据集中浮现。
- 适用场景：分析重复的随机过程、做长期决定或管理对不确定结果的预期。
- 主要益处：提供一个理解概率的框架，基于长期趋势而非短期噪音做决定。
- 主要局限：需要大样本量且事件需真正随机、独立；无法预测短期结果。
- 代表人物：雅各布·伯努利（证明了大数定律）、布莱斯·帕斯卡和皮埃尔·德·费马（概率论创始人）。
解码平均律：在不确定性中穿行的思想模型
1. 引言：拥抱必然的平均
你是否曾连掷十次硬币，惊讶地发现竟然有七次是正面？或者你是否注意到，交通似乎在每周的某些日子一贯拥堵，即便每一天本该是独特的？这些日常观察都暗示了一个主宰我们周围世界的强大思想模型：平均律（Law of Averages）。它并非一种神秘的力量，而是一个统计学原则，帮助我们在处理重复事件时进行理解和预判。
在我们这个日益复杂且由数据驱动的世界里，平均律比以往任何时候都更重要。从做出明智的商业决策到理解个人风险，乃至管理我们日常生活中的预期，这一思想模型提供了一个在不确定性中穿行的关键框架。它让我们能超越短期的波动，看到随时间浮现的底层模式。理解平均律并不是为了确定地预测未来，而是为了培养一种现实的概率感和长期趋势感。
从核心而言，平均律可以简要定义为：在足够多次的随机事件重复中，平均结果将趋向于预期价值的原则。 这意味着虽然单个事件可能是不可预测的，但随着我们观察到的实例增加，整体模式会变得越来越稳定和可预测。可以这样想：一颗雨滴可能落在任何地方，但从高处看，一场雨暴却有可辨认的形状和方向。平均律帮助我们在单个“雨滴”的混沌中看到“雨暴”。
本文将深入探讨平均律，研究其历史根源、核心概念、实际应用以及局限性。我们将为你配备知识，不仅让你理解这个强大的模型，还能在自己的思考和决策过程中有效地应用它。
2. 历史背景：从骰子游戏到统计基石
平均律的种子在几个世纪前就在早期的概率论沃土中播下了。虽然直到后来才被正式称为“平均律”，但其起源可以追溯到 16 和 17 世纪，由对机会游戏的痴迷和对量化不确定性日益增长的兴趣所驱动。
最早开始处理概率思想的人物之一是意大利博学者吉罗拉莫·卡尔达诺（Gerolamo Cardano）。虽然他不是现代意义上的统计学家，但卡尔达诺在约 1564 年撰写的《论赌博游戏》（Liber de Ludo Aleae）中对骰子游戏的分析，为理解概率和预期结果奠定了一些基础。他探索了“有利”和“不利”结果的概念，并尝试计算赔率，尽管方式还有些原始。
然而，概率论的真正诞生，以及随之而来的平均律的概念基础，通常被归功于 1654 年皮埃尔·德·费马（Pierre de Fermat）与布莱斯·帕斯卡（Blaise Pascal）之间的一系列通信。他们解决了一个关于如何公平分配未完成赌局筹码的“点数问题”。他们各自独立得出的优雅方案，标志着概率作为一门数学学科的重大飞跃。帕斯卡尤其探索了预期价值的想法，以及在重复试验中，某些结果变得更可能的倾向与其概率成正比。
虽然费马和帕斯卡奠定了理论基础，但雅各布·伯努利（Jacob Bernoulli）提供了一个与平均律直接相关的关键数学正式化。在 1713 年死后出版的《推测术》（Ars Conjectandi）中，伯努利证明了现在被称为大数定律（Law of Large Numbers）的定理。该定理从数学上证明了，随着一个随机事件独立试验次数的增加，结果的平均值将收敛于预期价值。伯努利的工作是开创性的；它为一个直觉性想法提供了严密的数学基础，即长期观察到的概率会反映真实的潜在概率。
随时间推移，大数定律以及我们现在通称的平均律，从一个数学探究的小众领域演变为统计思维的基石。最初聚焦于博弈，其应用随着统计学成为各领域的重要工具而极大地扩张。19 和 20 世纪见证了更复杂的统计技术的发展，以及对概率分布更深的理解。平均律成了保险、精算学，以及后来的社会科学、经济学甚至制造业质量控制中的基础原则。
“平均律”这个术语本身，是一个比“大数定律”更通俗、数学上不那么精准的说法。它之所以流行，是因为它向更广泛的受众解释了长期统计稳定性这一直觉想法，且通常是在日常生活经验和观察的背景下。虽然有时因过于简化甚至被误用（正如我们将要讨论的）而受到批评，但“平均律”仍然是掌握统计推理基础原则的一种强大且易懂的方式：当我们看大局时，模式会从随机性中浮现。
3. 核心概念分析：拆解平均的原则
要真正掌握平均律的力量和局限，我们需要剖析其核心组件。它不仅仅是一个模糊的概念；它建立在赋予其预测和解释能力的统计学基础原则之上。让我们拆解这些关键想法：
a) 概率与随机性： 平均律的核心是概率。概率是衡量一个事件发生可能性的尺度。它表现为 0 到 1（或 0% 到 100%）之间的一个数字，0 表示事件不可能发生，1 表示事件确定发生。例如，一枚公平硬币掷出正面的概率是 0.5（或 50%）。
平均律适用于随机事件。随机事件是指单次试验的结果是不确定的，但在多次试验中具有可预测的结果模式。想想掷一枚公平的骰子。你无法预测单次投掷的结果，但经过多次投掷，你期望每个数字（1 到 6）出现的次数大致相同。随机并不意味着“没有原因”；它意味着原因过于复杂或众多，以至于无法确定地预测每个个体事件的结果。
b) 预期价值： 预期价值是你期望在随机事件的多次重复中看到的平均结果。它的计算方法是将每个可能的结果乘以其概率，然后将这些乘积相加。对于一次公平掷硬币（正面=1，反面=0），预期价值是 (0.5 * 1) + (0.5 * 0) = 0.5。这并不意味着你会在单次投掷中得到“0.5 个正面”，但它代表了你在多次投掷中期望看到的平均结果。
平均律指出，随着试验次数的增加，样本平均值（在一系列试验中观察到的平均结果）会倾向于更接近预期价值。
c) 样本量与收敛： 样本量至关重要。平均律不会在寥寥几次试验中施展魔法。它需要一个足够大的样本量，平均值才能向预期价值收敛。可以把它想象成在地图上缩小。近看，你看到的是单个的街道和房屋（个体事件）。缩小看，你看到的是更宽广的模式——城市网格、区域景观（平均值）。
收敛是指随着样本量增长，样本平均值越来越接近预期价值的过程。它不保证样本平均值会恰好等于预期价值，但它会变得日益接近，且围绕预期价值的波动会变得越来越小。
d) 事件的独立性： 平均律通常假设事件的独立性。这意味着一次试验的结果不会影响后续任何试验的结果。掷硬币通常被认为是独立的——上次掷出正面还是反面不改变下次投掷的概率。然而，在一些现实场景中，事件可能并非完全独立，这会影响平均律的表现。
说明性案例：
- 案例 1：掷硬币。想象掷一枚公平硬币。正面的概率是 0.5，预期价值是 0.5。
- 短期（10 次）：你可能得到 7 个正面和 3 个反面（70% 正面）。样本平均值远偏离预期价值。
- 中期（100 次）：你可能得到 55 个正面和 45 个反面（55% 正面）。样本平均值更接近预期价值，但仍有偏差。
- 长期（1000 次）：你极有可能得到非常接近 500 个正面和 500 个反面的结果（如 495 个正面，505 个反面 - 49.5% 正面）。样本平均值现在非常接近 0.5 的预期价值。 这证明了收敛：随着投掷次数增加，正面的比例变得越来越接近 0.5。
- 案例 2：保险。保险公司高度依赖平均律。它们无法预测任何特定的个人何时会发生事故或需要索赔，但它们可以相当准确地预测其整个客户群收到的平均索赔数量。
- 单个保单：对于单一投保人，事故是不可预测的。
- 庞大的投保人池：对于成千上万甚至数百万投保人，保险公司可以利用历史数据和统计模型来估计平均索赔频率和严重程度。平均律允许它们设定能覆盖赔付和运营成本的保费，即便个体结果是不确定的。 投保人池越大，实际的索赔经历就越可靠地与预期平均值一致，从而让保险公司能有效管理风险。
- 案例 3：客户服务等待时间。呼叫中心想要了解客户的平均等待时间。
- 单次通话：任何特定通话的等待时间可能差异巨大。
- 监控多次通话（大样本）：通过追踪一段时间内成千上万次通话的等待时间，呼叫中心可以计算出平均等待时间。平均律表明，这一平均值在大量通话后会趋于稳定，提供了一个可靠的服务表现衡量指标。它们可以利用这一平均值来设定服务水平目标、分配资源并识别改进领域。
常见误区： 识别一些关于平均律的常见误区至关重要：
- 它不是短期内的“平衡律”：平均律并不意味着在连续出正面后，反面就“该出”了以实现短期平衡。每次掷硬币都是独立的。这种误区被称为赌徒谬误。
- 它不保证具体的结果：它不保证在 100 次掷硬币中，你一定会得到恰好 50 个正面和 50 个反面。它只是说比例会接近 50%，且随着投掷次数增加会变得更接近。
- 它需要随机性和独立性：如果事件并非真正随机或独立，平均律可能无法按预期起作用。例如，如果你掷的是枚有偏差的硬币，平均值将收敛于偏差后的概率，而非 0.5。
理解这些核心概念并避免常见误区，对于有效应用平均律并避免决策陷阱至关重要。
4. 实际应用：平均律在行动
平均律不只是一个抽象的统计学概念；它是一个在广泛领域具有实用价值的强大工具。让我们探索五个具体的例子：
1. 商业与市场研究：企业频繁在市场调研和预测中利用平均律。在进行调查或从客户样本中收集数据时，公司明白小样本的结果可能无法完美代表整个人群。然而，通过增加样本量，它们可以利用平均律获得关于整体客户偏好、市场趋势和产品需求的更准确图像。例如，一家发布新产品的公司可能进行调查以衡量客户兴趣。调查 10 个人可能由于被选个体的特殊性而给出偏差结果。然而，调查 1000 或 10000 个人将提供一个关于整体市场兴趣更可靠的估计，因为平均律确保了样本结果更有可能反映真实的总体偏好。
2. 个人理财与投资：在个人理财中，平均律对于理解投资风险和回报至关重要。虽然股市短期内可能有波动，但从长期来看，历史数据表明多元化的股票组合倾向于产生正的平均回报。考虑投资股市。短期的市场波动不可预测，个体股价可能高度波动。然而，经过数十年，一个多元化的股票组合（如指数基金）在历史上显示出正的年平均回报率。平均律暗示，虽然任何单一年份可能是负的，但在长期的投资视野内，平均回报很可能是正的，反映了经济的长期增长潜力。这鼓励长期投资，并帮个体避免基于短期市场波动做出草率决定。
3. 教育与标准化考试：教育者在设计和解读标准化考试时使用平均律。单个考题可能无法完美衡量一个学生的知识，但在大量考题以及大量学生群体中，平均分和整体考试表现成了更可靠的学习和教育结果指标。例如，像 SAT 或 ACT 这样的标准化考试由许多覆盖各课题的题目组成。一个学生可能由于运气猜对一些题也猜错一些题。然而，在一场包含数百道题的大型考试中，并在考虑成千上万名学生的分数时，平均律确保了整体考分能对学生能力和教育计划的有效性提供一个相当准确的衡量。
4. 技术与算法设计：在技术领域，特别是算法设计和 A/B 测试中，平均律是基础。在测试网站、应用或算法的不同版本时，技术公司依赖大数据集来确定哪个版本平均表现更好。例如，一家公司可能想测试两种不同的网站布局（A 和 B），看哪一个能带来更高的用户参与度。它们随机指派用户看到布局 A 或 B，并追踪点击率、页面停留时间和转化率等指标。通过观察每种布局在成千上万次甚至数百万次用户会话中的表现，平均律帮它们确定哪种布局平均而言表现更好。这种数据驱动的方法允许在设计和开发中进行客观决策。
5. 体育与表现分析：体育分析师和教练越来越多地使用数据和分析，利用平均律来评估球员和球队的表现。虽然单个比赛的结果可能受运气影响，但在许多场比赛或赛季中，底层的天赋和策略倾向于在平均统计数据中变得更明显。例如，在棒球中，击球手的打击率（安打除以打数）是一个关键统计指标。球员可能在几场比赛中手感发烫或陷入低迷。然而，在整个赛季或职业生涯的大量打数中，平均律规定其打击率将收敛于其真实的潜在击球能力。类似地，球队在全赛季的胜率比单场比赛的结果更能说明其整体实力。
这些例子展示了平均律的多功能性。它是一个帮助我们超越个体事件噪音、看到各行各业底层模式信号的思想模型。
5. 与相关思想模型的对比：导航思维工具箱
虽然平均律是一个强大的思想模型，但它不是我们认知工具箱里理解概率和不确定性的唯一工具。将其与几个相关模型对比，有助于理清其独特作用以及何时最适合应用。
a) 均值回归：均值回归 (Regression to the Mean) 均值回归与平均律密切相关，但它专门侧重于极端值随时间向平均水平移动的倾向。如果一个数据点异常高或异常低，随后的数据点很可能更接近平均值。
- 关系：两个模型都根植于长期平均值的想法。均值回归在某种意义上是平均律的一个结果。因为平均结果在长期内是最可能的，极端偏差在统计上不太可能持久。
- 区别：平均律更宽泛，描述了样本平均值向预期价值的普遍收敛。均值回归更具体，侧重于极端值向平均值的回归轨迹。
- 何时选择：当你想要理解多次试验后的总体平均结果时，使用平均律。当你专门处理极端值并想了解它们回归平均水平的可能性时，使用均值回归。
b) 赌徒谬误：赌徒谬误 (Gambler's Fallacy) 赌徒谬误是对平均律的错误应用。它是指错误地相信过去的随机事件会影响未来的独立事件。具体来说，就是错误地认为如果某个结果在独立试验序列中重复出现，那么它“该”很快被相反的结果所平衡。
- 关系：赌徒谬误是对平均律的直接误解和误用。它假设了一种平均律并不预测或暗示的短期“平衡”效应。
- 区别：赌徒谬误是导致错误预测的认知偏见，而平均律是描述长期趋势的统计原则。平均律强调独立性，而赌徒谬误忽略了它。
- 何时选择：你不应该“选择”赌徒谬误——它是要避开的坑！始终选择平均律来理解长期概率，并避免陷入认为过去独立事件决定未来的陷阱。
c) 基础概率谬误：基础概率谬误 (Base Rate Fallacy) 基础概率谬误涉及在基于新证据做判断时，忽略或低估先验概率（基础概率）的重要性。它与平均律相关，因为两者都处理概率，但它突显了概率推理中不同类型的错误。
- 关系：平均律侧重于长期频率和向预期价值的收敛。基础概率谬误处理在将先验概率与新信息结合时的推理错误。
- 区别：平均律关于重复事件中的长期趋势。基础概率谬误关于因忽视先验信息而误判概率。
- 何时选择：分析重复的随机事件和长期趋势时使用平均律。当你需要将先验概率与新证据结合时，警惕基础概率谬误。
理解这些相关模型间的细微差别和区别，可以让你在不同情况下更精准有效地应用每一个。平均律是理解长期趋势的强大工具，但意识到其局限性并辅以其他模型也至关重要。
6. 批判性思维：局限性与潜在误用
虽然平均律是一个有价值的思想模型，但承认其局限性和潜在误用至关重要。不加批判地盲目应用会导致错误的结论。
a) 局限性：
- 仅适用于随机事件：平均律仅适用于真正随机且独立的事件。在许多现实场景中，事件可能受底层因素、偏见或依赖性的影响，从而违反了这些假设。例如，股市回报并非完美随机或独立；它们受经济条件、公司表现和投资者情绪的影响。
- 需要足够的样本量：平均律在大样本量下运作最佳。在小样本中，随机波动可能占据主导，观察到的平均值可能无法可靠代表长期预期价值。基于小数据集得出结论可能会产生误导。
- 不保证短期结果：平均律描述的是长期趋势，而非短期保证。它不预测下次或特定短期内会发生什么。期待平均律在短期内“拉平”是导致赌徒谬误的常见误区。
- 对现实的过度简化：平均律通常将复杂的现实现象简化为概率模型。虽然有用，但这种简化有时会忽略不那么容易量化或随机的重要细节。
b) 潜在误用案例：
- 赌博谬误：如前所述，最常见的误用是在赌博中。人们常相信在一系列输局后，赢局就“该出了”，或者过去的模式能预测未来的独立事件。这直接误用了平均律，导致糟糕的投注策略。
- 对小样本的过度自信：企业可能错误地依赖小样本的市场调查数据，假设平均律会让其代表整个市场。这可能导致基于不准确数据的错误产品发布。
- 忽略潜在偏见：如果一个过程存在系统性偏见，平均律可能会收敛于一个有偏差的平均值，而非真正的预期价值。例如，如果调查样本不具代表性，结果反映的是样本的偏见，而非整体人群。
- 将“平均”解读为“典型”：平均结果在所有情况下并不一定就是“典型”或最频繁出现的结果。例如，在收入分布中，平均收入可能由于少数高收入者的拉抬而高于大多数人的收入。将平均值作为“典型”体验的代表可能具有误导性。
c) 关于避免误区的建议：
- 专注于长期趋势：记住平均律关于长期趋势。不要期待它支配短期结果或单个事件。
- 警惕小样本量：基于小数据集得出结论时要谨慎。确保样本量大到足以让平均律产生意义。
- 核实随机性和独立性：考虑你分析的事件是否真正随机且独立。留意可能影响平均律适用性的潜在偏见。
- 结合其他模型使用：不要只依赖平均律。将其与其他思想模型和批判性思维工具结合，以获得对复杂情况更全面的理解。
- 寻求统计素养：培养对统计和概率的基础理解。这将帮你更有效地应用平均律并避免概率推理中的常见陷阱。
通过承认平均律的局限和潜在误用，并应用批判性思维，我们可以有效地发挥其力量，同时避开陷阱。
7. 操作指南：在生活中应用平均律
准备好在自己的思考中使用平均律了吗？这里有一个分步指南和一个简单的练习帮你入门：
分步操作指南：
- 识别随机过程：识别涉及重复事件且具有随机性元素的情况。这可以是任何事，从网站点击到客户服务电话，从投资回报到日常通勤。
- 定义事件与概率（如果可能）：清晰定义你感兴趣的事件，并尽可能估计其发生的概率。例如掷硬币，事件是“正面”，概率是 0.5。在客户服务中，事件可能是“30 秒内接听电话”。你可能需要基于过去的数据或行业基准来估计概率。
- 在大量试验中收集数据或观察：在足够多次试验或观察中收集结果。样本越大，基于平均律的分析就越可靠。
- 计算经验平均值：根据收集的数据计算平均结果。这可以是平均成功率、平均价值、平均频率等。例如，计算掷硬币中正面的比例，平均客户等待时间，或几年的平均投资回报。
- 对比理论预期（如有）：如果你有理论预期价值（如掷硬币的 0.5），将经验平均值与之对比。平均律表明它们应该接近，尤其是在大样本量下。
- 分析偏差与趋势：检查经验平均值与预期价值间的任何偏差。考虑这些偏差是否在随机波动范围内，或者是否存在底层的因素或偏见。寻找数据随时间的趋势——平均值是否在稳定？是否有模式浮现？
给初学者的实用建议：
- 从简单例子开始：先在简单的、易观察的随机事件上练习，如掷硬币、掷骰子或抽牌。这有助于建立直觉。
- 追踪现实数据：选一个你感兴趣的现实场景，如红绿灯时长、天气模式或网站流量。开始追踪数据并计算一段时间的平均值。
- 使用模拟工具：利用在线模拟工具对随机事件进行大量试验的模拟。这能让你视觉化地看到平均值如何随样本量增加而收敛。
- 不要期待完美：记住平均律处理的是概率和倾向，而非保证。不要因为经验平均值没与理论预期完美契合而气馁，尤其是在较小样本中。
思考练习：分析交通灯 目标：通过分析当地路口绿灯的平均时长来应用平均律。 说明：
- 选一个路口：选一个你经常遇到的路口。
- 观察并记录：在一周（或几天）的时间里，观察该路口不同时段（如早高峰、中午、晚上）的交通灯。
- 计时绿灯：每次观察时，使用秒表计时你行驶方向的绿灯时长。记录在笔记本或工作表上。争取收集至少 20-30 个绿灯周期的内容。
- 计算平均绿灯时长：将所有记录的时长相加，除以观察次数。
- 分析结果：
- 你观察到的平均绿灯时长是多少？
- 你是否注意到时长的变动？
- 基于平均律，你认为计算出的平均值是对该路口典型绿灯时长的可靠估计吗？为什么？
- 哪些因素可能影响实际时长并导致偏离平均值（如时段、车流量、灯光程序）？
- 你如何改进数据收集以获得更可靠的平均值？
通过完成此练习，你将获得应用平均律分析现实数据的动手经验，并理解平均值如何从重复观察中浮现。
8. 结论：拥抱平均的力量
平均律虽然看似简单，却是一个对于导航充满不确定性和随机性的世界至关重要的思想模型。我们探索了它的历史起源，剖析了核心概念，研究了各领域的实际应用，对比了相关模型，并批判性地分析了其局限。
要点回顾：
- 长期倾向，非短期保证：平均律关于长期趋势和平均值在多次试验后的收敛。它不承诺短期的平衡或可预测性。
- 大数的威力：其力量在于处理大数据集和重复事件。样本量越大，平均值越能可靠反映底层概率。
- 明智决策的基础：理解平均律赋予我们在商业、金融、个人生活等领域做出更明智决策的能力，通过专注于概率和长期预期，而非短期波动。
- 批判性应用是关键：应用平均律时必须带有批判性思维，识别局限，避免误用，并辅以其他思想模型。
平均律的价值在于它能帮我们在混沌中看到模式，在不确定中管理预期，并做出立足于概率而非一厢情愿或短视的决策。它像是一个指南针，虽然不一定指向每一步的确切结果，却能可靠地引导你在漫长旅程中走向可能的目的地。
我们鼓励你将平均律整合进日常思维中。开始留意随机性起作用的场景，考虑长期趋势，并利用这个强大的思想模型做出更具统计学合理性的判断。通过拥抱平均的力量，你可以带着更大的清晰度和信心在不确定性中穿行。
常见问题解答 (FAQ)
1. 用简单的话说，什么是平均律？ 平均律简而言之就是：经过很长一段时间，随机事件的平均结果将越来越接近预期结果。例如，在多次掷硬币中，正面的比例将趋于 50%。
2. 平均律总是真的吗？ 是的，在统计学意义上，对于真正随机且独立的事件，平均律（更准确说是大数定律）在数学上已被证明。然而，在现实场景中，完美的随机和独立往往只是近似，而“长期”可能确实非常长。
3. 它与赌徒谬误有何不同？ 平均律描述长期趋势。赌徒谬误是错误地相信过去独立事件会影响未来独立事件，导致对短期平衡的虚假期待（如认为连出正面后反面就“该出了”）。它们本质上是对立的概念——一个是有效的统计原则，另一个是认知错误。
4. 我能用它预测股市吗？ 虽然平均律与理解长期市场回报相关，但它不能被用来预测短期的股市波动。股市受许多复杂因素影响，并非完美随机或独立。然而，平均律可以支撑基于历史平均回报的长期投资策略。
5. 什么样的样本量才算“足够大”？ 没有单一答案。“足够大”取决于具体情境、事件的变动性以及所需的精确度。通常，样本量越大，平均值就越可靠。在实践中，统计功效分析（power analysis）可以帮针对具体的研究或分析需求确定合适的样本量。
进一步学习资源
- 书籍：
- 《思考，快与慢》 - 丹尼尔·卡尼曼（触及概率思维和偏见）
- 《赤裸裸的统计学》 (Naked Statistics) - 查尔斯·惠伦（易读的统计概念入门）
- 《醉汉走路》 (The Drunkard's Walk) - 伦纳德·洛odinow（探索随机性在生活各方面的作用）
- 在线课程：
- Coursera 和 edX 提供大量统计、概率和数据分析课程。搜索“统计学导论”、“概率与统计”或“数据科学”。
- 可汗学院 (Khan Academy) 提供免费的概率统计视频课程和练习。
- 网站：
- Investopedia（统计概念的金融应用）
- Towards Data Science（关于数据科学和统计思维的文章）