{
  "id": "odds",
  "title": "几率",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "几率表示事件发生与不发生的概率之比，广泛用于统计学、贝叶斯推断和博彩。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "胜算",
    "优势"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/odds/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/odds/",
      "json": "https://aiwiki.page/en/odds.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "几率是表示一个事件（概率论）发生的可能性相对于其不发生的可能性的数值。如果事件发生的概率为 \\(p\\)，则其正向几率为 \\(p/(1-p)\\)。几率可以写成比的形式，如 \\(3:2\\)，也可以写成单个数值，如 \\(1.5\\)。几率广泛用于统计学、博彩和概率建模。虽然几率与概率描述的是同一种不确定性，但两者采用不同的尺度，不能混为一谈。"
    },
    {
      "heading": "定义与解释",
      "text": "对于事件 \\(A\\)，设 \\(p=P(A)\\)，并以 \\(A^c\\) 表示其补事件。\\(A\\) 的正向几率为\n\n\\[O(A)=\\frac{P(A)}{P(A^c)}=\\frac{p}{1-p}.\\]\n\n\\(A\\) 的反向几率则将上述比值倒置：\n\n\\[\\frac{1-p}{p}.\\]\n\n当 \\(0<p<1\\) 时，这两个量互为倒数。因此，表述几率时应说明指的是正向几率还是反向几率，除非上下文已经明确了所采用的约定。\n\n若正向几率表示为 \\(a:b\\)，则相应的概率为\n\n\\[p=\\frac{a}{a+b}.\\]\n\n若几率表示为单个数值 \\(o=a/b\\)，则换算公式为\n\n\\[p=\\frac{o}{1+o}.\\]\n\n例如，正向几率为 \\(3:2\\) 时，对应的概率为 \\(3/5=0.6\\)，而不是 \\(1.5\\)。反向几率为 \\(3:2\\) 时，对应的概率为 \\(2/5=0.4\\)。\n\n概率 | 正向几率 | 几率的数值\n\\(0.10\\) | \\(1:9\\) | \\(1/9\\)\n\\(0.25\\) | \\(1:3\\) | \\(1/3\\)\n\\(0.50\\) | \\(1:1\\) | \\(1\\)\n\\(0.75\\) | \\(3:1\\) | \\(3\\)\n\\(0.90\\) | \\(9:1\\) | \\(9\\)\n\n几率小于 \\(1\\)，表示事件发生的可能性小于其补事件发生的可能性；几率大于 \\(1\\)，则表示前者大于后者。\\(1:1\\) 的几率通常称为均等几率，对应的概率为 \\(1/2\\)。\n\n当 \\(p=0\\) 时，正向几率为零。当 \\(p=1\\) 时，分母为零，几率不再是有限值；在扩展的非负数范围内，通常将其表示为 \\(+\\infty\\)。"
    },
    {
      "heading": "通过计数计算几率",
      "text": "当有限样本空间中的各个基本结果等可能时，可以通过统计有利结果与不利结果的数量来计算几率。若有 \\(m\\) 个结果使事件发生，\\(n\\) 个结果使事件不发生，则其正向几率为 \\(m:n\\)。\n\n对于一枚公平的六面骰子，事件“掷出六点”有一个有利结果和五个不利结果。其概率为 \\(1/6\\)，正向几率则为 \\(1:5\\)。\n\n等可能性假设至关重要。如果各基本结果的概率不同，仅靠结果计数无法确定几率，必须分别对相应结果的概率求和。\n\n观测频数也可以用来计算经验几率。如果某个二元结果发生了 \\(s\\) 次、未发生 \\(f\\) 次，则经验概率为 \\(s/(s+f)\\)；在 \\(f>0\\) 的条件下，经验几率为 \\(s/f\\)。这些量描述的是观测数据，不一定等于总体中相应的量。"
    },
    {
      "heading": "对数几率与统计建模",
      "text": "当 \\(0<p<1\\) 时，对几率取自然对数，得到对数几率，也称为 对数几率：\n\n\\[\\operatorname{logit}(p)=\\ln\\left(\\frac{p}{1-p}\\right).\\]\n\n概率介于零和一之间，而对数几率的取值范围为全体实数。对数几率为负，表示概率低于 \\(1/2\\)；为零，表示概率等于 \\(1/2\\)；为正，表示概率高于 \\(1/2\\)。将事件替换为其补事件，会使对数几率的符号反转。\n\n其逆变换是逻辑斯蒂函数：\n\n\\[p=\\frac{1}{1+e^{-\\eta}},\\]\n\n其中，\\(\\eta\\) 表示对数几率。\n\n这一变换是逻辑回归的基础。二元逻辑回归模型规定\n\n\\[\\ln\\left(\\frac{p}{1-p}\\right) =\\beta_0+\\beta_1x_1+\\cdots+\\beta_kx_k.\\]\n\n保持其他预测变量不变时，\\(x_j\\) 每增加一个单位，模型中的几率就乘以 \\(e^{\\beta_j}\\)。这通常并不意味着概率增加一个固定值：概率的变化量取决于其初始值。\n\n当效应或证据以乘法方式组合时，几率尤其有用。在对数几率尺度上，相乘的因子变成了相加的项。"
    },
    {
      "heading": "优势比",
      "text": "优势比用于比较两个几率。若两组的事件发生概率分别为 \\(p_1\\) 和 \\(p_0\\)，则其优势比为\n\n\\[\\operatorname{OR} =\\frac{p_1/(1-p_1)}{p_0/(1-p_0)}.\\]\n\n优势比为 \\(1\\)，表示两组几率相等。优势比大于或小于 \\(1\\)，分别表示分子所对应组的几率较高或较低。\n\n优势比不同于概率比，后者通常称为风险比：\n\n\\[\\operatorname{RR}=\\frac{p_1}{p_0}.\\]\n\n例如，若 \\(p_1=0.8\\)、\\(p_0=0.4\\)，则风险比为 \\(2\\)，而优势比为 \\(6\\)。因此，“几率为六倍”并不意味着“发生概率为六倍”。\n\n当两个概率都很小时，\\(1-p_1\\) 和 \\(1-p_0\\) 都接近一，因此优势比近似等于风险比。当结果较常见时，这种近似可能很不准确。"
    },
    {
      "heading": "贝叶斯更新",
      "text": "几率提供了贝叶斯定理的一种简洁表达形式。对于假设 \\(H\\) 和证据 \\(E\\)，在相关概率有定义且分母非零的条件下，\n\n\\[\\frac{P(H\\mid E)}{P(H^c\\mid E)} = \\frac{P(H)}{P(H^c)} \\frac{P(E\\mid H)}{P(E\\mid H^c)}.\\]\n\n用文字表达即为：后验几率等于先验几率乘以似然比。\n\n\\[\\text{posterior odds} = \\text{prior odds}\\times\\text{likelihood ratio}.\\]\n\n条件概率 \\(P(E\\mid H)\\) 和 \\(P(E\\mid H^c)\\) 衡量证据与两种备择情形各自的相容程度。两者之比用于更新初始几率。\n\n例如，将 \\(1:9\\) 的先验几率乘以似然比 \\(6\\)，得到的后验几率为 \\(2:3\\)，对应的后验概率为 \\(0.4\\)。\n\n在贝叶斯推断中，比较含有未知参数的模型时，使用的是各模型的边际似然。由此得到的更新因子称为贝叶斯因子。当适当的条件独立性假设成立时，多个证据因子可以直接相乘；否则，必须在似然中纳入它们之间的依赖关系。"
    },
    {
      "heading": "博彩赔率",
      "text": "在博彩中，“odds”既可以指与概率有关的比值，也可以指公布的赔付条件。这两种含义相互关联，但并不相同。\n\n分数赔率 \\(a/b\\) 通常表示每下注 \\(b\\) 个单位，若投注获胜，便可获得 \\(a\\) 个单位的净收益，同时收回本金。因此，分数赔率为 \\(3/2\\)，意味着下注 \\(2\\) 个单位并获胜后，总共可收回 \\(5\\) 个单位。\n\n小数赔率 \\(d\\) 表示每单位投注的总返还金额，其中包括本金。分数赔率 \\(a/b\\) 对应的小数赔率为\n\n\\[d=1+\\frac{a}{b}.\\]\n\n对于只有输赢两种结果，且不存在手续费、退款或其他结果的投注，每单位投注的净收益期望值为\n\n\\[p(d-1)-(1-p)=pd-1.\\]\n\n因此，盈亏平衡概率为\n\n\\[p=\\frac{1}{d}.\\]\n\n由此可见，分数赔付赔率 \\(a/b\\) 所对应的盈亏平衡概率为 \\(b/(a+b)\\)。这不同于数学中正向几率 \\(a:b\\) 所对应的概率 \\(a/(a+b)\\)。\n\n公布的博彩赔率不一定反映公平概率。它们可能包含博彩经营者的利润空间，也可能同时受到投注活动和对事件判断的影响。对于一组互斥且穷尽所有可能性的结果，公布的小数赔率的倒数之和通常大于一；超出一的部分称为超额概率和（overround）。"
    },
    {
      "heading": "估计与局限",
      "text": "对于用二项分布建模的独立二元试验，概率的最大似然估计为 \\(\\hat p=s/(s+f)\\)，当两种结果的计数均为正时，对应的几率估计为 \\(s/f\\)。如果样本中没有成功结果，估计几率为零；如果没有失败结果，估计则趋于无穷。这类边界估计并不能证明总体中的事件不可能发生或必然发生。\n\n统计不确定性通常在对数几率尺度上表达。当两个计数均为正且足够大时，标准误可近似为\n\n\\[\\operatorname{SE}\\!\\left(\\ln\\frac{s}{f}\\right) \\approx \\sqrt{\\frac{1}{s}+\\frac{1}{f}}.\\]\n\n可以在这一尺度上构造近似置信区间，然后对区间端点取指数，得到几率的区间。当数据稀疏或存在零计数时，这种近似可能不可靠。\n\n最后，几率描述的是不确定性或关联，而不是因果关系。观测几率的差异可能反映混杂、抽样变异或选择机制。若要作出因果解释，还需要几率本身以外的假设，并考虑研究设计。"
    }
  ],
  "links": [
    "event-probability",
    "probability",
    "statistics",
    "sample-space",
    "natural-logarithm",
    "logit",
    "logistic-function",
    "logistic-regression",
    "odds-ratio",
    "bayes-theorem",
    "conditional-probability",
    "bayesian-inference",
    "expected-value",
    "binomial-distribution",
    "maximum-likelihood-estimation",
    "confidence-interval",
    "confounding"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}