概率最有用的地方，是更新猜测而不是做出预测
一个常见的误解是，概率应该告诉你究竟会发生什么。实际上，它在现实世界中最可靠的作用，是拿一个最初的判断，随着证据出现不断调整。重症肌无力研究就是一个清楚的例子：研究人员先对药物效果给出一个刻意保守的先验估计，然后用15名可评估患者的数据来更新它。结果得到后验平均有效率约为67%，95%可信区间大致为50%到81%，并且真实成功率高于50%的概率为97.5%[1]。
这个数字并不是保证未来每三名患者中会有两人好转。它说的是，在样本很小的情况下，模型有多大把握。同一项研究报告，15名患者中有12人（80%）达到了疗效终点，但贝叶斯估计把这一数字往下拉，因为先验是保守的，而且样本很小[1]。这正是概率在老老实实发挥作用：当数据不足时，它会把一个令人鼓舞的原始结果收缩成一个更冷静的估计。
现实系统往往比简单模型预想的更容易出现极端值
概率模型的好坏，取决于它对随机性形状的假设是否成立。许多现实网络，比如大规模复杂网络，会呈现“重尾”特征：极端事件或高度连接的枢纽出现得远比简单钟形曲线模型预测的更频繁。针对这类网络建模的研究，重点在于能够刻画这种重尾行为的概率分布[2]。通俗地说，如果你用一个假定极端情况很少发生的分布来给网络建模，就会系统性地低估大枢纽或大干扰出现的频率。
这是一个实用层面的警告，而不是概率本身的失败。教训是：当所选分布与真实系统的行为相匹配时，概率才用得好。一个为温和、规整的波动而建的模型，用在偶尔出现极端值的系统上，可能给出自信却误导人的答案[2]。
普通人和临床医生都会对概率作出反应，有时自己都没察觉
概率也会塑造行为。在一项计划中的实验里，参与者要寻找目标：目标有50%的概率出现在一个象限，另外三个象限各占16.7%；他们先在电脑屏幕上找，然后在三维乐高积木中找。研究人员会比较高概率位置和低概率位置的反应时间，看人们是否会不知不觉地学会这种偏向并调整自己看哪里，以及这种学习能否在两种场景之间迁移[3]。这是概率在有意注意之下运作：大脑会捕捉某件事在某个地方发生的频率，并用它来引导注意力。
在临床照护中，概率估计能揭示个体决策所掩盖的模式。一项关于2型糖尿病的研究利用真实世界电子健康记录，估计不同的强化治疗干预如何影响达到HbA1c目标的概率。研究结果支持“强化惰性”这一概念，意思是该升级治疗时往往没有升级[5]。在这里，概率不是在预测某一位患者的未来，而是在衡量一个照护系统在众多患者身上的表现，这种衡量能暴露出已知与所做之间的差距。
概率的好坏，取决于背后的数据和问题
概率的日常价值，取决于方法是否与问题相匹配。基于15名患者的贝叶斯估计可以支持一个谨慎的临床决策，但研究本身也指出了其回顾性设计和小样本的局限[1]。网络模型可以描述重尾模式，但前提是所选分布能拟合这种模式[2]。学习实验可以表明人们会捕捉位置概率，但所提供的计划是一项拟议中的实验，而不是已完成的结果[3]。
更广泛地说，概率不是水晶球。它是一种量化不确定性的严谨方式，当不确定性真实存在、数据切题、模型的假设被明确说明时，它才发挥得最好。这样使用，它就能帮助临床医生判断一种治疗，帮助研究人员描述复杂网络，也帮助普通人应对一个充满不确定事件的世界[1][2][4]。
本文引用的文献
泰它西普在重症肌无力中显示出高概率疗效：一项贝叶斯真实世界研究
在一项纳入15名可评估重症肌无力患者的小型回顾性研究中，贝叶斯分析估计后验平均有效率为66.67%，真实有效率超过50%的概率为97.49%。
寻找用于现实复杂网络建模的重尾概率分布
该论文认为，需要重尾概率分布才能刻画大规模现实复杂网络的行为。
现实世界中的视觉搜索与位置概率学习
一项计划中的实验将检验人们是否会在计算机任务和自然化的乐高积木视觉搜索任务中不知不觉地学会50%对16.7%的位置概率偏向，以及这种学习能否在两者之间迁移。
概率在现实世界例子中的应用
该论文用抛硬币等日常例子，说明概率论如何应用于现实情境。
2型糖尿病中强化治疗模式与HbA1c达标概率：支持“强化惰性”概念的真实世界证据
该研究利用真实世界电子健康记录发现，不同的强化治疗干预会影响HbA1c达标的概率，支持2型糖尿病照护中“强化惰性”的概念。