学习内容转载自向阳乔木的开源作品。原版证据分级沿用，未在本轮逐条重新核验；示意曲线与跨领域类比不能直接证明业务结论。
01 · 场景
拉普拉斯用 49 万条出生记录终结一场争论
十八世纪七十年代，欧洲的学者们，还在争论：男孩出生得比女孩多，是自然的规律，还是登记上的巧合。拉普拉斯收集了巴黎 1745 到 1770 年的出生记录，一共 251,527 个男孩，241,945 个女孩，男孩只多出大约 4%。他先假设，男女出生的概率各半，把它当作初始的信念，再让数据开口：按贝叶斯的方法计算，男孩出生率更高的赔率，大约是 1,158,688 比 1。换句话说，如果男女各半是真的，看到这么大的偏差，机会不到百万分之一。结论是：这个差异是真实存在的，不是巧合。这件事的意义，不在结论，而在方法：先立一个初始的信念，再让证据按比例修正它，而不是从零开始吵。这套思路，后来被拉普拉斯用在人口的估计上，成了现代统计推断的骨架。
02 · 原理
一张图看懂它怎么运转
似然比，是核心：这条证据，在假设为真的时候出现的概率，除以它在假设为假的时候出现的概率。大于 1，就上调信念，小于 1，就下调，后验再当成新的先验。
03 · 证据
一次阳性结果之后，真患病的概率有多大一手核实
同一种检测，基准率从 0.1% 涨到 50%，阳性之后，真患病的概率，从 2% 涨到了 95%。先验不是起点的装饰，它决定了证据值多少钱，这就是医生要问病史的原因。
来源：按贝叶斯公式直接计算，参数为敏感度 99%，假阳性率 5% 与 1% 两种检测；基准率忽视的经典讨论见 Kahneman 与 Tversky 1974 年论文
04 · 用法
照着做，一共 5 步
- 把当前的判断，写成数字给结论一个概率，比如“我认为这个方案能成”，先写下 20%。写不出数字的信念，没法更新。
- 列出互斥的假设至少两个，而且加起来，覆盖所有的可能，比如“方案能成”“方案不成”。漏掉的假设，永远不会被更新。
- 对每条证据，估一个似然问一句：如果假设为真，看到这条证据的概率是多少？假设为假呢？两个数相除，就是似然比。
- 用似然比，更新几率先验几率，乘以似然比，得到后验几率，再换算回概率。似然比大于 1，就上调，小于 1，就下调。
- 后验归位，成为新的先验，并设一条行动线下一批证据来了，接着乘。同时事先定好，信念到多少就行动，比如超过 70%，就投入，避免永远在更新，永远不决定。
05 · 练习
练一练：3 道题，看你会不会用
06 · 边界
什么时候它会坑你
先验来自直觉，或者第一个听到的数字
模型会说先验只是起点，证据会把它拉回正轨。
现实是锚定效应，让更新常常不足，垃圾先验，要很多证据，才能洗掉，起点越差，成本越高。
十条证据，其实来自同一个来源
模型会说独立的证据，按乘法累积，信念快速上升。
现实是同源的证据，高度相关，十次转发，只值一条，乘法累积，会严重高估。
似然根本估不出来，比如一次性的大事件
模型会说任何证据，都能算出似然比。
现实是黑天鹅式的独特事件，没有可参照的频率，硬凑出来的似然，让输出看起来精确，却不可信。
团队需要立刻拍板
模型会说保持强观点，弱持有，边走边改。
现实是没有机制约束的时候，弱持有会退化成摇摆和推诿，行动的阈值，必须事先定死。
08 · 出处
出处与延伸阅读
- Thomas Bayes, An Essay towards solving a Problem in the Doctrine of Chances（1763，理查德·普莱斯整理发表）一手核实搜索原文 ↗
- Pierre-Simon Laplace, Mémoire sur la probabilité des causes par les événements（1774）一手核实搜索原文 ↗
- Sharon Bertsch McGrayne, The Theory That Would Not Die（2011）可靠二手搜索原文 ↗
- Kahneman 与 Tversky, Judgment under Uncertainty: Heuristics and Biases（1974）可靠二手查看原文 ↗
- Paul Saffo, Six Rules of Effective Forecasting, Harvard Business Review（2007）可靠二手搜索原文 ↗
原版 · 参数实验
证据一条条来，信念怎么爬坡
模型教学模拟，参数与曲线不是业务预测。
信念按乘法累积。似然比是 6 的证据，三条，就能把 10% 的先验，推到 96%。强度减半，就要五条。先验太低的时候，同样的证据，爬得更慢。
BC · 应用补充
先给主判断，再展示依据
- 主判断：先回答当前问题，给出有证据的首选解释、方案或行动。确实并列时写明比较结果及下一项区分证据，不用罗列可能性代替判断。
- 判断依据：把关键原始记录、计算和推断连到结论。说明方法实际改变了哪项判断；来源不足时缩小结论范围，仍交付已能成立的部分。
- 量化口径：按方法原有公式、单位和分母计算。材料编码须去重并单列未知；没有量化依据则给理由明确的定性比较，不编统一分数或未经校准的概率。
- 反证与改判：指出最强的相反证据、替代解释或敏感变量。写清什么新事实或阈值变化会使首选改变；未经对照的相关性不写成因果。
- 实际用途：把主判断转成当前可执行的动作、停止条件或下一项验证。负责人、预算和期限按已知材料填写；不为完成模板发明业务事实。
- 适用范围：保留各方法自己的产出与失效条件。表达教程不承担业务结论；未核定资料不自动推荐；临床条目按其专项范围交付知识、行为应对或就诊准备。
BC · 应用补充
开始前，准备什么
最小输入
- 当前要做的决定及可选行动
- 与原模型变量对应的事实、约束和反例；类比条件必须另行核对
应留下的产出
- 当前问题与模型的对应关系、适用边界和待验证的行动
BC · 应用补充
把这个方法交给 Agent
BC · 应用补充
出处与证据范围
转载学习材料。verified / secondary / draft 沿用原站分级，并非本库本次重新核验。跨领域类比不是因果证据。
- 向阳乔木 · 思维模型 Wiki：贝叶斯更新
支持转载正文、名称和来源分级的追溯；不表示本库独立核验了全部论据或证明业务效果。
名称与整理说明
沿用原版中英文名称；不声称译名由本库首创或所有术语均有唯一译法。
步骤来自原版 howto；最小输入与产出为本库接入约定。
登记版本 2026-10-25.3。来源状态沿用登记表，不表示所有来源均在本次重新核验。