一条新证据出现后，我们很容易立刻推翻原来的判断：检测呈阳性，就认定自己已经患病；听说两个孩子接连自然死亡的概率只有几千万分之一，就认定母亲一定是凶手；项目拿到一个大客户，就宣布商业模式已经跑通。

改变看法本身没有错。有力的证据，本来就应该让判断发生变化。需要警惕的是，我们改变判断的幅度，究竟来自证据本身的分量，还是来自它带来的震撼感。

要回答这个问题，不能只看眼前这条证据。还要知道，在它出现之前，各种情况原本有多大可能；这条证据在不同情况下分别有多容易出现；它究竟能在多大程度上区分不同解释。

这正是贝叶斯更新要解决的问题。

一个1/7300万的数字，为什么仍然不能证明谋杀？

萨莉·克拉克是一名英国律师。1996年，她11周大的第一个孩子突然死亡，最初被认定为自然死亡。约13个月后，她8周大的第二个孩子也突然死亡。随后，克拉克被警方逮捕，被控谋杀两个儿子。

审判中，儿科专家罗伊·梅多向陪审团提供了一个极具冲击力的数字：

一个家庭中，两个婴儿相继发生婴儿猝死的概率，是1/7300万。

这个数字来自一次看似简单的计算。

梅多采用的单次婴儿猝死概率约为1/8543。如果假设两个孩子的死亡彼此独立，那么两个孩子都发生婴儿猝死的概率，就要把两次概率相乘：

1/7300万听起来几乎等于"不可能"。一个很有诱惑力的结论随之出现：既然两个孩子都自然死亡的概率低得难以想象，那么更合理的解释，似乎只能是谋杀。

1999年，克拉克被判处终身监禁。

问题在于，这个看似精确的数字，既建立在一个未经证明的计算前提上，也被用来回答了一个它根本无法回答的问题。

第一个问题：两次死亡真的可以按独立事件计算吗？

只有两次事件彼此独立，两个概率才能直接相乘。

所谓独立，是指第一个孩子是否发生婴儿猝死，不会改变第二个孩子发生同类事件的概率。但同一个家庭中的孩子共享部分遗传因素、生活环境和其他风险条件。第一个孩子发生婴儿猝死以后，第二个孩子的风险未必还等于普通家庭的平均水平。

因此，1/8543不能在缺少额外依据的情况下直接平方。考虑同一家庭共享的风险因素后，两次事件同时发生的概率可能明显高于1/7300万。

计算过程并不复杂，问题出在它所依赖的独立性假设没有得到证明。

第二个问题：即便暂时接受1/7300万，它也不是有罪概率

这个数字回答的是：

如果两个孩子都是自然死亡，出现这组证据的概率有多大？

陪审团真正需要判断的却是：

在已经看到这组证据的情况下，孩子自然死亡和遭到谋杀的概率分别有多大？

两个问题听起来很像，方向却完全不同。

"如果是自然死亡，这组证据很少见"，不能直接推出"既然这组证据已经出现，自然死亡就几乎不可能"。要完成后一个判断，还必须继续比较：如果是谋杀，这组证据有多容易出现；自然死亡和谋杀原本各有多常见；是否还有其他医学解释没有被纳入考虑。

2003年，英国上诉法院推翻了克拉克的定罪。这起案件还涉及未披露的重要医学证据，因此不能把整场错判只归因于一次概率错误。但1/7300万这个数字的使用，确实暴露了一个常见的推理陷阱：

新证据出现以后，原来的判断究竟应该发生多大改变？

贝叶斯更新，就从这里开始。

新证据来了，为什么不能从零开始判断？

贝叶斯更新，是指在已有判断的基础上，根据新证据重新计算某种情况成立的概率。

说得直接一点：你原来有一个判断，新证据出现以后，需要先看它更支持哪一种解释，再据此调整原来的判断，包括调整的方向和幅度。

它并不要求我们每次遇到新消息，都把过去的判断全部清零。相反，新判断总是在原有判断的基础上形成。

这个过程中，有三个最重要的概念。

先验：新证据出现前，你原来怎么判断

检测结果出来之前，你原本认为自己有多大概率患病？新的经营数据出现之前，你原本认为项目有多大概率成功？

这个更新前的判断，就是先验。

似然：假设成立时，这条证据有多容易出现

假设我们认为项目最终会成功，那么"试点留存超过目标"这条证据，有多容易出现？

这个概率，就是证据在该假设下的似然。

但只看这一边还不够。你还要看，如果项目最终失败，短期高留存是否也很常见。

似然比：这条证据更支持哪一种解释

假设最终成功的项目中，有60%会在早期出现"试点留存超过目标"；最终失败的项目中，也有20%会出现短期高留存。

似然比的计算方式是：

这个结果表示，同样是"试点留存超过目标"，它在成功项目中出现的可能性，是在失败项目中的3倍。

所以，这条证据确实更支持"项目会成功"这一判断。但似然比为3，不等于成功概率变成原来的3倍，也不等于成功概率已经达到75%。它只是在说明，这条证据更偏向哪一种解释，以及偏向程度有多大。

似然比越接近1，证据越难区分两种情况；离1越远，区分力越强。

后验：结合新证据以后，你现在怎么判断

把新证据纳入判断后，得到的新概率，就是后验。

先验是更新前的判断，后验是更新后的判断。一次更新结束后，本轮的后验又会成为下一轮更新的先验。

贝叶斯公式写的是什么？

贝叶斯更新的标准公式是：

这里的H代表我们正在判断的假设，E代表新出现的证据。

P(H)是先验概率，也就是看到新证据之前，假设成立的概率；

P(E｜H)是似然，也就是假设成立时，这条证据出现的概率；

P(E)是这条证据在所有情况下出现的总体概率；

P(H｜E)是后验概率，也就是看到证据以后，假设成立的新概率。

普通读者不必每次都亲手套用这个公式，但需要知道它揭示了什么：新证据不能脱离原来的概率背景单独解释。

当我们只比较两种假设时，还可以把公式写成更适合计算和理解的赔率形式：

标准公式告诉我们贝叶斯更新是什么，赔率形式则更容易看清，一条证据究竟会让原来的判断改变多少。

证据有多强，为什么还要看原来的判断？

"赔率"听起来有些陌生，其实只是把两种结果放在一起比较。

假设一个项目成功的概率是20%，失败的概率就是80%。用成功概率除以失败概率：

因此，20%的成功概率可以写成1∶4的赔率。它表示，在更新之前，每1份"成功"的可能，对应4份"失败"的可能。

为了看清计算过程，现在假设出现了一条似然比为5的新证据。

似然比为5，表示这条证据在成功项目中出现的可能性，是在失败项目中的5倍。因此，看到这条证据以后，成功一侧原来的1份相对权重，需要乘以5；失败一侧仍然是4份：

更新后的5∶4表示，在总共9份可能中，5份属于成功，4份属于失败。因此，项目成功的新概率是：

项目成功的概率由20%提高到了约56%。这条证据显著增加了项目成功的可能性，但仍不能证明项目一定成功，因为失败的概率依然约为44%。

这个例子说明，证据有多强，不能单独决定最后的概率。原来的判断不同，同一条证据带来的改变也会不同。

假设现在有一条似然比为10的证据，我们分别从三种不同的先验出发。

先验为1%

如果项目成功的先验概率是1%，失败概率就是99%，先验赔率为：

加入似然比为10的证据后，成功一侧乘以10：

新的赔率一共有109份可能，其中10份属于成功，所以后验概率是：

这条证据很有力，但因为成功的初始概率只有1%，后验仍然不到10%。

先验为20%

20%的成功概率，对应1∶4的赔率。

加入似然比为10的证据后：

总共14份可能，其中10份属于成功，所以后验概率是：

先验为80%

80%的成功概率，意味着失败概率是20%。成功与失败的赔率是：

加入同一条似然比为10的证据后：

总共41份可能，其中40份属于成功，所以后验概率是：

三种情况面对的是同一条证据，后验却从9.2%到97.6%不等。区别不在证据，而在更新前的判断。

一次阳性结果，为什么只把1%提高到7.8%？

假设某种疾病在筛查人群中的患病率为1%。真正患病的人中，80%会被检测为阳性；没有患病的人中，也有9.6%会被检测为阳性。

现在，一位受检者得到了阳性结果。她患病的概率是多少？

很多人的第一反应是：检测能够识别出80%的真正患病者，现在结果又是阳性，患病概率应该接近80%。

但80%回答的是：

已经患病的人中，有多少会被检测为阳性？

我们现在想知道的却是：

已经检测为阳性的人中，有多少人真正患病？

一个是从疾病推检测结果，一个是从检测结果反推疾病，两者不是同一个问题。

把百分比换成人数，问题会清楚很多。

假设有1000人参加筛查。

患病率是1%，所以真正患病的人数是：

剩下没有患病的人数是：

在10名真正患病的人中，检测能识别出80%，所以真阳性人数是：

在990名没有患病的人中，也有9.6%会得到阳性结果，所以假阳性人数是：

因此，所有阳性结果大约来自两部分：

这103名阳性者中，真正患病的约有8人，所以阳性之后的患病概率是：

一次阳性结果，把患病概率从1%提高到了约7.8%。它明显支持患病这一判断，却没有把概率提高到80%，因为阳性结果虽然在患病者中更常见，在未患病者中也不算罕见。

在这个例子里，阳性证据的似然比是：

这表示，阳性结果在患病者中出现的可能性，大约是在未患病者中的8.3倍。它是一条有力证据，但由于患病的初始概率只有1%，后验仍然只有约7.8%。

这个案例不是在说"检测结果不可信"，而是在提醒我们：

拿到一个大客户，成功概率究竟该提高多少？

医疗检测往往有相对明确的数据，现实工作却很少直接告诉你先验和似然比。不过，贝叶斯更新的思路仍然可以使用。

假设你正在判断，一个新项目能否在一年内跑通商业模式。根据同类项目的历史结果，你暂时把成功概率定为20%。这时，项目拿到了第一个大客户。

这当然是一条利好证据，但它究竟有多大分量，不能只看签约现场有多热闹。你还需要知道，成功项目在早期拿到大客户是否常见，以及最终失败的项目中，是否也经常出现过类似情况。

有些项目拿到客户，靠的是稳定需求；另一些项目靠的却是人情、低价、补贴或一次性渠道资源。因此，"拿到一个大客户"可以让成功概率上调，却通常不足以证明商业模式已经成立。

接下来，新的证据还会不断出现。

原价续约，比第一次签约更有分量

人情和试用可以带来首次成交，却不容易带来持续付费。客户愿意按原价续约，说明这项业务可能确实创造了价值，成功概率可以继续上调。

有收入还不够，稳定毛利才是新证据

如果每增加一名客户，项目都要付出更高补贴，那么收入增长并不能证明模式成立。只有稳定毛利出现以后，成功概率才有理由进一步提高。

能复制，才说明第一个客户可能不是偶然

当第二个、第三个客户相继出现时，第一个客户就不再只是一个孤立案例。随着可复制性得到验证，项目成功的概率可以继续上调。

补贴一停就流失，成功概率就该下调

如果停止补贴后，客户迅速流失，这条证据就更支持"增长依赖补贴"这一解释，成功概率也应该随之下调。

这就是贝叶斯更新在现实中的样子。它不允许我们拿到一条消息后便宣布答案，而是要求判断随着证据增加，一轮一轮地修正。

没有精确数据，判断还能怎样更新？

现实中，我们经常没有可靠的数据，也无法算出精确的似然比。这时，不要为了显得专业，给直觉套上一个小数点。没有可靠的输入，就不会有可靠的精确后验。

不过，你仍然可以用四个问题，完成一次定性更新。

第一问：新证据出现前，我原来怎么判断？

先把原来的判断写下来。它可以是一个大致概率，也可以是一段清楚的描述，例如："根据同类项目的表现，我认为成功的可能性偏低。"

这样做，是为了防止我们在结果出现以后，悄悄改写自己过去的看法。

第二问：除了第一个解释，还有什么可能？

看到增长，不要只想到"产品有价值"。增长还可能来自补贴、渠道导入、季节性变化，甚至统计口径的调整。

贝叶斯更新只会在你列出的解释之间重新分配概率。真相如果根本没有被列进去，算得再准也没有用。

第三问：这条证据更像哪种情况产生？

分别检查：如果我的判断成立，这条证据是否容易出现；如果另一个解释成立，它是否也同样容易出现。

如果两边都很常见，这条证据几乎没有区分力；如果它在一边明显更常见，判断就应该朝这一边调整。

第四问：它真的值得让我改变这么多吗？

没有数据时，可以记录"明显上调""小幅上调""基本不变""小幅下调""明显下调"，或者"证据不足，暂不更新"。

但要注意，"明显支持某个判断"只是在描述证据更偏向哪种解释，并不表示这个判断已经高度可信。最后的可信程度，仍然取决于原来的判断。

因此，没有可靠数据时，较为稳妥的做法是：

公式算对了，判断为什么仍然可能错？

第一，真相可能根本不在你列出的答案里

贝叶斯更新不能自动替你发现遗漏的解释。如果真实原因没有进入分析，它只能在错误答案中重新分配概率。

因此，面对重大问题，应先尽量列出主要的竞争解释，再开始更新。

第二，三条消息可能只是一份证据

三个媒体报道，可能都来自同一个匿名消息源；新增、活跃和交易额同时上升，也可能都由同一次促销推动。

如果三条消息来自同一个源头，它们仍然只是一份信息，不能因为被重复说了三遍，就算成三次证据。更有用的问题是：

后一条证据除了重复前面的信息，还新增了什么？

第三，环境变了，旧证据的分量也会变

市场结构、政策、产品机制和统计口径变化以后，同一条证据的含义也会随之改变。

过去，"活跃人数增长"可能说明用户确实更常使用产品；如果平台后来修改了活跃用户的统计口径，同样的数字变化，就可能不再代表同一件事。

第四，先验不能锁死为"绝不可能"或"百分之百确定"

一旦把某个仍有可能成立的假设设为0，贝叶斯更新就无法再让它获得概率。现实判断中，应尽量少用"绝不可能"和"百分之百确定"。

统计学家丹尼斯·林德利称之为"克伦威尔法则"——克伦威尔在1650年写给苏格兰教会的信中说"我恳求你们，考虑一下你们可能错了"，林德利借用这句话提醒人们给自己"可能错了"留空间。

第五，相信多少和要不要行动，是两个问题

贝叶斯更新告诉你，现在应该相信多少；至于要不要行动，还要看判断错误的代价、成功后的收益、决策能否撤回，以及继续等待是否会错过机会。

同样是30%的成功概率，低成本、可逆的小试验可能值得做；一旦失败就会造成重大损失的决定，则需要更高的把握。

当更多信息已经不会改变你的行动，或者等待本身比犯错更贵，就应该根据现有判断采取行动。

下一次被一条证据震住时，先问什么？

面对1/7300万这个数字，合理的反应既不是立刻相信，也不是立刻否定，而是继续追问：两次死亡之间真的没有关联吗？这个数字说的是"自然死亡时出现证据的概率"，还是"出现证据后自然死亡的概率"？如果是谋杀，这组证据又有多容易出现？自然死亡和谋杀原本各有多常见？是否还有其他解释没有进入判断？

归根结底，我们需要知道的是：这条证据究竟应该让原来的判断发生多大改变。

由于案件中缺少一套可靠、完整的先验和似然，我们不能只凭一个数字，重新计算出可信的"谋杀概率"。但它至少留下了一条警告：不要让一个震撼的数字直接把你推向结论，先检查它在不同解释下分别有多容易出现。

贝叶斯更新不是让你拒绝新证据，也不是要求你永远保持怀疑。它要求你随着证据修正判断，只是修正的幅度不能由证据带来的震撼感决定。

下一次，当一条消息让你急于推翻原来的结论时，不妨先问一句：

这条证据更像是哪种情况产生的，它真的应该让我的判断发生这么大的改变吗？