贝叶斯更新 Bayesian Updating

场景钩子 · 拉普拉斯用 49 万条出生记录终结一场争论

18 世纪 70 年代，欧洲学者还在争论：男孩出生得比女孩多，是自然规律，还是登记的巧合。拉普拉斯收集了巴黎 1745 到 1770 年的出生记录，共 251,527 个男孩，241,945 个女孩，男孩只多出约 4%。他先假设男女出生概率各半，把它当作初始信念，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约为 1,158,688 比 1。换句话说，如果男女各半是真的，看到这么大偏差的机会不到百万分之一。结论是差异真实存在，不是巧合。这件事的意义不在结论，而在方法：先立一个初始信念，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估计上，成了现代统计推断的骨架。

原理图

似然比是核心：这条证据在假设为真时出现的概率，除以它在假设为假时出现的概率。大于 1 就上调信念，小于 1 就下调，后验再当新先验。

数据证据 · 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%，阳性后真患病的概率从 2% 涨到 95%。先验不是起点装饰，它决定证据值多少钱，这就是医生问病史的原因。
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

交互演示 · 证据一条条来，信念怎么爬坡

信念按乘法累积。似然比 6 的证据，三条就能把 10% 的先验推到 96%；强度减半就要五条。先验太低时，同样的证据爬得更慢。

怎么用

1. 把当前判断写成数字给结论一个概率，比如我认为方案能成，先写下 20%。写不出数字的信念没法更新。
2. 列出互斥的假设至少两个，且加起来覆盖所有可能，例如方案能成、方案不成。漏掉的假设永远不会被更新。
3. 对每条证据估似然问一句：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。
4. 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。
5. 后验归位成新先验，并设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。

失效边界

关联模型

• 确认偏误只收集支持性证据会掐断更新，贝叶斯要求认真对待反面似然
• 锚定效应先验常被第一个数字锚定，导致后续更新不足
• 黑天鹅先验接近零的罕见事件，光靠更新救不了，需要额外的防护
• 期望值思维更新出的概率要接到期望值上，才能变成敢下注的决策
• OODA循环观察、调整、决策、行动的快循环，是贝叶斯更新在对抗场景的近亲