假设你三十岁，身体没毛病，某天单位组织体检，多加了一项癌症筛查。结果出来：阳性。这项检查的说明书写着「准确率 99%」。你手心冒汗，脑子里只剩一个念头：完了，我大概率得了。
先别慌。你现在得癌症的概率，其实远没有 99%。可能连 10% 都不到。这不是安慰话，是算出来的。而算这一步用的工具，就是本章要讲透的东西——一个证据到底该让你把想法改多少，不取决于这证据看起来多吓人，而取决于它在「你真得了」和「你没得」两种情况下，各自有多容易出现。
上一章我们把概率当成一门语言学会了说：70% 不是天气的属性，是你信息状态的属性。可世界不会停，它每天往你脸上砸新信息。砸过来一条，你脑子里那个数该往哪挪、挪多远？这就是这一章。
先把「99% 准确」这句话拆开
「准确率 99%」是句糊涂话，它把两件完全不同的事搅成了一团。一个靠谱的检查，得分开说两个数：
- 如果你真得了病，它有多大概率报阳性？这叫敏感度——真病人里能被抓出来的比例。假设 99%。
- 如果你根本没得病，它有多大概率误报阳性？这个错误率哪怕只有 1%，也意味着每 100 个健康人里，就有 1 个被吓到冒汗。
这两个数听起来都很棒。问题出在第三个数——一个跟检查本身毫无关系、却决定一切的数：这病在人群里到底多常见。
关键的一句：一个报警器准不准，光看它「该响时响不响」不够。你还得知道，真正的坏事本来就有多罕见。坏事越罕见，同一声警报里混进来的假警报就越多。
把人头数一遍，答案自己就冒出来了
别急着套公式，我们就老老实实数人头。假设这种癌症在你这个年纪的人里，发病率是万分之一。找一万个和你情况一样的人来做这个检查：
- 这一万人里，真正得病的，大约 1 个。检查敏感度 99%，所以这 1 个基本会被报成阳性。算 1 个真阳性。
- 剩下 9999 个是健康的。检查误报率 1%，于是这些健康人里，约 100 个被误报成阳性。
现在你收到阳性报告，你是这 101 个阳性里的一个。你真得病的概率，是 1 / (1 + 100) ≈ 1%。
一个「99% 准确」的检查报你阳性，你真得病的概率却只有 1% 上下。差了两个数量级。这不是检查坏了，检查干得挺好。是因为病太罕见，健康人基数太大，1% 的误报乘上一个巨大的分母，造出的假阳性淹没了那唯一的真阳性。
这里那个决定命运的数——万分之一的发病率——有个名字：基础率，就是在你拿到任何检查结果之前，这件事本来的普遍程度。人一慌就会把它忘得干干净净，只盯着眼前那个吓人的「99%」。忘掉基础率，是判断里最常见、最贵的错。
这就是贝叶斯更新
刚才数人头的过程，正经名字叫 贝叶斯更新——用一位十八世纪牧师 Thomas Bayes 的名字命名的一套改主意的规矩。别被名字唬住，它就干一件事：拿新证据，去修正你原来的信念，修多少有严格的比例。
把它拆成三个词你就再也忘不掉：
- 先验：看证据之前你信几成。上面例子里就是基础率，万分之一。
- 似然：这条证据，在「你对」和「你错」两种世界里，各有多容易出现。这是全章的心脏。
- 后验：更新完的新信念。它会变成你下一次的先验，等着被下一条证据再更新。
普通人以为「证据强不强」看的是证据本身有多惊人。贝叶斯告诉你：证据的力量，是个比值——它在「你对」的世界里出现的概率，除以它在「你错」的世界里出现的概率。比值离 1 越远，这条证据越有分量；越靠近 1，它就越是句废话。
换成人话：一条证据值不值得让你改主意，不看它多耸人听闻，看它能不能把两种可能区分开。要是不管你对还是错，它都一样容易冒出来，那它啥也没说，别为它挪一寸。
强信号可能只是噪音：机场安检
拿个每天都在发生的事校准直觉：机场安检。全世界一年过安检几十亿人次，真正的恐怖分子是极其极其罕见的——基础率低到离谱。
现在设备嘀一声报警，判定这人「可疑」。哪怕这套系统很灵，真坏人几乎都能抓住（敏感度高），但只要它对好人有哪怕万分之一的误报率，乘上几十亿的好人基数，每天造出的「可疑」里，几乎全是无辜乘客。真坏人那个信号，被埋在海量假警报的底下。
这不是安检没用，而是它命中注定要处理海量假阳性——因为它盯的坏事本身太罕见。任何一个去捕捉稀有事件的强信号，天然就会被噪音包围。反恐、地震预警、疾病普筛、金融风控里那些「异常交易」报警，全栽在同一个坑：报警一响就当真，忘了基础率。
怎么让稀有事件的证据变得可信
那面对罕见的事，我们就永远抓瞎吗？不是。贝叶斯同时告诉了你解药——后验会变成下一次的先验。
回到体检。你第一次阳性后真得病的概率是 1%。但这 1% 已经不是最初的万分之一了——它比出发点高了 100 倍。你的先验被大大抬高了。这时候医生让你做第二种原理完全不同的检查，又阳性。第二次更新，是拿 1% 当新先验去算的，一算可能就窜到七八成。
关键是那句「原理完全不同」。如果第二次只是把同一台机器再跑一遍，它大概率重复第一次的误报，等于没给新信息（似然比接近 1）。真正有价值的证据，是那些独立的、从不同角度打过来的证据。攒够几条独立的弱证据，也能把一个罕见结论顶到可信——这就是为什么严肃的诊断从不靠单次检查定生死，为什么侦探要的是相互独立的多条线索，而不是同一个证人把话说十遍。
把这套规矩装进脑子
你不用真去背公式。装进脑子的，是遇事先问自己三句话：
- 这事本来多常见？（先把基础率捞出来，别让眼前的强信号把它挤掉。）
- 这条证据，在我对和我错的两种情况下，分别有多容易出现？（算的是那个比值，不是证据本身有多唬人。）
- 我该挪多远？（罕见的事，一条证据顶多把你从「几乎不可能」挪到「值得再查一次」，很少能一步挪到「基本确定」。）
会了这个，你就有了一台改主意的机器：既不会被一声警报吓得魂飞魄散，也不会对着堆积如山的证据死不认错。你挪动信念的幅度，第一次有了刻度。
但这台机器有个前提
贝叶斯更新有个藏在底下、我们一直默认成立的假设：喂进来的证据，是世界公平随机递给你的。安检设备不会挑人报警，检查试剂不会看人下菜——它们该报就报，不带私心。
可现实里，信息常常不是这么来的。它在到达你眼前之前，已经被筛过一道了。基金公司只把跑赢的产品做成广告推给你，倒闭的那些悄无声息；成功者站在台上大讲经验，同样打法却输光的人根本没机会开口。这时候你收到的「证据」本身，就是一批被人挑选、被存活率过滤过的样本。
你还老老实实拿它做贝叶斯更新，可你喂进去的先验和似然，从源头上就是歪的——不是算错了，是进料就被污染了。这时候再精密的更新，也只是把一个偏差算得更精确。
那么，当递到你面前的样本本身就是被筛过的，我们该怎么办？这就是下一章的事——幸存者偏差：你看到的世界，是被筛过的。