流行误解
贝叶斯更新常被听成：
- 有公式就是客观，先验随便填。
- 等于永远不下结论，一直改概率。
- 和「用数据说话」是一回事，有表格就行。
核心纪律其实是：先验要可辩护；证据要用「若假设为真/假，多容易看到这些数据」来加权；后验是暂时的工作信念，不是永恒真理。
定义
贝叶斯更新（Bayesian updating）：在假设空间上维持信念（先验），观察到证据后，按各假设对证据的似然进行重加权，得到后验；后验可作为下一步的先验。决策可基于后验与损失函数，而不是单次「显著/不显著」口号。
离散直觉（不必先上全套测度论）：
[
P(H\mid E)=\frac{P(E\mid H),P(H)}{P(E)}
]
其中 (P(H)) 为先验，(P(E\mid H)) 为似然，(P(H\mid E)) 为后验。
段末注释：先验（prior） 是见证据前的信念；似然（likelihood） 是假设下看到证据的容易程度；后验（posterior） 是更新后的信念。
| 它是 | 它不是 |
|---|---|
| 证据进入信念的记账规则 | 先验乱填仍自称客观 |
| 与概率思维配套的更新步骤 | 必须手算复杂积分才能用思想 |
| 对基准率的显式尊重 | 「p<0.05 就证明假设」的替代迷信 |
史源
名称关联托马斯·贝叶斯（Thomas Bayes）与后来拉普拉斯等人的概率逆问题：由结果推原因的可信度。现代在诊断、垃圾邮件、A/B、追踪与风险管理中广泛使用。它要对付的诱惑是：证据来了信念不动，或无基准率地被单次阳性吓到/兴奋到。
适用场景
值得用：
- 诊断与排障：罕见故障 vs 常见误报
- 实验与投放：小样本结果如何改你对效应的信念
- 情报与审核：多源线索的综合，而不是「最新一条说了算」
- 个人判断校准：显式写下更新前后的置信
先别用 / 慎用：
- 似然完全拍脑袋且不敏感性分析
- 假设空间漏掉真原因（更新再漂亮也在错集合上归一化）
- 用贝叶斯话术回避该做的随机对照与测量设计
应用步骤
- 列互竞假设 (H_1,H_2,\ldots)（尽量完备；做不到就承认有「其他」桶）。
- 写先验：比例或排序；来自基准率、历史、约束；写来源。
- 写证据 (E)：观测要具体（日志模式、指标、实验结果）。
- 估似然：对每个 (H)，(P(E\mid H)) 相对大小；可用「很易/一般/很难看到 E」。
- 更新：重加权并归一化得后验；记录从先验到后验动了多少。
- 决策/再取样：若后验仍跨行动阈值，设计下一份最能区分假设的证据（最大信息量实验），而不是重复同质数据自我安慰。
操作口令：
先验写出处；证据问「在该假设下有多容易出现」；后验只是下一轮的先验。
多域例证
医学：基准率 + 阳性
罕见病筛查阳性。无基准率时，直觉会高估患病概率。贝叶斯要求：先放患病率先验，再乘以真阳性/假阳性结构。许多「准」的检测在低先验下，阳性预测值仍然一般——这是算术，不是冷漠。
排障：新发布 vs 旧依赖
延迟升高。先验：若刚发布，回归权重高；若无发布，依赖/容量权重高。证据：错误栈、变更时间对齐、依赖侧指标。更新后决定先回滚还是先扩容——按后验排序验证，而不是按嗓门。
A/B：小样本波动
短期上扬不等于效应实锤。先验若是「多数改动近似零效应」，弱证据只把后验轻轻推离零；要更大证据或更大样本，而不是立刻全量。
例外与坑
坑 1：先验洗白
把希望写成先验，再找证据合理化——是确认偏误穿了贝叶斯外套。
坑 2：似然不对称乱调
对喜欢的假设给高似然、对讨厌的给低似然，更新必歪。做敏感性：似然在合理范围内摆动时，结论稳不稳？
坑 3：假设集合错了
真因不在列表里，后验只是「错题里的相对排名」。保持「其他/未知」桶，并定期问是否该扩空间。
用前自检
- 假设列表是否显式？有无「其他」？
- 先验来源能否说清？
- 似然是否按「证据在假设下的易见程度」估？
- 后验是否记录？下一份证据能否区分残留混淆？
- 是否在该测结构（对照、测量）时，用更新话术逃避设计？
贝叶斯更新不保证你聪明；它保证你改口时，至少有一张能给别人复核的账。