你收到一封邮件。凭空来说，你收件箱里大约 5% 的邮件是诈骗。然后你注意到四件事：
① 发件域名很陌生，和落款公司对不上 ② 正文有明显错别字 ③ 要求你 24 小时内处理否则冻结账户 ④ 称呼是「尊敬的用户」而不是你的名字
四条线索加完，这封邮件是诈骗的概率大约到了——
2.1 章里我们用千人图算出了一次更新。但现实中的判断很少只有一条证据——你会连续看到好几个迹象，而且它们有强有弱，有的甚至指向相反方向。要处理这种情况，需要把贝叶斯定理换一个写法。
这个写法叫赔率形式，它是本章唯一需要记住的东西：
似然比就是一条证据的力度表。它回答的是一个非常具体的问题：「这条证据在『真』的世界里出现的频率，是在『假』的世界里的几倍？」
· LR = 10：这条证据在真的世界里常见十倍 → 强烈支持
· LR = 1：两个世界里一样常见 → 毫无信息量，一点都不该动你的信念
· LR = 0.2：在假的世界里反而常见五倍 → 这条证据是反证
为什么赔率形式好用？因为它把「更新」变成了纯粹的乘法。三条独立证据来了，就把三个似然比乘起来，一次搞定：
这就是开头那道题的答案：从 5% 到 96.2%。四条各自都不算铁证的线索，乘起来的力量大得惊人——因为它们是相乘，不是相加。
赔率形式还让一件事变得显然：证据的顺序无关紧要。乘法可以交换，先看到错别字还是先看到限时威胁，最后落在同一个数上。你可以把它想象成一次次搬家——每一条证据都把你从一群人里挪到另一群人里，而挪的顺序不影响终点。
但有一个前提，而且它经常被违反：证据之间必须相互独立。「错别字」和「翻译腔」很可能是同一个原因（作者不是母语者）的两个表现——把它们当两条独立证据相乘，等于把同一份信息数了两遍，信念会被推得过头。这正是 1.2 章那个「有没有共同原因」的问题，在这里换了副面孔。现实中，重复计算相关证据是过度自信最常见的来源。
很多人对「先验」有抵触：凭什么还没看证据就先有个数？可你没有别的选择。「不带先验地看证据」在数学上是不可能的——似然比只能告诉你信念该移动多少，不能告诉你从哪儿出发。没有起点，倍数是没有意义的。
真正的要求不是「不要先验」，而是「先验要诚实，而且要肯被证据推动」。诚实的先验来自基础率：这类邮件里有多少是诈骗？这类肿块里有多少是恶性？肯被推动，则意味着不能把先验设成 0 或 1——因为 0 乘以任何似然比还是 0。一旦你说「这件事绝无可能」，你就把自己从贝叶斯的游戏里永久除名了。这个陷阱是 2.4 章的全部内容。
点亮下面的证据卡片，看信念怎么被一步步搬走。默认是「典型钓鱼邮件」——四条线索把 5% 推到 96.2%。琥珀色的卡片是反证（似然比小于 1），它们会把信念往回拉。
点击加入或移除证据：
有三件事值得亲手试一遍。
一、反证的力量。切到「高明的定向钓鱼」：限时威胁（8×）和危险附件（20×）加起来是 160 倍的正向推力，可只要加上一条「邮件里准确报出了你的订单号」（0.2×），信念就从 89% 掉到 62.7%。一条强反证能抵消好几条弱正证——这正是骗子要费力伪造真实细节的原因。
二、先验的分量。保持证据不变，把先验滑块从 5% 拖到 0.2%。同样四条线索，后验从 96.2% 掉到约 49%。证据决定你移动多少倍，先验决定你从哪儿出发——两者缺一不可。这也是 2.1 章那个「同一份阳性报告在不同人群里含义不同」的道理。
三、乘法的可怕。逐条点开四张卡片，看折线一级一级往上跳。每一条单独看都不算铁证（最强的也才 8 倍），但 3×5×8×4 = 480 倍。大量弱证据的乘积可以远强于任何单条证据——这既是贝叶斯思维最有用的地方，也是它最危险的地方：如果这些证据其实彼此相关，你就把同一份信息乘了好几遍。
2009 年 6 月 1 日，法国航空 447 航班在从里约热内卢飞往巴黎途中于大西洋上空失事，机上 228 人全部遇难。飞机坠入水深约 4000 米的深海，只有少量漂浮残骸被找到。
此后两年，三轮大规模搜索全部无功而返。搜索区域是以最后已知位置为中心的一片圆形海域，面积以万平方公里计，海底地形复杂。到 2011 年初，已经有人认为这架飞机可能永远找不到了。
2011 年，法国航空事故调查局（BEA）委托美国 Metron 公司做一件事：用贝叶斯方法重新计算残骸最可能在哪里。
做法正是本章那台机器，只不过对象是一张地图而不是一个数字：
先验：把所有独立于搜索结果的信息做成一张概率地图——最后已知位置、飞行动力学模拟出的可能坠落轨迹、其他事故中失控客机的落点统计、漂浮残骸被发现的位置加上洋流反推。每一块海域分到一个先验概率。
更新：关键的一步是把三次失败的搜索当作证据。「在 A 区搜过但没找到」不等于「A 区没有」——每种搜索手段都有各自的漏检率。于是每块海域按 P(搜不到 | 残骸在这里) 打折，剩下的概率重新归一化。失败的搜索不会把一个区域的概率清零，只会把它压低，同时把其他区域的概率抬高。
更新后的概率图把重心指向了一片此前被认为可能性较低、且前几轮搜索覆盖不足的区域。2011 年 4 月，新一轮搜索按这张图展开，很快就发现了残骸。黑匣子随后被打捞上来，事故原因（空速管结冰导致读数失效、随后进入失速状态且未被正确改出）才得以查明。
这个案例最值得学的是那个反直觉的动作：把「找过了，没找到」当成一条有力度但不绝对的证据。直觉倾向于两个极端——要么「搜过了就排除」，要么「搜索无效，忽略它」。贝叶斯给的是中间答案：按这次搜索的可靠程度打个折。搜得越彻底，折扣越狠；搜得越马虎，这条证据的似然比越接近 1，也就越该被当作没发生过。
赔率形式：先验赔率 = 2 : 98 = 1 : 49。这项检测的似然比 = P(阳性|患病) ÷ P(阳性|健康) = 0.90 ÷ 0.10 = 9。
后验赔率 = (1 : 49) × 9 = 9 : 49 → 概率 = 9 ÷ 58 ≈ 15.5%。
千人图验证：1000 人里 20 人患病，其中 18 人阳性；980 人健康，其中 98 人误报。阳性共 116 人，患病 18 人 → 18 ÷ 116 ≈ 15.5%。✓
两种算法必然一致，因为它们是同一个定理的两种写法。千人图更适合一次更新、也更容易向别人解释；赔率形式更适合多条证据连乘。建议两个都留在手边。
似然比 1 意味着：这条证据在「假设成立」和「假设不成立」两个世界里出现得一样频繁，因此它不含任何区分力，看到了也不该动你的信念分毫。
日常例子：「他考试前一晚熬夜复习了」——用来判断他会不会挂科。考前熬夜的人里，会挂的和不会挂的都很多，这条信息几乎不改变判断。再比如占星术里的性格描述（「你有时外向，有时也需要独处」），它对所有人都成立，所以似然比精确地等于 1——这也是它听起来「说得真准」的原因：它准，是因为它没说任何东西。
实操价值：面对一条听起来很有说服力的信息，问一句 「如果结论是反的，我还会看到这条吗？」如果答案是「大概也会」，那它的似然比接近 1，可以直接扔掉。能扔掉无信息量的证据，是贝叶斯思维给普通人最实用的一项能力。
设假设 H = 「残骸在 A 区」。证据 E = 「搜了 A 区，没找到」。
P(E | H) = 漏检率 = 0.5（残骸真在那里，但声呐有一半概率没看见）
P(E | 非 H) = 1.0（残骸不在那里，那必然找不到）
似然比 = 0.5 ÷ 1.0 = 0.5。也就是说，这次失败的搜索只把 A 区的赔率砍掉一半——远不是排除。
对比一下：如果搜索手段极其可靠、漏检率只有 5%，似然比就是 0.05，A 区的赔率被砍到二十分之一，那才接近「基本排除」。
这就是本案例的核心技巧：「找过了没找到」这条证据的力度，完全取决于你找得有多认真。而无论多认真，只要漏检率不是 0，这个区域的概率就永远不会归零——它只是被压低，随时可能因为别处也搜空而重新浮上来。前三轮搜索之所以没能定位残骸，部分原因正是把「搜过的区域」当成了「已排除的区域」。
假如两条都按 5× 计入，总似然比会被算成 25×，而它们实际上很可能来自同一个原因（写信的人不是中文母语者）。真实的联合似然比也许只有 6× 或 7×——因为一旦你已经知道有错别字，「还有翻译腔」这件事就几乎不再提供新信息了。
被高估的幅度可以到四倍，而且这个误差还会和别的证据继续相乘，越滚越大。只看这两条、从 5% 的先验出发：正确算法（联合 6×）给出约 24%，重复计算（25×）给出约 57%——从「四分之一可疑」变成了「过半可疑」，而这个跃迁完全是虚构的。
现实中的处理办法有三种，由粗到细：（1）合并——把高度相关的证据打包成一条，给一个整体的似然比；（2）折价——只给第二条一个明显更小的似然比（比如从 5× 降到 1.5×），代表它的增量信息；（3）换角度找证据——主动去寻找与已有证据来源不同的信息（比如查发件服务器的 IP 归属），因为独立证据的价值远高于同源证据的堆叠。
这条教训比它看起来重要得多：现实中的过度自信，绝大多数不是因为算错了似然比，而是因为把同一份信息数了好几遍。一屋子人都同意某个判断，可能只是因为他们都读了同一篇报道。