不确定世界里的三段论
经典逻辑只处理真与假：大前提、小前提、结论，铁板钉钉。但现实推理几乎全是"下雨的话路会湿；路湿了——那么多半下过雨"这种不完全推断。Jaynes 沿 Cox 定理证明的结论石破天惊：只要你要求推理满足几条常识性的一致性要求（用实数表示信念强度、与常识定性一致、等价问题得出等价答案），那么你的推理规则在数学上必然就是概率论——别无分店。
这个立场下，概率不是事物的物理属性，而是推理者信息状态的度量。同一枚硬币，对知道它两面都是头像的人和不知道的人，概率就是不同的——这不是矛盾，这正是重点。Jaynes 把"把自己的无知当作世界的属性"命名为心灵投射谬误（mind projection fallacy），全书追杀它八百页。
更新的算术：后验 ∝ 似然 × 先验
定理本身只是条件概率的一行代数，真正的内容在读法上：P(H|D) ∝ P(D|H) · P(H)——看到数据 D 之后对假设 H 的信念，等于原有信念乘以"假设 H 对数据 D 的预测力"。预测得越准的假设，分到的信念增量越大。
日常使用最好换成赔率形式：后验赔率 = 先验赔率 × 似然比。似然比 P(D|H)/P(D|非H) 是证据强度的纯度量——一条证据支持谁，不看它与 H 多契合，而看它在 H 下比在非 H 下常见多少倍。"凶手是熟人（80% 案件如此）"听着有罪，但如果无辜的熟人同样会留下这些痕迹，似然比就是 1，证据毫无重量。图灵破译密码用的"ban"，就是似然比的对数单位。
检测悖论：99% 准确 ≠ 99% 是真的
最著名的贝叶斯陷阱：某病患病率 1%，检测灵敏度 90%，假阳性率 9%。你查出阳性——患病概率多大？直觉喊 90%，正确答案约 9%。因为一千人里真病人只有 10 个（查出 9 个），而 990 个健康人里会误报约 89 个：阳性人群里，假警报是真病人的十倍。
结构性的教训：证据的说服力永远要在基率的背景板上衡量。罕见的假设（罕见病、惊天阴谋、百倍回报）需要成比例罕见的强证据——这就是"非同寻常的主张需要非同寻常的证据"的数学出处。卡尼曼实验反复证明：人类默认忽略基率，只盯证据的生动性。解药是下面这台机器。
检测悖论实验台
下面是一千个人。拖动三根滑杆，看阳性结果到底值几分信——注意患病率滑到很低时发生的事。
这台机器的正式名字叫自然频数法（心理学家吉仁泽的发现）：同一道题，用概率问医生，多数人答错；换成"一千人里几个"来问，多数人答对。贝叶斯直觉是可以借表示法外挂的。
两百年悬案的现代答案
"先验是主观的"曾是贝叶斯的原罪，如今是它的成熟工艺。现代工具箱分四层：无信息 / 客观先验（杰弗里斯先验、Jaynes 的最大熵——把"我确实一无所知"也表达成数学）；弱信息先验（Gelman 学派的日常默认：温和地排除荒谬值，比如"转化率提升一千倍"）；实质先验（把领域知识、历史数据正大光明地写进去）；层级先验（让数据的其他部分替你估先验——见概念 6）。
两条纪律让先验不再可怕：先验必须写出来接受检查（藏在模型选择里的先验才危险——与因果推断站"画 DAG"是同一条纪律）；数据多时先验影响自动消失（FIG. II），真正的分歧只发生在数据本来就少的地方——而那里频率派方法同样在挣扎，只是不承认。
贝叶斯 vs 频率派：问的根本不是一个问题
频率派问：假设固定，数据会怎样波动？（p 值：若无效应为真，出现这么极端数据的概率）贝叶斯问：数据在手，假设该信几分？（后验：给定这批数据，效应存在的概率）。日常决策需要的几乎总是后者，但 p 值常被当成后者误用——"p<0.05"被读成"95% 是真的"，这是科学界最流行的语法错误。
实务对照：置信区间是"这套程序长期有 95% 的命中率"，可信区间是"参数有 95% 的概率在这个区间里"——后者才是人们以为自己买到的东西。另一处分歧在停止规则：频率派检验会被"何时停止实验"污染，贝叶斯更新对此免疫，数据来一条更一条。公平地说：频率派的长期误差控制在监管场景（药审、质检）仍是不可替代的美德——成熟的从业者两套都懂，按问题选工具。
部分池化：群体替个体作证
估计一百家门店各自的转化率：单独估（不池化），小店样本太少，估计满天乱飞；全体平均（完全池化），又抹掉了真实差异。层级模型走中道——让每家店的估计向群体分布收缩，收缩的力度由数据量自动决定：大店基本听自己的，小店多听群体的。
这就是"部分池化"（partial pooling），McElreath 称层级模型该是默认选项而非高级技巧，Gelman 的 BDA 用整卷篇幅展开它。它同时是三件事：过拟合的解药（收缩即正则化）、"小样本上位新闻"的粉碎机（垫底逆袭的多半只是样本小）、以及贝叶斯世界观的缩影——每个个体都该在群体的先验下被理解。