貝葉斯定理：怎麼用證據更新判斷

一個經典題：某種疾病盛行率 1%，篩檢工具準確率 99%（有病檢出 99%、沒病誤報 1%）。 你篩出陽性，真的得病的機率是多少？多數人會說 99%，但正確答案是 50%。 差在哪裡？差在你忽略了「先驗機率」。這就是貝葉斯定理要修正的直覺錯誤。

核心公式

用篩檢題拆解一次

假設母體 10,000 人。盛行率 1% → 100 人有病、9,900 人沒病。

• 有病且陽性：100 × 99% = 99 人
• 沒病但誤報陽性：9,900 × 1% = 99 人
• 所有陽性 = 99 + 99 = 198 人
• 陽性中真正有病的比例 = 99 ÷ 198 = 50%

直覺把「準確率 99%」直接當成答案，忽略了「沒病的人比有病的人多 99 倍」這個壓倒性的先驗。 這個錯誤有名字，叫 base rate fallacy（基本比率謬誤）。

盛行率怎麼影響後驗

同一個 99% 準確率的工具，盛行率不同，陽性後真正有病的機率天差地別。

結論：同一個工具，用在不同人群，可信度差 10 倍以上。 這就是為什麼專科醫師會「先看症狀，再決定要不要驗」——他們在拉高先驗。

商務情境：每天都在用貝葉斯

• A/B test 後驗判斷：看到 B 比 A 好 5%，要結合「歷史上多少 test 真的有效」當先驗，不是看單一 p-value 就決策
• 面試篩選：履歷亮眼是「證據」，但要乘以「這個職位申請者的整體素質先驗」才是真實後驗
• Fraud detection：一筆異常交易看起來像詐騙（似然高），但詐騙佔比 0.01%，得到後驗才能決定要不要擋
• 垃圾信過濾：Naive Bayes 演算法的本體就是這條公式——P(垃圾 | 出現「中獎」)
• 銷售 lead scoring：客戶開了 email 是證據，但 conversion 先驗只有 2%，後驗仍可能很低

更新信念：貝葉斯式思考

公式真正的精神是「先有信念，看到證據，更新信念」。 每次實驗、每次面試、每次客戶反饋，都是把先驗變成新的後驗， 而這個後驗會變成下一次的先驗，循環下去。這就是科學方法、機器學習、甚至司法推理的底層邏輯。

常見誤解

1. Base rate fallacy：忽略先驗，只看似然。「他來自頂大，一定很厲害」——但頂大畢業生在你公司應徵者裡的先驗是多少？
2. 檢察官謬誤（prosecutor's fallacy）：把 P(證據 | 無辜) 當成 P(無辜 | 證據)。「DNA 吻合機率百萬分之一，所以他幾乎一定有罪」是錯的——還要乘以人口先驗
3. Conjunction fallacy：覺得「Linda 是女權主義者且銀行員」比「Linda 是銀行員」更可能。聯合機率不可能 > 邊際機率
4. 更新過度：看到一筆證據就大幅更新信念，忽略證據本身的可靠度（似然其實沒那麼極端）

反向題：練一次

公司 lead 平均轉化率 5%。某個 lead 開了 3 封 email，這個行為在「真會買的人」裡 60% 會做、在「不會買」的人裡只有 10% 會做。看到這個行為後，他真的會買的後驗機率是多少？

1. 先驗：P(買) = 5%、P(不買) = 95%
2. 分子 = 0.6 × 0.05 = 0.03
3. 分母 = 0.6 × 0.05 + 0.1 × 0.95 = 0.03 + 0.095 = 0.125
4. 後驗 = 0.03 ÷ 0.125 = 24%

證據把信念從 5% 拉到 24%，提升將近 5 倍——但離「一定會買」還很遠。這就是貝葉斯式的銷售判斷。