看到结果怎样反推原因：贝叶斯与逆概率

不确定性为什么成为数学问题

前几课从模型推结果，这一课反过来：已经看到证据，怎样更新对原因的判断？贝叶斯的一篇身后发表论文给出相关逆向推断形式，拉普拉斯随后把逆概率方法推广到更广的问题。核心不是背一个公式，而是把先验可能、证据在不同原因下出现的概率和证据后的判断连成同一条链。

这一章每一课都先区分三层：现实中发生了什么，数据怎样被记录，模型怎样给结果加权。概率不是把无知包装成小数，统计也不是把表格交给公式。只有样本空间、抽样机制和问题目标说清楚，数值才有含义。

陪你算一次

某状态在人群中占10%，检测灵敏度80%，特异度90%。一万人中约1000人有状态，其中800人阳性；9000人无状态，其中900人假阳性。阳性共1700人，阳性后的概率为800/1700≈0.470588。即使检测看起来不错，低基率仍会显著影响后验。

计算时请保留分母、权重、样本量或残差，不要只交最终小数。算完再用一句话解释这个数对单次事件、长期重复或总体参数分别意味着什么；这三种解释不能互换。

历史与模型边界

贝叶斯公式不会替你决定先验从哪里来，也不会把质量差的数据变好。先验可来自历史频率、明确模型或需要说明的主观判断；似然依赖抽样和测量机制。把P(阳性|有状态)误当P(有状态|阳性)，就是典型的条件倒置。

历史判断仍按四步：原问题、可用数据、数学方法、尚未解决的限制。不要把后来的统一术语原样倒贴给早期作者，也不要因为早期材料不完备就抹去方法创新。制度怎样记录数据、谁被纳入样本，同公式本身一样值得检查。

与全章连接

赌博分配先建立可能分支，期望把结果按价值加权，人口表把个案聚成频率，贝叶斯从证据反推原因，误差理论从重复测量估计真值，相关再描述变量共同变化。每一步都扩大了可处理问题，同时引入新的假设与误用风险。

把本课的数值分别放进单次、重复试验和决策三个句子中，检查主语是否一致。若同一个数在三句话里被解释成确定结果、长期平均和个人偏好，就要立即拆开重写。

迁移任务

更换正文数值重新计算，并故意破坏一个假设：让骰子有偏、样本漏报、检测基率改变、测量含系统误差或相关来自共同原因。比较答案如何改变，写出模型失效的具体位置。能指出失败边界，才算真正会用。

本课验收

完成单选、多选和数值题。选择题漏选或多选均不得分；数值题保留计算链，并写一句不允许从该数值推出的结论。