昨天讲了四种推理算法，第二种就叫贝叶斯推理。
人生有许多悖谬，其中一个是我们天生就会，而且习惯性地做贝叶斯推算，但几乎没人能算得准确。
什么是贝叶斯推算？一句话，就是我们根据新的信息、证据、数据来更新看法、判断、信念。试问谁不是如此？我们天生是贝叶斯动物。
简单贝叶斯推算
课程举了一个例子。某种疾病的发病率是1/1000（千分之一），这种疾病的准确率很高，如果得了这种病，被检测出阳性的概率是99.5%，没有得这种病，那被检测出阴性的概率也是99.5%。问一个人得病的概率是多少？
发病率是1/1000，也就是说1000人里可能有一个人得这个病。而得这个病被检查出来的概率是99.5%，基本上就是1，而另外的999人没有病，但是还有0.5%的可能性被检测出阳性。999*0.5%=4.995≈5人。也就是说1000人里可能检查出来6个人是阳性，即这个人得病概率就是1/6（六分之一）。
从概率到频次
卡尼曼认为人有许多认知偏差（bias），驱动人们不思而应，贸然而对。
吉仁泽则认为，这些不能叫认知偏差，仿佛它们必然是错误的。他建议把这些思维特点称为“大拇指定律”，因为大体靠谱，偶尔犯错。
生活中的贝叶斯
无论面对什么问题，关于未来会怎么样，你设定三种可能情形：上、中、下，分别对应着变好，不变，变坏。
我的模板是这样的：上中下各配基数33.33，每次加分的取值范围是从1到5，最强5分，最弱1分（如果认为信息强，就赋值5，信息弱，就赋值1）。
无论什么事，打上一段时间的分，你就对它是很有些数了，绝对比每次临时拍脑袋现想要靠谱。
第一明确你的问题，第二列出几种可能的情形，给予他们一样的权重，第三尊重新的信息，给每个新信息赋予1到5不同的分数，对应哪种情形就把分加到那种情形上。
参考资料：
格尔德·吉仁泽《风险与好的决策》
