用于根据实际事件计算概率，预测未来。
现在，我们走出了辛辛苦苦地根据不充分信息做出预测的阴影。下一个思维模型关系到我们实际上应该怎样得出结论。
尽管我们预测未来的能力糟糕透顶，但我们还是会去尝试。有时候，我们渴望就未来会发生什么事寻求保证，依赖媒体上的"专家"意见，这些专家无畏地上电视和电台节目，发表对明天、下周或明年会发生什么事的“专业”看法。只要有一点信息，就肯定有人会据此做出错误预测。
问题在于，这些专家预测未来的能力并不比我们强多少。想一下在过去25年里发生的所有重大意外事件——最重大的那些多半是没有人预料到的，尤其是那些屏幕上靠预测谋生的分析师没有预料到的。他们的作用只是提高收视率，让人暂时对未来至少比较安心。
但无论如何，他们的预测通常是错误的。努力了解不久的将来会发生什么事，成了凭空猜测，而不是真诚地努力预测。
这个思维模型所支持的一点，正是这些专家很少会纳入考虑的。yipinjiankang.com
这正是我们作为有意识的人所面临的一大问题。有时候，我们难以滤除噪声从而专注于更能揭示若干情形(包括未来)真相的客观信号。
事实上，纳特•西尔弗(NateSilver)可能是世界上最著名的统计学家，在2012年出版了著作《信号与噪声》(TheSignalandtheNoise),西尔弗的书讲述了为什么媒体上那么多专家(有时也包括他自己)都做出了错误的预测。西尔弗表示，一个最常见的问题在于，他们一直未能区分真正需要观察的重要因素，以及干扰客观分析、无关紧要的噪声。
当然，没有久经验证的模型可以为预测未来提供万能的公式，可是西尔弗提及一个定理，至少能让人更明晰我们碰到的事件，更加理解我们的世界——这或许能让人更加明智，更能够应对现实，乃至提高预测成功率。
这个模板称为贝叶斯定理(Bayes'Theorem),以18世纪数学家托马斯•贝叶斯(ThomasBayes)命名。《不列颠百科全书》把贝叶斯定理界定为依照相关证据(也称为"条件概率”或“逆概率")而修正预测的方法。
抛开术语，这个公式用于预测如果其他重大事件发生了，可能会发生什么事。贝叶斯定理谈的是概率，因为当然没有什么是肯定或不可避免的。但这有助于谷歌和IBM这样的公司试验概率，提出想法，也能够帮助体育博彩投注者和预测科学(例如气候科学)界人士。简言之，如果事件A发生了，而事件A与事件B相关，那么你就可以推出事件B发生的实际概率。
实际上，贝叶斯定理是有一个公式的，我不是想让你去解答数学问题，但至少要知道这个公式是什么样子的。
1.P(A/B)是指在B发生的条件下，A发生的概率。A是求解的对象，是你想要预测的事件。
2.P(B/A)是指在A发生的条件下，B发生的概率。
3.P(A)是指A发生的概率，不考虑任何B方面的因素。
4.P(B)是指B发生的概率，不考虑任何A方面的因素。
花一点时间，消化一下这个公式量化的对象，你会得出一个百分比，基本上是根据已经发生和尚未发生的事件衡量概率。举一个例子，会更容易理解。
你只需要三个数字就能够得出某件事在未来发生的大致概率。你需要事件A发生的概率，事件B发生的概率，以及在事件A发生的条件下，事件B发生的概率。龙卷风是罕见的(概率为1%),但大风是相当常见的(10%),90%的龙卷风会导致大风。你想知思维模型：建立高品质思维的30种模型道如果刮起了大风，发生龙卷风的概率。公式是这样的：概率(龙卷风/大风)概率(龙卷风/大风)P(龙卷风)×P(大风/龙卷风)1%×90%P(大风)#NAME?由此得出，在刮起大风时，发生龙卷风的概率是9%。可以看到，你只需要把3个数据填入贝叶斯公式就可以了，得出的结果比任何专家告诉你的预测都准确。
无论是无关紧要的小事还是足以改变一生的大事，很多都适用于这个公式。贝叶斯公式是一个强大的工具，因为这个公式实际上让我们单凭少数的变量，就可以量化不确定性和确定性。这个公式模拟了我们通常只会事后进行的现实生活分析，所提供的信息有助我们理解现实。毕竟，数据不会说谎。这个公式让我们可以滤除假装有影响力的噪声，专注于真实而又重要的方面。
所以，你要进一步想清楚一个问题的时候，就可以运用这个思维模型，问一下自己“贝叶斯会怎样做”。他会停止做出假设，专注现实生活中真正发生的事件，得出一个概率，借此进行评估，做出决策。贝叶斯思维方式本质上决定了你必须根据新的信息，不断地更新概率，虽然一切都是不确定的，但比你想象的更加确定。
