這個計算是依照與貝氏主義同樣冠名Bayes 的「貝氏定理」進行。

... NASA裡也常使用貝氏推論，最具代表性的例子有（已退役）太空梭推進系統的監測與 ...Share本書中透過NASA對抗不確定性的太空任務等案例，來講解決策分析的方法。

【我們為什麼挑選這本書】面對這樣快速的工作節奏、排山倒海的待辦事項時，如何讓你更有效地回應老闆或同事的期望、降低風險，顯得相當重要。

《向不容出錯、最會管理風險的NASA學決策》作者中村慎吾曾就職於日本的智庫研究單位，之後進入美資的投資銀行，參與企業的財務策略分析、資金籌備、企業的併購（M&A）等工作。

後來轉職至美資的經營管理顧問公司，以日本分公司高階主管的身分，負責大型企業的管理顧問事項。

2002年起以個人與工作團隊名義，在商務雜誌上發表許多的文章。

下文讓我一起了解NASA和微軟都愛用的「貝氏推論」，如何幫助組織做正確決策。

（責任編輯：施怡婷）做決策前，先了解什麼是「客觀的機率」我們常常聽到的天氣預報降雨機率等，是日常生活中的機率，在此讓我們仔細想想機率的意義。

探討機率的意義，其實是很深奧的問題。

在高中數學裡，當我們說「A 事件的發生機率為 p 」，究竟代表什麼意思？一個解釋觀點是經驗相對頻率的極限。

如果把骰子擲出現三點的狀況，設定為A事件，則當我們說出現機率 P 為 1/6 時，意思就是若我們反覆擲骰子，隨著次數增加，點數三的出現比例（相對頻率）會愈來愈接近 1/6。

這是基於「頻率主義」來解釋機率，可以稱為「客觀的機率」。

舊策略的成果只當參考，別用來推算客觀機率頻率主義以反覆執行為前提，每次都要在相同條件下執行，且必須維持「因果關係的獨立性」，確保每一次的結果不會影響其他次的結果。

讓我們來思考一個國家明年發生戰爭的機率。

我們能以世界各國和區域過去戰爭發生的相對頻率，來定義機率嗎？每次戰爭都是獨一無二的事件，且爆發的條件也不一樣。

此外，過去的戰爭也可能引發未來的戰爭。

反之，從過去的戰爭學到教訓，減少未來戰爭衝突的事例也不在少數，因此我們可以說，未來可能發生的戰爭與過去的戰爭，在因果上並非獨立事件。

由於反覆出現的前提條件也不充分，頻率主義並不適合用來定義戰爭的發生機率。

天氣預報的降雨機率，是以接近「客觀機率」的觀點所估算的數據。

雖然降雨機率的意義未必有被正確地理解，但這個機率是參照氣溫、氣壓等氣象條件與「預報日」相當雷同的眾多歷史數據，所計算出來的降雨比率。

透過此例我們可以很清楚了解，客觀的機率必須藉由統計上足夠數量的經驗數據計算出來。

如果是像NASA的任務一樣，前後任務必定存在巨大差異的話，是無法運算出客觀機率的。

商場也是如此。

考慮即將執行的商業策略成敗時，過去各種策略的執行結果，只能當作參考，而無法作為推算客觀機率的基礎。

因為沒有任何結果，與即將實施的策略條件相同。

許多現實中發生的問題，並不適合以過去的相對頻率來定義機率。

因此我們需要其他的觀點來解釋與定義機率。

資料量不足怎麼辦？用貝氏主義也能估算機率另一個解釋機率的觀點是「主觀的機率」，為十八世紀英國數學家托馬斯‧貝葉斯（ThomasBayes）所提出。

貝氏提出的方法是，在推估某事件的機率時，最初先以一個適當的（主觀認定）的數值代入，以此機率數值為前提，來檢視實際發生的情況，再逐步修正最初的設定值，利用「貝氏主義」，就算一開始沒有龐大的資料量，也能估算機率。

讓我用簡單的例子來說明。

假設你與某人第一次談生意。

你必須判斷對方是不是值得信任的生意伙伴。

此時有「值得信任」與「不能信任」兩個選項，你想知道這兩個選項各自的機率有多少。

雖然一開始不免先入為主，但在沒有任何資料的狀態下，把「值得信任」與「不能信任」的可能性，各設為五成是較適當的作法（又或是看對方不順眼的話，也可以把「不能信任」的機率提高至75%）。

接下來，可以藉由與對方的協商或是聚餐，進一步觀察他（她）的行為舉止，蒐集資訊，了解對方是否誠實待人等。

然後利用蒐集到的資料，修正一開始所設定的五五波機率。

例如，從對方說了一次謊的「結果」，判斷對方是「不能信任」的人，基於這個「原因」所以調高「不能信任」的可能性，降低「值得信任」的