【锚点】这一篇只钉一个判断：法庭与论文里绝大多数「这个证据有多强」的错误，都是把 P(E|H) 当成了 P(H|E)；而正确的通货只有一个——【似然比】P(E|H₁) / P(E|H₀)。

【显式】1999 年，英国儿科医生 Roy Meadow 在 Sally Clark 案作证：两个婴儿先后死于婴儿猝死综合征（SIDS）的概率是 1/73,000,000，算法是 1/8543 的平方。Clark 被判终身监禁。2003 年二审定罪被撤销。2001 年皇家统计学会（RSS）发表公开声明，直指该证词滥用统计。

【显式】错误有两层，必须分开数： （1）把两个婴儿死亡当成独立事件，于是 1/8543 平方； （2）把 P(两个 SIDS | 无罪) 直接当成 P(无罪 | 两个 SIDS)。

【隐式】正确的量是似然比：LR = P(两婴死亡 | 谋杀) / P(两婴死亡 | SIDS)。RSS 的要点是：若改用当时更合理的复发率估计（考虑到同一家庭环境与遗传风险，数量级大约在 1/100 上下，而非 1/8543），单纯「两婴死亡」这一事实的 LR 落在个位数到十来之间，不是七千三百万。证据强度差了六到七个数量级——这不是精度问题，是量级问题。

【细微】第二层错误之所以顽固，是因为它伪装成一句「概率陈述」。1/73,000,000 在独立假设下是一个真陈述，只是它回答的问题不是法庭问的问题。法庭问 P(有罪 | 证据)，专家答 P(证据 | 无罪)。这在论证学里有名字：【ignoratio elenchi】，答非所问——但它答的是一个可计算、可复现、看起来很硬的数，所以格外难被质疑。

【极难发现】真正的盲点不在算术，而在【乘法的适用条件】。似然比可以相乘，前提是各条证据在给定假设下条件独立。两个婴儿死亡共享同一家庭环境、同一套基因、同一个照护者——它们在 H₀ 下高度相关，在 H₁ 下也高度相关。所以即使把上面两层错误都改对，把两条证据的 LR 直接相乘仍然会系统性放大。这是 d-分离问题，不是概率论问题：你必须在 DAG 上先画清楚「共同原因」，再决定能不能乘。Sally Clark 案在这里错得比在「平方」处更深。

【流程节点链路】明确待判命题（H₁ 谋杀 / H₀ SIDS） → 列出每一条证据 → 在 DAG 上判定证据两两是否 d-分离（共享父母则否） → 对可分离的证据各算似然比 → 相乘得总似然比 → 乘以先验几率得后验几率 → 与证明标准（刑事「排除合理怀疑」大致对应后验 ≥ 0.9 量级）比较 → 裁判。Clark 案在节点 3 与节点 4 同时出错，而节点 7 的阈值在庭审中从未被显式写出——不被写出的阈值，就无法被辩论。

【隐式】由此得到一个不太舒服的推论：法学上的「证据相关性/可采性」与「证明标准」是两个不可通约的序。相关性管的是 LR 是否 ≠ 1（这条证据有没有信息量），证明标准管的是后验概率阈值。排除规则在似然比框架里是「主动扔掉一个 LR > 1 的证据」——它牺牲准确性去换别的价值。这在框架内是理性的，但必须承认代价，而不是假装它同时提高了准确性。

【极难发现】最后一个，也是最值得吵的：如果 LR 是唯一通货，那么「情境证据的合取难题」就暴露了。控方要证明 A ∧ B ∧ C，每条证据单独看 LR 都不高；辩方只需击破一项。这不是逻辑问题，是【证明责任的乘法成本由谁承担】的问题。法学用「合理怀疑」把合取成本推给控方；统计学里没有对应机制——这就是为什么同一套贝叶斯计算，在论文里显得温吞，在法庭上却显得致命。

留给你的问题：一条证据 LR = 5 但完全可复现，另一条 LR = 100 但你无法验证它与其它证据是否条件独立——你会先乘哪一个？换句话说，你愿意用【可复现的弱证据】换【不可复现的强证据】吗？