10.1 贝叶斯思维¶
暑假下午，小率在奶茶店等均哥。他从口袋里摸出一枚纪念币，抛了 10 次：6 次正面，4 次反面。他想知道：这枚硬币正面朝上的概率到底是多少？
| 事件 | 结果 |
|---|---|
| 抛硬币次数 | 10 |
| 正面次数 | 6 |
| 反面次数 | 4 |
| 样本比例 | 0.60 |
如果按频率算，正面比例就是 0.6。那我能说这枚硬币正面概率就是 0.6 吗？
可以说“这 10 次里正面比例是 0.6”，但别急着把它当成真相。贝叶斯会问：看数据前你怎么想？看完数据后，你的想法应该怎么更新？
10.1.1 贝叶斯不是只给一个点¶
频率派常先给一个点估计：\(\hat p=6/10=0.6\)。这个数很直观，但它把不确定性压扁了。10 次抛掷太少，6 正 4 反并不能证明硬币偏得很厉害。
贝叶斯思维会把“我对正面概率的看法”画成一条分布：
- 看数据前：我大概相信硬币接近公平，但不确定。
- 看到 6 正 4 反后：我会把信念往 0.6 附近挪一点。
- 数据越多：分布越窄，信念越集中。
一句话
贝叶斯回答的不是“点估计是多少”，而是“看完数据后，哪些参数值更可信”。
10.1.2 先验是看数据前的看法¶
先验（Prior）不是拍脑袋，它是**看数据前对未知量的表达**。比如小率对硬币正面概率 \(p\) 的先验可以很弱：
\[
p \sim \text{Beta}(2,2)
\]
这表示：我倾向于相信硬币大概公平，但并不强硬。Beta 分布适合描述 0 到 1 之间的概率，所以常用在硬币、转化率、合格率这类问题上。
先验会不会太主观？我随便选一个，不就能影响结论了吗？
会影响，尤其是样本少的时候。所以要说明先验来源，也要做敏感性分析：换几个合理先验看看结论稳不稳。
10.1.3 数据通过似然来改变信念¶
似然（Likelihood）表示：如果正面概率是某个值，那么现在这批数据出现的可能性有多大。对于 10 次中 6 次正面：
\[
P(D \mid p) \propto p^6(1-p)^4
\]
贝叶斯更新的核心是：
\[
\text{后验} \propto \text{似然} \times \text{先验}
\]
也就是：
\[
P(p \mid D) \propto P(D \mid p)P(p)
\]
这句话很短，但含义很强：旧看法不会消失，新数据也不会被忽略，最后的后验（Posterior）是两者共同作用的结果。
10.1.4 概率也可以表示信念¶
频率派和贝叶斯派对“概率”的理解不同：
| 视角 | 概率的含义 | 典型表达 |
|---|---|---|
| 频率派 | 大量重复实验中的长期频率 | 这枚硬币长期正面率是固定常数 |
| 贝叶斯 | 对未知量的信念程度 | 看完数据后，我认为 \(p\) 落在某区间的概率是多少 |
两者不一定谁对谁错，更像是回答不同问题。频率派擅长长期重复和误差率控制；贝叶斯擅长把已有信息、新证据和单次决策放在一起。
适合贝叶斯的场景
样本少、有可靠历史经验、需要直接表达“某方案更好概率”、或要连续更新判断时，贝叶斯通常很自然。
10.1.5 几行 Python 看后验怎么变¶
配套脚本放在：
核心代码如下：
from scipy import stats
prior_a, prior_b = 2, 2
heads, tails = 6, 4
post_a = prior_a + heads
post_b = prior_b + tails
mean = post_a / (post_a + post_b)
interval = stats.beta.ppf([0.025, 0.975], post_a, post_b)
print(f"后验: Beta({post_a}, {post_b})")
print(f"后验均值: {mean:.3f}")
print(f"95% 信用区间: {interval[0]:.3f} 到 {interval[1]:.3f}")
原来“更新信念”在 Beta-Binomial 里就是做加法：正面加到 a，反面加到 b。
对。公式背后很朴素：旧证据加上新证据，得到新看法。
小率的笔记本
贝叶斯思维把未知参数看成一条分布，而不是一个固定点。先验表示看数据前的看法，似然表示数据怎样支持不同参数，后验表示看完数据后的看法。核心口诀是：后验正比于似然乘以先验。