统计学关我什么事｜交互知识站
把这本极简统计学读物重组为判断更新、反直觉案例、概率工具、图版证据与术语索引五条学习路径。
贝叶斯统计 · 生活判断训练
这不是一本把人埋进公式的统计书，而是一本教你在新信息到来时，如何少犯错、慢一点被直觉骗、并把判断持续修正的书。
全站的阅读重点，不是替你记公式，而是帮你抓住基础比率、条件概率、序贯更新、贝塔分布与正态分布这些判断骨架。你可以按 22 讲顺读，也可以按概念主题跳读。
22 讲主线
按作者原有教学顺序推进，先学会更新判断，再进入概率与分布的工具层。
第0讲 这本书怎么带你进入贝叶斯统计
第0讲 只要会做四则运算，便可掌握贝叶斯统计学 本书的特点 0-1 从零基础达到应用水平 本书是“贝叶斯统计学”的超级入门书。“超级”的含义： ● 从零基础开始学习 ● 抛开烦琐的符号和计算过程，学习运用贝叶斯统计 ● 不只是随便说说，而是毫无保留地传授知识 对贝叶斯统计学感兴趣的人不在少数。然而此前的教科书，导入部分编写浅显，中途却难度骤增，这使很多读者…
“贝叶斯推理”的基本方法第1讲 信息增加导致概率变化
第1讲 信息增加导致概率变化 “贝叶斯推理”的基本方法 1-1 通过贝叶斯推理来辨别“买东西的人”和“随便逛逛的人” 本讲将通过一个商业案例，为大家介绍经典的贝叶斯推理方法。 商店里的售货员最关心的问题莫过于 “这位顾客究竟是来买东西的，还是随便逛逛而已” 。真正来买东西的顾客，一般而言，比起四处逛逛看看，更倾向于在最短时间内找到自己需要的商品。另一类顾客…
使用客观数据时的注意事项第2讲 客观数据也会把人带偏
第2讲 贝叶斯推理的结果，有时与直觉大相径庭① 使用客观数据时的注意事项 2-1 计算罹患癌症的概率 本讲是通过一些容易获取客观数据的案例，对于贝叶斯推理进行说明。 需要了解的重点是 ，理解 “如果从客观的数据来考虑的话，反而会容易陷入误解之中” 的问题。在这里，你会发现概率的不可思议。 下面，用医疗诊查来举例进行说明。 在医疗发达的当今社会，我们能够获得…
疑惑时分的“理由不充分原理”第3讲 主观数字也能进入推理
第3讲 根据主观数字也可以进行推理 疑惑时分的“理由不充分原理” 3-1 推测送巧克力的女同事的心意 本讲之前所阐述的贝叶斯推理的顺序为： （先验概率）→（条件概率）→（通过观察获取信息）→（后验概率） 第1讲和第2讲中，在设定最初的先验概率时，是以客观数据作为参考的。然而，贝叶斯推理的魅力正在于： 即使没有事前的客观数据，也能进行推算。 也就是说， 可以…
把不确定本身纳入模型第4讲 用“概率的概率”扩展推理
第4讲 运用“概率的概率”，拓宽推理范围 4-1 第一个孩子是女儿，那么下一个孩子是男孩还是女孩？ 在第1讲和第2讲中，我们运用了客观的数据来设定先验概率。接下来，在第3讲中，由于没有客观数据可用于先验概率的设定，于是我们主观地设定了先验概率。在第4讲中，将带领大家进一步了解神奇的贝叶斯推理方法。请阅读以下问题设定。 问题设定 假设夫妻俩的第一个孩子是女儿…
一步步明确贝叶斯推理到底擅长什么第5讲 从推算过程看清贝叶斯特征
第5讲 从推算过程开始，逐渐明确的贝叶斯推理的特征 5-1 实际上，贝叶斯统计学比一般的统计学历史更为悠久 在前面的4讲中，已经对贝叶斯推理的具体方法进行了解释说明。相信各位读者对于贝叶斯推理的过程也已经有所了解。那么接下来，我为大家 解说“贝叶斯推理的逻辑构造” 的问题。 首先，特别要做的一件事是，将贝叶斯推理与标准的统计推理（称为“内曼－皮尔逊统计学”…
明快而严格，但使用场景受限第6讲 内曼-皮尔逊式推理的风格
第6讲 明快而严格，但其使用场合受到限制的内曼－皮尔逊式推理 6-1 运用内曼－皮尔逊式推理解答有关壶的问题 我们再来回顾一下，上一讲中提到的 概率推理 问题。 面前有一只壶，已知这个壶不是A壶就是B壶，但是单从外表看不出究竟是哪个。而目前已知的是：A壶中有9个白球和1个黑球，B壶中有2个白球和8个黑球。现在，如果从壶里取出1个球，并且这个球是黑色的，那么…
切实结论与判断风格的分野第7讲 少量信息下，两派差异最明显
第7讲 通过少量信息得出切实结论的贝叶斯推理与内曼－皮尔逊式推理的差异 7-1 用贝叶斯推理解开壶的问题 在上一讲中，我们已经了解到如何用标准的概率性推论——内曼－皮尔逊统计学来解答关于壶的判断问题。这是用假设检验的方法，如果可以设定显著水平为10%，那么从“观察到黑球”的现象，就可以得出“是B壶”的结论。但需要注意的是：如果反复使用这种方法，那么一定要意…
贝叶斯统计与内曼-皮尔逊统计学的衔接点第8讲 极大似然是两派之间的桥
第8讲 贝叶斯推理的基础：极大似然原理 贝叶斯统计学与内曼－皮尔逊统计学的衔接点 8-1 贝叶斯统计学与内曼－皮尔逊统计学的共通点 在第5讲与第8讲中，已经对比了标准统计学（内曼－皮尔逊统计学）与贝叶斯统计学在思考方式、逻辑等方面的不同之处。由此可知，这两种统计学之间的差异之大，不可忽视。 其中，尤其明显的一点是， 贝叶斯统计学中需要设定先验概率，而内曼-…
蒙蒂霍尔问题与三个囚犯的问题第9讲 反直觉概率再来一次
第9讲 贝叶斯推理的结果，有时与直觉大相径庭② 蒙蒂霍尔问题与三个囚犯的问题 9-1 贝叶斯逆概率的悖论 在第5讲到第8讲中，我们更倾向于用哲学的角度来解释，作为概率性推理的贝叶斯推理，究竟有着怎样的理论结构。在本讲中，我会和大家谈一谈围绕着贝叶斯推理的一些悖论问题。 贝叶斯推理只是运用了大家所熟知的概率公式（高中阶段学习的知识），并不能说是一种很离奇的方…
运用“独立试验的概率乘法公式”第10讲 多条信息一起上场
第10讲 掌握多条信息时的推理① 运用“独立试验的概率乘法公式” 10-1 运用多项信息进行贝叶斯推理 在前面几讲中的案例，在运用贝叶斯推理时，都只是获取到了一项信息。例如，第1讲中，面前的顾客会/不会上前询问；第2讲中，只有1种癌症检查；第3讲中，女性同事会/不会送出巧克力；第4讲中，第一胎的性别，等等。每个案例中，最终获得的信息都只有一项。 但 一般所…
从两条信息到自动分类系统第11讲 垃圾邮件过滤器是贝叶斯的现实化身
第11讲 掌握多条信息时的推理② 以垃圾邮件过滤器为例 11-1 垃圾邮件过滤器以贝叶斯推理为基础 在进行统计推算与贝叶斯推理等概率推算时，通常需要两条以上的信息。并且，信息数量越多，推算出的结果可信度越高。后面的三讲，会讲解如何利用多条信息来进行推算的问题，而其中的要点则是上一讲中提到的 “概率的乘法公式” 。在这一讲，会讲解如何利用两条信息来计算出后验…
“序贯理性”让判断持续变准第12讲 信息可以一条一条使用
第12讲 在贝叶斯推理中可以依次使用信息 “序贯理性” 12-1 在进行贝叶斯推理时，即使忘记了之前的信息也是合乎逻辑的 上一讲中，以垃圾邮件过滤器为例，对于从2条信息中计算出来后验概率的进行了解释说明。结论如 图表12-1 所示。 图表12-1 依据两条信息进行贝叶斯推理 实际上，像这样通过连续收集到的信息而进行的连续推理（称为逐步推理），具有十分奇妙的…
后验分布会逐步收缩第13讲 信息越多，推理越精确
第13讲 每获得一条信息，贝叶斯推理就变得更精确一些 13-1 从“勉勉强强”的推测变为“更加精确”的推理 至此，我们已经对于贝叶斯推理 “虽然存在牵强之处，但至少比毫无头绪要强多了” 的推理思路进行了数次解释说明。正因为这一点，贝叶斯推理也被称为“总经理的概率”（见7-3）。贝叶斯推理之所以显得有些“牵强”，主要是因为其中的先验概率。所谓先验概率，是指“…
概率论的基础视角第14讲 概率和面积其实是一回事
第14讲 “概率”与“面积”的性质相同概率论的基础 14-1 复杂的贝叶斯推理需要用到概率符号 之前的讲义中对于贝叶斯推理进行的讲解，刻意没有使用概率符号。这是因为，从第1讲到第13讲的内容，即使不使用概率符号，也可以针对贝叶斯推理展开讲解，且效果并不会逊色于使用概率符号的讲解方式。实际上确实如此，所有的问题都可以通过使用面积图来解决。而如果使用概率符号来…
获得信息之后，概率如何改写第15讲 条件概率是更新的语法
第15讲 在获得信息之后，概率的表示方法 “条件概率”的基本性质 15-1 运用“条件概率”来表示“贝叶斯逆概率” 通过前面的讲义大家已经了解到：贝叶斯推理来说，最重要的观点是 “获得信息之后，概率发生变化” 。用第2讲中的案例来具体解释，即：在癌症指标检查中，依据获得“患癌症”或是“健康”的不同信息，检查结果呈阳性的概率会发生变化。用第3讲中的案例来具体…
从单个数字走向整片分布第16讲 用概率分布图进入通用推理
第16讲 “概率分布图”帮助我们进行更加通用的推理 16-1 到达到实用水平，需要“概率分布图”和“期待值” 截至上一讲，我们已经完成了对于贝叶斯推理的基本技巧、以及运用常见的概率记号对其进行描述的知识点进行了解说。至此，进行简单设定的推理已经完全不成问题。但如果要对于稍微复杂的设定进行推理、或是进行通用性推理的话，之前所介绍的方法就略显不足了。 对于稍微…
最适合二项事件更新的分布第17讲 贝塔分布用两个数字描述判断
第17讲 “贝塔分布”的性质由两个数字决定 17-1 贝叶斯推理中经常使用的连续型分布——“贝塔分布” 在我们之前介绍的贝叶斯推理中，为实现先验分布而设定的类别是有限的。例如，第1讲中，关于顾客购买商品的推理，分为“来买东西的人”和“随便逛逛的人”两类；第2讲中，癌症检查的结果，分为“癌症”和“健康”两类；第4讲中关于第二胎性别的案例，分为“生女孩的概率为…
决定概率分布性质的中心量第18讲 期待值是把分布压成决策的方式
第18讲 决定概率分布性质的“期待值” 18-1 用一个数值来代表概率分布 在贝叶斯推理中，可以计算出各个类别的后验概率。例如，第2讲中，可以根据检查结果呈阳性，计算出“患癌症的后验概率为4.5%”“身体健康的后验概率为95.5%”。如果将患癌症设为数值1、身体健康设为数值0的话，这与在 x ＝0，1时计算出的概率分布情况相同，因此也可以视为一个问题得到了…
从会看图到会用图第19讲 在贝塔分布里做高级推理
第19讲 在“贝塔分布”中使用概率分布图进行高级推理 19-1 对“生女孩”的案例进行更准确的推理 在上一讲的基础之上，下面，我们开始解说使用了贝塔分布的贝叶斯推理过程。 这一次，我们依然使用第4讲中的例子——“若某对夫妇生的第一胎为女孩，那么第二胎依然为女孩的概率是多少”这个问题。第4讲中的推理，是在相当不充分的设定之下进行的。这是由于，在设定这对夫妇“…
从抛硬币到天体观测的钟形世界第20讲 正态分布是统计学的主角
第20讲 在抛硬币或天体观测时观察到的“正态分布” 20-1 统计学的主角——“正态分布” 在统计学中，最常用的是被称为“正态分布”的连续型概率分布。在标准统计学（内曼－皮尔逊统计学）中如此，在贝叶斯统计学中亦是如此。 正态分布之所以应用如此广泛的原因，主要有两个： 第一， 正态分布有着十分便利的数学操作性， 这一点在后面将会涉及。第二，正态分布是一种在 …
把连续分布真正用于判断更新第21讲 在正态分布里做高级推理
第21讲 在“正态分布”中使用概率分布图进行高级推理 21-1 把正态分布设定为先验分布，并进行推理 作为本书的最后一项推理，我们来共同研究 使用正态分布的贝叶斯推理。 把正态分布设定为先验分布的情形，一般认为有以下内容： ・ 使用的概率模型，通过正态分布所赋予。 ・ 设定的类别出现在特定类别附近的可能性很高，而基本不会出现于远离它的类别。 前者的原因在于…
核心主题
把基础比率、条件概率、序贯理性、贝塔分布、正态分布这些跨章节主线重新聚合。
先学会判断，再学会公式
统计学不是先背符号，而是先理解‘信息怎样改变判断’。
Bayesian Updating贝叶斯的核心是信息更新
先验不是终点，新信息到来后，判断必须跟着变。
Evidence Weight证据的重量，在于它改变多少判断
并不是所有新信息都值得同样重视，关键看它到底让后验改变了多少。
Base Rate Awareness基础比率常常决定你会不会误判
很多看似精准的判断，一旦忘了基础比率，就会彻底走偏。
Insufficient Reason没有充分信息时，也要理性开局
不确定不等于不能判断，关键是让起点透明且可更新。
Subjective Probability主观概率不是瞎猜，而是可解释的起点
当客观数据不足时，主观概率让你把模糊判断变成可公开、可修正的判断。
Probability of Probability连概率本身也可以是不确定的
贝叶斯允许你把‘把握度’继续表达成分布，而不是卡死在一个数字上。
Bayes vs. Neyman-Pearson两派统计不是谁淘汰谁，而是谁更适合什么任务
频率派擅长固定规则下的检验，贝叶斯擅长随证据更新判断。
Decision Frame先定义任务框架，再选择统计方法
你是要一次性做检验，还是要持续更新判断？不同任务需要不同统计语言。
Small Sample Thinking小样本时代，更要诚实面对不确定性
样本少的时候，先验、误差和偶然性都会被放大，口气必须更谨慎。
Likelihood as Bridge似然是统计语言的公共接口
似然关注‘什么假设最能解释已观察数据’，它是两派都绕不开的语言。
Likelihood Bridge似然把数据世界和信念更新接了起来
似然先告诉你数据更支持什么，再决定后验该往哪里移动。
Counterintuitive Probability统计思维首先训练你不被直觉骗
蒙蒂霍尔、癌症筛查等问题的价值，在于让你看见直觉会如何系统性出错。
Conditional Worldview条件一变，问题就已经不是原问题
概率从来不是孤立数字，而是带着条件背景出现的判断。
Multiple Evidence多条信息不是简单堆加，而是要看独立性
证据整合的关键，在于你有没有把重复信号误当成新增信息。
Independence Rule独立性是假设，不是默认赠品
只有信息彼此不牵连时，概率乘法才能直接上场。
Classification by Probability分类系统本质上是在比较哪种解释更像真
垃圾邮件过滤器这类系统，本质上是在比较不同类别的后验概率。
Sequential Rationality序贯理性：边走边修正，比等完美信息更现实
你可以先开始判断，再随着信息流入持续更新。
Rolling Update滚动更新让判断像系统，而不是像一次考试
每一次后验都能成为下一次先验，判断因此形成持续运转的闭环。
Posterior Convergence高质量信息会让后验逐渐收敛
如果信息持续且靠谱，不确定性通常会越来越集中，而不是永远发散。
Probability as Area面积视角能把抽象概率重新拉回直观
把概率理解成面积，可以让很多条件关系不靠死背也能看明白。
Distribution Thinking分布思维比单点思维更接近真实世界
平均数、单点概率都不够，真正重要的是整体分布的形状、宽度和尾部。
Shape of Uncertainty不确定性不仅有大小，还有形状
同样的平均数，可能对应完全不同的分布宽度、偏态与尾部风险。
Beta Distribution贝塔分布是二项不确定性的天然容器
对点击率、转化率、胜率这类问题，贝塔分布非常适合表达先验和更新。
Expectation for Decision期待值是把复杂不确定压成行动标尺
期待值让不同方案可以被比较，但它只是压缩，不是全部真相。
Decision Scale决策需要一把可比较的标尺
期待值的重要作用之一，就是把复杂方案压到同一尺度上方便比较。
Normal Distribution正态分布是连续世界的常用工作台
很多自然与社会现象都近似钟形分布，所以它成了统计学里的高频背景板。
Posterior Update System把先验、似然、分布和更新连成系统
贝叶斯统计真正强的地方，是它能把判断、数据、分布和行动统一成一条链。
代表图版
图版不只是插图，它们承担了面积图、分布图、案例结构图和表格证据的可视化职责。
第0讲 这本书怎么带你进入贝叶斯统计 图版 01
这张图版来自《第0讲 这本书怎么带你进入贝叶斯统计》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
1-9 关于顾客类别的贝叶斯推理过程
这张图版来自《第1讲 信息增加导致概率变化》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
2-1 根据癌症罹患率得出的先验分布
这张图版来自《第2讲 客观数据也会把人带偏》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
3-5 贝叶斯推理的过程总结
这张图版来自《第3讲 主观数字也能进入推理》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
4-6 关于该夫妇类别的贝叶斯推理过程
这张图版来自《第4讲 用“概率的概率”扩展推理》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
5-3 逻辑推理的过程
这张图版来自《第5讲 从推算过程看清贝叶斯特征》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
7-2 条件概率的设定
这张图版来自《第7讲 少量信息下，两派差异最明显》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
8-1 概率L的数值
这张图版来自《第8讲 极大似然是两派之间的桥》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
9-2 条件概率的设定
这张图版来自《第9讲 反直觉概率再来一次》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
10-2 独立试验的面积
这张图版来自《第10讲 多条信息一起上场》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
11-1 理由不充分原理的先验概率
这张图版来自《第11讲 垃圾邮件过滤器是贝叶斯的现实化身》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。
12-3 把从信息①得出的后验概率，设定为先验概率
这张图版来自《第12讲 信息可以一条一条使用》相关页，适合用来把统计直觉、图形关系或案例结构重新具体化。