概念卡：贝叶斯推断 Bayesian Inference

综合实践 · 01_专业概念地图/概念卡_贝叶斯推断.md

概念卡：贝叶斯推断 Bayesian Inference

一句话定义

贝叶斯推断是用先验信息和观测数据共同更新我们对未知参数或假设的判断。

它解决什么问题

它让统计推断不仅依赖当前样本，还可以把已有知识、不确定性和新证据结合起来。

典型使用场景

• 小样本下结合先验知识。
• 动态更新风险判断。
• 层次模型和复杂系统建模。

需要知道的关键词

• Prior
• Likelihood
• Posterior
• Bayes' Theorem
• MCMC

和导师方向的关系

贝叶斯方法常用于应用统计和复杂系统建模，尤其适合表达不确定性和融合多源信息。

交流时可以怎么说

我理解贝叶斯推断的核心是用数据更新先验，从而得到后验分布。

如果样本有限但有领域知识，贝叶斯框架可能比只做点估计更自然。

可以追问的问题

• 先验如何选择，是否会影响结论？
• 后验分布如何计算？
• 这里需要完整贝叶斯模型，还是只需要贝叶斯思想？

给 AI 的提示词

请用跨专业硕士新生能懂的方式解释贝叶斯推断。要求说明先验、似然、后验，并给一个简单应用统计例子。

我的理解边界

• 已理解：贝叶斯是用数据更新先验。
• 还不确定：MCMC 的实际计算过程。
• 下次需要补：共轭先验。