贝叶斯把MLE按在地上摩擦：3次抛硬币暴露的致命盲区

抛3次硬币全是正面，最大似然估计（Maximum Likelihood Estimation，最大似然估计）会告诉你这枚硬币正面朝上的概率是100%。

直觉上你知道这很荒唐——才3次实验，凭什么下这么绝对的结论？但MLE就是这么工作的：它只找"让观测数据出现概率最大"的那个点，完全不考虑你手头样本有多寒酸。

MLE的问题不是算错了，而是它根本不会说"我不太确定"。

贝叶斯推断（Bayesian Inference，贝叶斯推断）的解法很直接：别只给一个数字，给整个概率分布。每个可能的参数值都保留，按"数据支持度 × 先验相信度"加权。样本少的时候分布摊得开，样本多了才慢慢收拢。

先验是你偷偷带进去的偏见

还是那枚硬币，但这次你先假设它"大概公平，但不敢说死"。数学上这叫Beta(2,2)分布——在0.5附近拱起一座小山，两头翘得不高，表示极端偏差的可能性存在但不大。

然后你抛了10次，7次正面。代码跑出来的三幅图很说明问题：

第一幅是你的先验，一座 centered 在0.5的小山。第二幅是似然函数，7/10的位置冒出尖峰。第三幅后验分布——红色的曲线——被数据拽着往右偏，但没偏到MLE那个0.7那么远，最终停在0.667。

更关键的是那条95%可信区间：[0.416, 0.864]。MLE给不了你这个东西。它只会说0.7，仿佛这是个真理。

共轭先验：数学家偷的懒

Beta分布在这里有个作弊级的特性：先验是Beta，似然是二项分布，后验自动还是Beta。形状参数直接相加——α变成α+z，β变成β+(N-z)。

这叫共轭先验（Conjugate Prior，共轭先验）。不是每个问题都这么幸运，但遇到的时候计算量从积分地狱变成小学加法。

选先验本身就是门手艺。Beta(2,2)是"温和相信公平"，Beta(0.5,0.5)是"我啥也不知道"，Beta(10,10)是"我见过很多硬币，它们都很乖"。没有标准答案，只有透明声明——你得说清楚自己带了什么偏见进来。

99%准确率的检测怎么坑了98%的人

这是贝叶斯最反直觉的战场。假设某种病患病率1%，检测准确率99%——得病的人99%测出阳性，健康的人99%测出阴性。你测出阳性，实际得病的概率是多少？

不是99%。

画个10000人的格子：100个真患者里99个被揪出，9900个健康人里99个被误杀。阳性结果总共198个，其中真患者只占一半。你的后验概率是50%。

基础患病率就是那个先验。检测数据很强，但先验太悲观（病很罕见），两者一拉扯，最终判断大打折扣。医生不会只看你阳性就确诊，他们会问"你属于高危人群吗"——那是在收集先验信息。

MLE在这个场景里会怎么做？它只最大化似然：检测阳性→最可能的状态是患病。完事。基础患病率被无视，假阳性被无视，不确定性被无视。

贝叶斯把"我不知道"编码进了数学。

后验分布的宽度就是你的诚实度。10次抛硬币比1000次抛硬币的分布胖得多，这很合理。MLE的0.7和0.7之间没有区别，贝叶斯的0.7±0.2和0.7±0.02却是完全不同的承诺。

产品决策里这很关键。A/B测试跑了100人，转化率提升20%，MLE说上线。贝叶斯会问：20%的提升落在多宽的区间里？如果95%可信区间横跨-5%到+45%，这个"提升"可能只是噪音。

代码最后打印的那行数字值得多看一眼：后验均值0.667，MLE是0.7，差距不大。但MLE给不了你那个[0.416, 0.864]的区间，给不了"如果继续抛硬币，信念会如何流动"的完整图景。

下一次看到某个指标被宣称为"最优估计"时，不妨追问一句：这个估计有多确定？如果对方只能给出一个数字，那它大概率是用MLE算的——或者更糟，是用MLE的精神算的，只是没告诉你。