{
  "id": "thomas-bayes",
  "title": "托马斯·贝叶斯",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "托马斯·贝叶斯是英国牧师和数学家，其身后发表的论文为贝叶斯统计推断奠定了基础。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "person",
  "aliases": [
    "托马斯·贝叶斯牧师"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/thomas-bayes/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/thomas-bayes/",
      "json": "https://aiwiki.page/en/thomas-bayes.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "托马斯·贝叶斯（约1701年—1761年4月7日）是英国长老会牧师、数学家，以一篇在其身后发表的概率论文最为知名。贝叶斯定理和贝叶斯推断均以他的名字命名，阐述了如何利用证据更新概率。贝叶斯本人的贡献针对一个具体问题：根据观测到的成功与失败次数，推断未知的成功概率。与他名字相关的更广泛理论，是在他去世后才得到充分发展的。"
    },
    {
      "heading": "生平与思想背景",
      "text": "贝叶斯出生于英国一个不从国教的家庭，一般认为出生地在伦敦，确切出生日期不详。他的父亲约书亚·贝叶斯是一位长老会牧师。托马斯于1719年进入爱丁堡大学，学习逻辑学和神学。\n\n当时，英国不从国教者参与既有体制内机构的活动受到限制，其中也包括英国的古老大学。苏格兰的大学则为他们提供了另一条接受高等教育的途径。贝叶斯后来成为牧师，在肯特郡皇家坦布里奇韦尔斯的锡安山长老会教会任职。\n\n贝叶斯所处的思想文化环境中，神学、自然哲学与数学常常相互交融。他生前出版的著作包括神学作品《上帝的仁慈》（1731年），以及匿名出版的《流数论导论》（1736年）。后者针对乔治·贝克莱等人的批评，为牛顿微积分的基础作了辩护。\n\n1742年，他当选为英国皇家学会会士。1761年，他在皇家坦布里奇韦尔斯去世，葬于伦敦的邦希尔墓园；这座墓园与不从国教者有着密切联系。"
    },
    {
      "heading": "身后发表的论文",
      "text": "贝叶斯对概率论的主要贡献见于《论机会学说中一个问题的求解》，该文于1763年发表在英国皇家学会的《哲学汇刊》上。他的朋友理查德·普莱斯在贝叶斯的遗稿中发现了这篇手稿，将其整理后提交给学会发表。普莱斯随文附上的论述，有助于说明这一问题的重要性，以及它与根据观测进行推理之间的联系。\n\n这篇论文探讨的是后来被称为逆概率的问题。在正向概率问题中，人们利用已知的概率模型，计算各种可能观测结果出现的概率。例如，给定成功概率，就可以确定重复试验中出现不同成功次数的概率。逆向问题则反其道而行：已知观测结果，能够对产生这些结果的未知概率作出什么推断？\n\n贝叶斯考察了成功概率未知但固定不变的重复试验。他的目标是：给定观测到的成功与失败次数，求出这一未知量落在指定上下限之间的概率。\n\n这不只是计算某个事件概率的练习，还需要用数学方法描述支配这些事件的参数所具有的不确定性。"
    },
    {
      "heading": "数学贡献",
      "text": "贝叶斯定理及其历史归属\n\n用现代符号表示，贝叶斯定理为：\n\n\\[P(A\\mid B)=\\frac{P(B\\mid A)P(A)}{P(B)}, \\qquad P(B)>0.\\]\n\n这里，条件概率 \\(P(A\\mid B)\\) 表示在 \\(B\\) 已经发生的条件下，\\(A\\) 发生的概率。这一定理可由 \\(A\\) 与 \\(B\\) 的联合概率分布中联合概率的两种等价分解形式推得：\n\n\\[P(A\\cap B)=P(A\\mid B)P(B) =P(B\\mid A)P(A).\\]\n\n这一为人熟知的公式是现代的表述，并非贝叶斯提出其核心问题时所用的形式。他在历史上的重要性，尤其在于将概率推理应用于未知的概率，而不仅仅在于如今以他命名的这个初等恒等式。\n\n推断未知概率\n\n贝叶斯通过一种涉及球在桌面上所处位置的几何构造，来表示未知概率与重复观测。用现代术语来说，这一构造使未知成功概率 \\(\\theta\\) 在区间 \\([0,1]\\) 上服从均匀分布。\n\n假设一系列试验在给定 \\(\\theta\\) 的条件下相互独立，每次试验的成功概率均为 \\(\\theta\\)，其中有 \\(s\\) 次成功、\\(f\\) 次失败。其似然函数正比于：\n\n\\[L(\\theta)\\propto\\theta^s(1-\\theta)^f.\\]\n\n采用均匀的先验分布，再根据观测结果进行更新，得到后验分布：\n\n\\[p(\\theta\\mid s,f) = \\frac{\\theta^s(1-\\theta)^f} {\\displaystyle\\int_0^1 u^s(1-u)^f\\,du}, \\qquad 0\\leq\\theta\\leq1.\\]\n\n这是参数为 \\(s+1\\) 和 \\(f+1\\) 的贝塔分布。因此，未知成功概率落在 \\(a\\) 与 \\(b\\) 之间的概率为：\n\n\\[P(a\\leq\\theta\\leq b\\mid s,f) = \\frac{\\displaystyle\\int_a^b \\theta^s(1-\\theta)^f\\,d\\theta} {\\displaystyle\\int_0^1 \\theta^s(1-\\theta)^f\\,d\\theta}, \\qquad 0\\leq a\\leq b\\leq1.\\]\n\n这些表达式将贝叶斯的问题转写为当代统计学符号。“先验”“后验”和“贝塔分布”等术语，属于后来才形成的数学语言。\n\n先验假设的作用\n\n均匀分布对于上述特定结果至关重要。仅凭观测频率并不能确定后验分布：计算结果还取决于概率模型与先验假设。\n\n贝叶斯给出了一种物理随机化构造，在这一构造下可以得到均匀先验。这样的先验在其他情境下能否恰当地表示知识的匮乏，则是另一个问题。均匀性取决于所选的参数化方式；一个关于 \\(\\theta\\) 均匀的分布，在经过非线性变换后通常不再均匀。因此，贝叶斯的构造确立的是特定假设下的一个结果，而不是一种普遍适用、不依赖任何假设的推断方法。"
    },
    {
      "heading": "后续发展与影响",
      "text": "皮埃尔-西蒙·拉普拉斯独立发展了逆概率方法，并从18世纪70年代起对其作了大幅拓展。他的工作推动了这一领域的发展，使一个有关未知概率的特定问题，逐渐成为更广泛的统计推理方法。\n\n此后，现代统计学发展出了几种不同的推断方法。贝叶斯方法明确地将先验分布与似然相结合，以得到后验分布。其他方法则根据统计程序在重复抽样中的表现来评估它们。这些差异涉及如何解释和使用概率，而不涉及贝叶斯定理作为数学恒等式是否成立。\n\n如今，贝叶斯推断已应用于科学建模、预测、机器学习和决策理论。现代计算技术以及马尔可夫链蒙特卡洛等方法的发展，使复杂后验分布的计算成为可能，极大地拓展了贝叶斯推断的实际应用范围。这些发展都是后来的延伸，并非贝叶斯本人提出的方法。"
    },
    {
      "heading": "历史证据的局限",
      "text": "贝叶斯留下的已发表著作相对较少，关于其思想发展过程的现存证据也很有限。他的概率论文在去世时尚未发表，是经由普莱斯的编辑整理才与读者见面的。对于他的动机、各项发现的确切先后时间，或他对后来各种概率哲学解释的立场，若作出详尽断言，就超出了现存史料能够确切支持的范围。\n\n因此，“贝叶斯”这一称谓的含义，比“直接源自贝叶斯著作”更为广泛。它指的是由后来众多数学家和统计学家发展起来的一系列方法，同时保留了贝叶斯与这一问题之间的联系：如何根据观测结果认识未知概率。"
    }
  ],
  "links": [
    "probability",
    "bayes-theorem",
    "bayesian-inference",
    "calculus",
    "royal-society",
    "richard-price",
    "conditional-probability",
    "joint-probability-distribution",
    "uniform-distribution",
    "likelihood-function",
    "prior-distribution",
    "posterior-distribution",
    "beta-distribution",
    "pierre-simon-laplace",
    "statistics",
    "machine-learning",
    "decision-theory",
    "markov-chain-monte-carlo"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}