我不得不推荐 John Kruschke（印第安纳州）的《做贝叶斯数据分析》这本书。在过去的一段时间里采样了一些“介绍性”文本，这个真的很闪耀。

有很多非常好的解释点，但我认为他用来介绍结合先验和证据概念的最佳杠杆是在多路表的上下文中引入贝叶斯，其中数据导致您将注意力限制在一行，并对边缘求和以获得细胞的后验。然后它很容易扩展到连续变量，从而扩展到多路分布。

可能值得你看看。

对于基本的贝叶斯公式，一个常见的例子是疾病筛查。假设您对某种疾病进行了测试，如果用于患有该疾病的人将显示阳性的概率为 95%，如果用于没有疾病的人将显示阴性的概率为 90%；我们进一步知道，每 1,000 人中就有 1 人患有这种疾病。我们从人群中随机选择一个人（不提前知道他们是否患有疾病）并进行结果为阳性的测试：他们患有疾病的概率是多少？这个例子常常让很多人大开眼界。演示这一点（并快速显示更改的效果）的一种方法是使用SensSpec.demoR 的 TeachingDemos 函数中的函数（也可以tkexamp在同一个包中查看示例中的 GUI 界面）。

如果您想扩展到贝叶斯统计，那么一种有趣的方法是首先向学生展示一个简单的成功/失败游戏，例如向目标投掷飞镖、将一张纸卷扔进篮子等，然后选择一个会玩游戏的学生。询问学生 4 次中有多少次他们预测学生会成功，并将他们的预测用作 Beta 分布的参数作为先验分布（绘制此图以显示他们认为真实概率可能在哪里）。现在让学生玩 10 次游戏并计算成功次数，将其用作二项式似然的数据，并结合先验得到学生成功比例的后验分布。使用数据和相当简单的计算，展示你是如何从先验转移到后验的。

LessWrong 网站实际上对贝叶斯定理有很好的视觉解释：贝叶斯定理图解（我的方式）。

使用一副纸牌。

这张牌是黑桃的几率有多大？如果我知道这张牌是黑色的，这张牌是黑桃的可能性有多大？

这张牌是王的几率有多大？如果我知道这张牌是钻石，这张牌是王的可能性有多大？如果我知道它是一张人脸牌，它是国王的可能性有多大？

向他们展示它是如何在日常生活中使用的。我上班不到 30 分钟的可能性有多大。如果我早上 8 点离开怎么办？我在结账柜台排队等候的机会有多大？如果是下午 6 点呢？这个人犯下谋杀罪的可能性有多大？如果我们知道他和凶手有相同的血型怎么办。