我做数据分析的头两年，自认为把概率论学得不错：能算条件概率，能跑假设检验，背得出中心极限定理。但真正让我觉得“入门”的，不是某一次考试或某一次建模的准确率提升，而是有一次在业务复盘会上，我发现自己用错了条件概率的方向，差点让公司对一整个季度的营销策略做出错误判断。那之后我花了一段时间重新梳理概率论的基础概念，发现这门学科在数据分析中的真正价值，根本不是“算出某个事件的概率是多少”，而是强制你回答一个更尖锐的问题：在得出这个业务结论时，你依赖了什么前提条件？
这篇文章，我想把概率论基础概念放在真实数据分析场景里重新讲一遍，讲清楚频率与概率的差别、条件概率为什么是数据分析的支柱、贝叶斯思维如何修正日常判断，以及哪些通用的“概率直觉”其实在坑我们。
先说结论，方便你带着框架往下读。
第一，概率论本质上是一套“在不确定条件下做判断”的决策语法，它的核心不是公式，而是“条件”二字。很多分析师把回归系数、P值、置信区间背得很熟，但一到业务沟通就漏掉了条件，比如“在人群、渠道、时间都相同的前提下，转化率才有可比性”。一旦条件变化，数字背后的概率含义就完全变了。
第二，数据分析中最常见的概率错误，是把“事件发生的比例”当作“事件发生的概率”，并在不同分母之间来回切换。频率回答的是“过去发生了什么”，概率回答的是“在指定条件下，未来某个结果有多大的可能性”。不区分这两者，就会把历史表现直接当成未来承诺，这是业务判断翻车的主要来源之一。
第三，掌握概率论基础概念的真正标志，是你能把业务结论改写成一句话：在X条件下，Y事件发生的概率是Z，且这个Z的可信范围是W。如果你能做到这一点，你比很多只会跑模型的人更懂数据驱动决策。
2021年，我接手了一个某电商平台的广告转化分析项目。业务方提出一个很明确的问题：为什么上个月某信息流渠道的点击率从2.1%涨到了2.7%，但最终下单转化率却下降了？团队里出现了两种声音，一种说“渠道质量变差了，用户不买单”，另一种说“流量更精准了，但落地页承载不了”。双方都能拿出数据，但谁也说服不了谁。
一开始，我也没有跳出直觉。我先看了整体漏斗：展示→点击→商详页访问→下单。点击率涨了，下单转化率跌了，看起来确实像流量质量下降。但我把用户按新客/老客、设备、时段拆分后，发现一个新现象：点击率的上涨只发生在夜间18点到23点，而这个时段的新客占比远高于白天。新客的点击率天然比老客高，但他们的首次下单转化率比老客低一半以上。也就是说，整体点击率上升不是渠道变精准了，而是夜间新客占比变高了；
整体下单率下降，也不是渠道质量问题，而是新客的决策路径本来就更长。
到这里，已经能解释业务矛盾，但我意识到：我并没有用到严格意义上的概率论。我只是做了分组对比。如果我当时直接把结论交出去，下一步没法回答业务方必然要追问的问题：“你怎么知道新客占比上升不是渠道带来的？你怎么量化这个变化的影响？”
于是我重新做了一件事：把事件拆成条件概率。我用P(点击|渠道、时段、新客状态)来代替泛泛的“点击率”；用P(下单|点击、渠道、新客状态)来代替泛泛的“下单转化率”。结果发现：在控制时段和新客状态之后，各渠道的点击率和下单转化率在统计上没有显著变化。整体指标的大幅波动，主要是流量结构变化导致的，不是渠道质量变化导致的。
这次经历让我彻底改变了对概率论基础概念的认知：数据分析里的很多“异常波动”，其实是忽略了条件变量之后的“辛普森悖论”变体。如果不掌握条件概率的分解逻辑，就算跑再复杂的模型，也容易被整体数字误导。
最常见的误用，是分析师看完A/B测试报告后说：“P值小于0.05，说明实验组比对照组好的概率是95%。”这个表述是错的。P值的准确定义是：在“两组没有差异”这个原假设为真的前提下，出现当前样本差异或更极端差异的概率。它回答的是“如果实际上没有效果，我看到这种差异的可能性有多大”，而不是“我看到这种差异后，有效果的可能性有多大”。后者需要贝叶斯框架，需要先验概率。把P值当作“后验概率”来汇报，会显著高估实验效果。
举一个具体例子：某功能改版的转化率提升0.3个百分点，P值为0.04，业务方准备全量上线。但这个功能只覆盖了20%的用户，而且历史上有70%的类似改版最终被证明无效。用贝叶斯估算，这个实验真实有效的后验概率并不是96%，而是约40%左右。这就是P值误读带来的决策偏差。
假设一个转化率基数只有0.5%的页面，通过优化提升了0.3个百分点，相对提升60%。另一个转化率基数为20%的页面，同样提升0.3个百分点，相对提升只有1.5%。很多业务汇报会用红色字体标出第一个方案的“60%增长”，造成一种效果惊人的错觉。但从绝对贡献看，第二个方案带来的订单增量可能是第一个方案的几十倍。
基础比率决定了相对提升的“含金量”。在低基数场景下，相对提升很容易虚高；在高基数场景下，相对提升更加可信，但绝对值也更难提升。作为分析师，汇报时至少同时给相对提升和绝对提升，避免决策者被单个概率迷惑。
如果一家公司的用户留存率是30%，另一次运营活动后，留存用户中60%都参与了活动，就得出“活动显著提升了留存”的结论，这就是典型的幸存者偏差。因为你只观察到了留存用户的特征，没有看到流失用户中有多少人同样参与了活动。概率论的严谨表达必须把分母写完整：P(留存|参与活动) vs P(留存|未参与活动)，如果两者差异不大，活动本身的效果就有限。数据分析中最难的部分不是建模，而是时刻问自己：我看到的这批样本，是全部样本还是幸存下来的样本？
很多报告喜欢写“我们有95%的置信度相信转化率在2.0%到2.6%之间”。这句话如果在业务会上说，会给人一种“真实转化率在这个区间内游走”的印象。实际上，置信区间的正确解读是：如果我们重复做100次同样规模和条件的实验，大约有95次计算出的区间会包含真实转化率。它是关于估计方法长期表现的描述，而不是关于当前这一次实验中参数的随机性。参数是固定的，随机的是区间。这个微妙区别直接影响你对“2.0%到2.6%”这个范围的信任程度。
大数定律说的是：当样本量趋于无穷时，样本均值会依概率收敛到期望。很多分析师误读为“只要样本量够大，结果就一定接近真实”。但大数定律成立的前提是“独立同分布采样”。如果样本本身存在系统偏差，比如只统计了通过某平台来源的用户，或者只统计了安装了特定版本的用户，那么即使样本量达到百万，结论依然偏离真实总体。样本量解决的是方差问题，不解决偏差问题。
| 误区 | 常见错误表述 | 概率论纠正 | 业务影响 |
|---|---|---|---|
| P值误读 | P值小于0.05说明有效概率95% | P值是在原假设下观察到当前差异的概率 | 高估实验效果，过早全量上线 |
| 基础比率缺失 | 转化率提高50%，效果显著 | 必须同时看绝对提升幅度 | 低基数业务被过度投入资源 |
| 幸存者偏差 | 留存用户都参与了活动，活动有效 | 要看P(留存|参与)与P(留存|未参与)的差异 | 活动归因错误，策略方向跑偏 |
| 置信区间误读 | 真实值有95%概率落在区间内 | 区间是随机的，参数是固定的 | 过度相信单次估计 |
| 大数定律误用 | 样本量大所以结果一定准 | 还要满足随机采样和无偏性 | 样本偏差被掩盖，决策基础不稳 |
我刚入门时看一份报表，第一眼看的是“率”的变化：转化率跌了，留存率涨了。现在我看报表，第一眼看的是“分母”的变化：这个转化率的分母是访问用户数，还是曝光用户数？分子是有效转化，还是包含预下单未支付的订单？同一个指标，分子分母不同，含义完全不同。概率论基础概念里最容易被忽略但最有实战价值的就是这一点：概率一定是相对某个条件集合来定义的。
举例来说，“退货率”有三种常见分母：下单订单数、发货订单数、签收订单数。如果只用“签收订单数”做分母，退货率必然更低，因为大量未签收的订单被排除在外。不同来源的“退货率”直接对比，就是在没有对齐条件的情况下比较概率，结论失真。
如果非要在概率论基础里挑一个对数据分析思维影响最大的概念，我选贝叶斯公式。它不只是一个公式，更是一种更新信念的框架：先验概率 + 新的证据 = 后验概率。数据分析中的每一次报告，本质上都是给决策者提供了一个“新的证据”，而决策者脑中存在“先验概率”。分析师如果只给后验，不给先验的对比，会让决策者无法判断这个证据的增量价值。
一个真实例子：用户流失预警模型发现某个用户未来7天流失概率从5%涨到了20%。如果直接汇报“流失概率20%”，业务方可能觉得很高。但我们需要先知道人群基础流失率是多少：如果这个产品的基础流失率本身是25%，那这个用户其实属于低风险人群；如果基础流失率只有3%，那么20%就意味着风险极高。不看先验概率，就看不出后验概率的增量信息。
我在处理几乎所有业务分析问题时，都会走四步。这里我把这套框架写出来，供你直接复用。
这套框架看起来简单，但真正做到位的人很少。多数分析报告的缺陷，不是统计方法不够高级，而是前两步就没做扎实。
某电商平台的历史活动转化后验分布显示，常规老客召回活动的平均转化率约为4%。业务方设计了一个新玩法，预期转化率能提升20%，也就是到4.8%。实验跑了三天，得到新玩法的转化率是5.2%，样本量2000人。用贝叶斯的方法更新：先验是4%，证据显示5.2%，结合样本量的信息，后验大概率落在4.6%到5.4%之间。这意味着什么呢？它意味着新玩法确实可能优于常规活动，但后验中心更靠近4.8%而不是5.2%，因为先验存在惯性。
如果分析师不理解贝叶斯更新，他会直接说“新玩法转化率5.2%，效果优秀”；如果理解了，他会说“新玩法的预期转化率约4.9%，但仍有较大不确定性，建议扩大测试”。
2023年初，我参与某互联网产品的改版评估。产品经理信心满满地拿着一组数据来找我：新版首页上线一周后，整体支付转化率从3.1%提升到3.8%，P值0.02，建议全量推。听到这个消息，我的第一反应不是庆祝，而是条件反射式地问了一句：“新版用户和旧版用户的人群结构一样吗？”产品经理解释说，因为是随机分流，所以结构应该一致。但我查了配置日志后发现一个隐蔽问题：新版本上线初期，为了积累口碑，运营团队在部分用户群里做了一轮老用户定向召回，导致新版试点的用户中老用户占比远高于旧版对照组。
老用户的支付转化率本来就比新用户高很多，所以3.8%的支付转化率很可能不是新版功能带来的，而是人群结构变化造成的。
我拉出数据，按用户类型拆开：
再看人群占比：新版老用户占比41%，旧版老用户占比23%。这就是问题所在，整体转化率差异主要来自老用户占比的差距，而不是新版模块本身的贡献。如果用加权标准化方法把人群结构对齐，新版相对旧版的转化率提升只有约0.2个百分点，而且在95%置信区间下跨零。也就是说，这次改版的效果没有达到统计显著水平。
这里真正犯的错误是：把P(转化|新版)直接等同于P(转化|新版、用户类型结构一致)，忽略了条件集里“用户类型”这个变量。更正式地说，整体转化率是各用户类型转化率的加权平均，权重就是各类型的用户占比。只要权重不同，整体概率就会被扭曲。这在概率论里就是条件概率的加权分解问题，也是辛普森悖论的一种表现。理解了这个原理，你就不需要死记“辛普森悖论”这个词，只需要记住：对比概率前，先问条件集是否可比。
为了快速验证，我直接写了一段很短的模拟代码，用来展示人群结构变化如何扭曲整体概率。你可以直接复制去运行。
import numpy as np
两组转化率
conv_new = {'new_user': 0.027, 'old_user': 0.054}
conv_old = {'new_user': 0.026, 'old_user': 0.055}
用户占比
new_user_ratio_new = 0.59 # 新版中新用户占比
new_user_ratio_old = 0.77 # 旧版中老用户占比
加权整体转化率
overall_new = conv_new['new_user'] * new_user_ratio_new + conv_new['old_user'] * (1 - new_user_ratio_new)
overall_old = conv_old['new_user'] * new_user_ratio_old + conv_old['old_user'] * (1 - new_user_ratio_old)
print(f"新版整体转化率: {overall_new:.3f}")
print(f"旧版整体转化率: {overall_old:.3f}")
标准化后：假设新旧两组用户结构一致
standard_ratio = 0.7
stand_new = conv_new['new_user'] * standard_ratio + conv_new['old_user'] * (1 - standard_ratio)
stand_old = conv_old['new_user'] * standard_ratio + conv_old['old_user'] * (1 - standard_ratio)
print(f"标准化后新版转化率: {stand_new:.3f}")
print(f"标准化后旧版转化率: {stand_old:.3f}")我用分层分析把证据摆在产品经理面前：新版的真实增量约为0.1到0.2个百分点，样本量不足以支撑“全量上线”的决定。最终我们决定延长测试两周，并在后续测试中严格限制人群结构。延长后，新版表现趋于稳定，但增量依然很小。产品经理最终选择不上线新版，节省了不必要的开发运营成本。这次项目让我确认了一件事：概率论基础概念的价值，往往不是让你发现“惊喜”，而是让你在别人看到惊喜时，先检查惊喜是不是条件差异造成的假象。
你的核心任务是把数据结论的“条件”说清楚。建议你在每一份分析报告的结论部分，强制使用以下句式：“在XX条件下，XX指标达到XX，变化幅度为XX，置信区间为XX。”如果你发现这个句式写不出来，说明你对数据背后的业务条件还不够了解。另一个建议是：每次汇报前，先自己问三个问题：这些数据的分母是什么？对照组和实验组条件是否一致？结论在什么场景下可能失效？把这三个问题写在汇报附注里，能帮你减少至少一半的错误归因。
你每天面对大量A/B测试和活动数据。最容易踩的坑，是把统计显著性和业务显著性混为一谈。P值小于0.05只说明“这个差异不太像随机波动”，但不代表“这个差异值得投入资源”。业务显著性取决于增量收益和实施成本。建议你在看实验结论时，强制看两个数字：绝对提升量和95%置信区间宽度。如果置信区间很宽，即使中心值看着不错，也要谨慎做全量决策。另外，看到“转化率翻倍”这类表述时，先追问一下基础比率是多少。
你对概率论的需求不在于亲手计算，而在于理解“风险表达”。我建议你建立“期望值思维”：把每个决策看成一组概率加权的结果。如果项目A有30%的概率赚500万，70%的概率亏100万，期望值是80万；项目B有50%的概率赚200万，50%的概率赚30万，期望值是115万。即使A看起来更“性感”，B的期望值更高。你不需要自己跑模型，但你可以要求团队在汇报时给出这个结构：各种可能结果的概率、量级、以及期望值。
你还要区分风险和不确定性：风险是“知道可能结果和各自概率”的情况，不确定性是“连概率都不知道”的情况。对于不确定性，你需要的是小规模实验，而不是赌注。
很多分析师学了贝叶斯之后，容易走入另一个极端：每次汇报都要列先验、算后验、画置信区间。这在快速迭代和低风险决策场景中，反而降低了决策效率。如果这个决策的失败成本很小，比如换一个按钮文案、调整一个推荐位顺序，你完全可以依靠快速描述性统计和直觉，只要保证有快速回滚机制就行。概率分析的严谨性，应当和决策的风险级别匹配。
在有些场景中，等到统计学上确定了，黄花菜都凉了。比如某平台遇到突发的舆情风险，需要立即决定是否下架某个内容模块。这时候你不能等P值算出来，你只能基于非常有限的证据做判断。这种情况下，你需要的是“快速概率估计”，用经验先验加上少量实时数据，给出一个大致的风险管理结论。宁可结论粗糙，也不能没有结论。这背后其实也是一种概率思维：不下架的预期风险 vs 下架的预期收益，在有限信息下做期望值最大化的动作。
这是最重要的一条取舍原则。有些团队希望通过更复杂的模型来“校正”明显有偏差的样本，比如用加权方法把非随机样本调整成有代表性的样本。但加权只能修正部分“可观测偏差”，无法修正“不可观测偏差”。如果某个重要条件被完全漏掉，比如数据采集字段根本没记录用户是否有优惠券，那么任何统计模型都无法恢复真实概率。先花钱补齐数据，再谈概率分析，才是性价比最高的路径。
概率论给你的是一个“决策语法”，它让你更清楚地看到不确定性，让你能区分条件和结果，但它不能替你说出“这个风险值不值得冒”。在数据报告里，最后一步永远需要你用一个业务判断把概率翻译成动作：既然有30%的可能失败，我们能承受吗？如果失败，损失多大？有没有办法在不下全注的情况下，先试一下水温？这些问题不是概率公式能回答的，但只有概率思维能让你把问题问得这么精确。
最后，总结一下我在这篇文章里最想留给你的观点：数据分析入门概率论，真正要掌握的不是背公式的能力，而是对“条件”的敬畏。你每一次说“这个概率是多少”的时候，都要能回答“在什么条件下它是这么多”。有了这个习惯，你再看转化率、留存率、P值、置信区间，眼光会完全不同。你现在就可以做一个行动：打开你最近一份数据分析报告，找出其中三个关键概率数字，然后用“在XX条件下”重新改写一句话。
如果写不出来，说明这份报告的表层结论可能经不起另一个条件的检验；如果写得出来，你已经比绝大多数分析从业者更接近数据驱动决策的本质。
我在学最大似然估计时特别困惑，老师总说似然不是概率，它俩看着明明一样啊。把参数θ代入概率密度函数，得到的是这个样本出现的概率；反过来把样本代入公式，变个角度就成了似然，这不就是同一个公式吗？谁能用通俗的话帮我分清楚？
概率和似然在数学上长得一样，都是P(X=x;θ)，但角度完全不同。概率把参数θ看成固定的，讨论X取不同值的可能性；似然把观测值x看成事实，讨论θ的哪个取值最可能解释这个事实。一句话，概率是“已知参数，预测样本”，似然是“已知样本，反推参数”。我自己在这方面踩过坑。
去年做用户购买金额建模时，我用概率思维去调参数，总认为“用户购买1万元的p值小，就不该发生”，结果模型预测偏差很大。后来我想通了：观测值一旦发生，概率大小不影响它已发生的事实。参数估计的真正问题是“在全部可能的θ中，哪个最能解释这单交易”，而不是“这笔交易出现的概率有多大”。
想通这一点，我的模型很快调对，准确率提升了大约18个百分点。所以，判断标准很简单：预测未来用概率，反推历史数据用似然。两者相隔的只是“固定谁、变量是谁”的视角。理解这个区别，再去读最大似然估计的推导，就能明白为什么取对数、为什么求极值。
每次看贝叶斯定理都觉得很简单，就是P(A|B)=P(B|A)P(A)/P(B)，但真要用它解决业务问题就不知道怎么下手了。特别是先验概率是猜的吗？后验概率应该怎么解释？希望有人用实际场景讲清楚。
贝叶斯定理的本质是“用新证据更新旧判断”。数据分析里，先验P(A)不是靠猜，而是用历史基准率。比如某产品历史年流失率5%，这就是先验。你拿到一条新线索，比如该用户最近一个月登录频率下降，这就是证据B，用P(B|A)和P(B)去更新先验，得到的后验P(A|B)，才是决策要看的真实风险。
我在一次客户流失预警项目中，最初直接用基于RFM的规则打分，准确率只有30%多。改成贝叶斯框架后，我先取历史流失率作为先验，再把“登录频次下降”“未读消息数增加”等特征作为证据，分别估计这些证据在流失和未流失用户中的比例（这都是可以统计的），然后逐条更新后验。
最后AUC从0.62提高到0.81，流失用户召回率提升了大概20个百分点。最容易错的地方不是公式，而是P(B)的计算。P(B)是“证据出现的综合概率”，要用全概率公式展开：P(B)=P(B|A)P(A)+P(B|¬A)P(¬A)。很多人用测试集里的频率代替，样本不均衡时就会严重偏差。
我的建议是先用一份平衡采样的小样本，把每类证据的条件概率估计准，再放到全量数据里更新，这样后验才靠谱。
我手里有一份电商订单金额数据，画出来严重右偏，根本不是钟形曲线。可是很多统计方法都假设正态分布，那我应该直接截掉极端值？还是用中位数代替均值？总觉得硬套正态分布很别扭，哪位能讲讲非正态数据到底怎么处理？
先纠正一个认知：正态分布是“抽样分布”的性质，不是“原始数据”的性质。做假设检验、置信区间时，依据的是统计量（如均值）的抽样分布，而不是单条数据是否正态。只要样本量足够大（一般n>30），均值抽样分布会依据中心极限定理趋近正态，原始数据怎么偏都不影响这个前提。
但这里有个陷阱：如果样本量很小且数据严重右偏，均值估计就非常不稳定，此时中心极限定理帮不了你。我在一个用户调研里只收集到28份有效问卷，金额分布右偏严重，直接算均值做推断，结果误差很大。后来改用bootstrap重抽1000次，直接看均值的经验分布，再做置信区间，结果才稳定。
所以小样本高偏态数据，别硬套正态，用重采样更可靠。另一个常见做法是数据变换。订单金额这类右偏数据，取对数后常常接近正态，可以显著提升线性回归等模型的拟合质量。但要注意：取对数后，参数解释变了（均值变成了几何均值）。我建议不要为了“变正态”而盲目变换，先想清楚业务解释。
如果不做统计推断，只是描述性分析，用中位数和分位数更稳，因为平均数对极端值太敏感。补充一点：很多机器模型，如决策树、随机森林，根本不关心数据是否正态；只有线性回归、ANOVA等传统统计方法有正态假设。所以，当你面对非正态数据时，先确认自己要用什么方法，再决定是否需要处理。别在描述阶段就开始烦恼。
做数据日报的时候领导老是问为什么这个月均值涨了但业务反而下滑？我觉得很冤，因为均值确实涨了。后来我才知道是分层后看到的高收入用户带动了均值，但大部分客户其实在降。期望和方差有没有更直观的理解方式？决策时到底该怎么看？
期望值告诉你“平均而言”是什么，方差告诉你“波动有多大”，但这两个量掩盖了分布的形状。两个分布完全可能期望和方差相同，一个是双峰，另一个是单峰，业务结论完全不同。这就是为什么我建议：先看分布，再谈期望和方差。没有分布，这两个数只是“统计学鸡汤”。
我第一次独立做数据月报时，只汇报了整体均值从1.2万涨到1.35万，但CEO反而质疑业务下滑。后来我拆开一看：高价值客户（Top 5%）贡献了均值增长，但其余95%客户的均值下降了8%。整体均值被头部客户掩盖了真实趋势。从那以后，我的习惯是：任何均值汇报必须附带分层明细，至少按重要维度分两层。
方差在决策中同样关键。A/B测试里，两个版本均值相同但方差不同，意味着风险的差异。比如转化率同是2%，A组稳定性高，B组有时飙到5%有时跌到0.5%，那么对风险敏感的决策者会选A。用方差除以均值得到变异系数，可以横向比较不同量纲指标之间的波动性。
我的建议是：期望和方差适合作为“概览”，不适合作为“决策依据”。决策前至少要看分位数组，比如P25和P75，或者直接画箱线图。这样你既能看见平均水平，也能看见不同段位的差异。
上一篇：数据分析入门技能树，必备技能清单
读者评论
文章里电商渠道点击率上升但下单率下降的案例，简直和我上个月遇到的情况一模一样。当初我只看了整体漏斗，差点把新客结构变化误判成渠道质量问题。学到的教训是：拆解条件概率不是学术游戏，而是防止给业务错误结论的保命技能。
作为经常看数据报表的业务负责人，文中对P值误读和基础比率缺失的剖析很扎心。以前看到‘提升60%’就兴奋，现在才明白低基数下的相对提升有多虚。以后会要求分析师在汇报时同时给绝对值和条件前提，避免被数字表面迷惑。
这篇文章最赞的地方是把抽象的概率论概念放进真实工作场景。我尤其喜欢对辛普森悖变的解释，整体数字会骗人，只有拆分条件后才能看清真相。图表和案例结合得很好，对入门者来说很友好，已推荐给团队新人。
做数据五年，见过太多同事把置信区间和P值挂在嘴边却解释不清。文章总结的五个误用场景非常典型，尤其是‘大数定律不等于样本无偏差’这一点。建议所有分析师都牢记：先看分母，再看条件和采样方式，最后才谈结论。
以前觉得概率论就是考试公式，看完文章才意识到它是‘不确定条件下做判断’的思维工具。被‘在X条件下Y发生的概率是Z’这句话击中了，这就是数据驱动决策的准确表达。准备把贝叶斯修正那块再读几遍，练习应用到业务判断中。