概率编程实战：用 Python 把挑战者号事故算成一道贝叶斯推断题

发布时间：2026/10/29 1:59:16

概率编程实战：用 Python 把挑战者号事故算成一道贝叶斯推断题

【免费下载链接】Probabilistic-Programming-and-Bayesian-Methods-for-Hackersaka "Bayesian Methods for Hackers": An introduction to Bayesian methods + probabilistic programming with a computation/understanding-first, mathematics-second point of view. All in pure Python ;)项目地址: https://gitcode.com/gh_mirrors/pr/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers

1986年1月28日，挑战者号航天飞机在低温中发射，73秒后解体。事后调查指向 O 型环密封件：33 次测试中的 7 次失败全部集中在低温段。“低温下，失效概率到底有多大？”这道题的答案是贝叶斯推断，把它写成代码的工具叫概率编程——开源项目 Probabilistic-Programming-and-Bayesian-Methods-for-Hackers（俗称 "Bayesian Methods for Hackers"）用纯 Python 从头带你做完。你不用手推积分，只需把模型描述出来，采样交给计算机。

33 次测试、7 次失败：你会怎么算温度与 O 型环的关系

挑战者号的 O 型环数据一共 33 条记录、7 次失败，全部发生在低温段。频率论的惯常做法是拟合一条回归线，给出斜率的点估计和一个 p 值，再把发射温度代进去，得到一个孤立的数字。问题在于：样本只有三十多个点，低温段更稀疏，点估计本身“有多可信”没有被表达出来。贝叶斯的做法把参数当成有分布的量：先写下你对斜率的先验信念，再用伯努利似然描述“给定温度时，失败与否如何被生成”，两者结合得到后验分布。先验不需要很强，一条温和的高斯分布就够，它只负责在数据稀少时拉住估计，不扭曲数据已有的信号。于是“发射温度下的失效概率”不再是一个数，而是一条分布，你可以直接问它落在哪个区间。

🐍 把模型写成 Python 代码：项目替你做了什么

打开 Chapter2_MorePyMC/ 里的 notebook，整个模型只有十几行：先验一行，伯努利似然一行，采样调用一行。数据就在同目录的data/challenger_data.csv，依赖列在仓库根目录的requirements.txt，一行pip install -r requirements.txt装完。跑完采样，你拿到的是参数的完整后验：温度效应多大、区间多宽，直接可读。

概率编程示例：PyMC 贝叶斯模型截图，先验作为父变量控制数据生成过程

🔢 从后验分布读出决策：区间，而不是孤立的点

频率论最后给你“斜率是否显著”的判断，贝叶斯后验给你一条完整的分布曲线。假设模型算出发射温度下失效概率的后验大部分质量压在较高区域，那么“发射”与“推迟”两种选择的代价一目了然，决策直接从统计结果读出，不需要再经过 p 值换算一次。换句话说，“95% 可信区间”不再是教科书里的推导，而是你手里那条分布的两个分位数。

同一套写法能复用到哪：作弊率、A/B 测试与聚类

仓库按章节组织，每个章节都是一个可运行的 notebook，换掉数据和分布即可复用。第二章还做了作弊者频率与 A/B 测试；Chapter3_MCMC/ 解释采样器为什么走随机游走，并做高斯混合聚类；第六章专门讨论先验怎么选、换先验会如何改变结论。模型结构长什么样，看这张图：变量之间的依赖关系画成网络，先验指向生成过程，观测挂在末端。

第一步：克隆仓库，打开第一个 notebook

两条命令，从空目录到跑起来的第一个贝叶斯模型：

git clone https://gitcode.com/gh_mirrors/pr/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers jupyter notebook Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/Chapter1_Introduction/Ch1_Introduction_PyMC_current.ipynb

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考