Prior

Априорное распределение, или prior, — это ваши исходные ожидания о вероятности события до получения новых данных. В байесовской статистике это не «догадка», а формальное выражение начальных убеждений: например, что редкие болезни встречаются редко, а большинство людей честны. Без prior вы не поймёте, насколько новая информация должна изменить вашу картину мира, ведь вы всегда отталкиваетесь от какой-то точки, осознаёте вы это или нет. Термин важен именно тем, что делает эту точку явной и проверяемой.

Как это работает на интуитивном уровне? Представьте: официант впервые ошибся в счёте. Ваш prior — «ошибки случайны», поэтому вы спокойно просите исправить. Если ошибки повторяются пять раз, вы обновляете prior: теперь это не случайность, а закономерность. Достаточно наблюдений — даже сильное начальное убеждение можно перевесить. А мера гибкости prior показывает, насколько быстро вы готовы менять мнение под давлением фактов.

Прикладной пример — медицинский тест на редкое заболевание. Болезнь есть у 1 из 1000 человек, тест точен на 99%. Положительный результат пугает, но низкая распространённость (prior) «тормозит» вероятность: после честного расчёта она составляет лишь около 9%. Врачи используют такие оценки, чтобы не назначать лишнее лечение и не травмировать пациента.

Вывод: prior — это не предвзятость, а интеллектуальная рамка, которая дисциплинирует мышление. Она заставляет явно формулировать исходную позицию, логично обновлять убеждения и не паниковать из-за одиночных случайных сигналов. Байесовский подход с prior лежит в основе науки, машинного обучения и повседневных решений — от врача до рекомендательной системы.