Praca magisterska z matematyki albo statystyki stosowanej rządzi się innymi prawami niż praca humanistyczna czy nawet praca z fizyki eksperymentalnej. Tutaj nie wystarczy zebrać literatury i ją streścić. Musisz coś udowodnić, obliczyć lub zmierzyć – i zrobić to w sposób, który matematyk uzna za przekonujący. Ten przewodnik idzie krok po kroku przez to, co naprawdę różni taki dyplom od innych, jak wybrać sensowny temat, zbudować metodologię i zapisać wyniki.
Czym różni się praca magisterska z matematyki od innych kierunków ścisłych
Na fizyce możesz opisać eksperyment, na chemii – syntezę. W matematyce masz albo dowód, albo nie masz nic. To fundamentalna różnica, która wpływa na każdą decyzję przy pisaniu pracy.
Praca czysto teoretyczna polega na sformułowaniu twierdzeń i ich udowodnieniu – krok po kroku, bez luk w rozumowaniu. Promotor nie zaakceptuje sformułowania „widać, że…” tam, gdzie widać tylko dla kogoś, kto już zna odpowiedź. Każde przejście między krokami musi być uzasadnione.
Praca z matematyki stosowanej, numerycznej albo statystyki wygląda inaczej: masz dane, model, algorytm i wyniki. Nadal musisz rozumieć teorię, ale główna wartość leży w tym, że twój model działa i wiesz, dlaczego działa. Tutaj liczy się błąd numeryczny, stabilność metody, moc testu.
Statystyka stosowana to z kolei obszar, w którym masz dane z badania lub symulacji, a twoim zadaniem jest wybrać właściwe metody, zastosować je poprawnie i uczciwie zinterpretować wyniki. Błąd interpretacji to błąd merytoryczny, nawet jeśli obliczenia są technicznie poprawne.
Niezależnie od rodzaju pracy, musisz operować precyzyjnym językiem formalnym. Słowo „prawie”, „mniej więcej” albo „w pewnym sensie” w matematycznym zdaniu twierdzeń oznacza lukę. Ucz się pisać tak, jak piszą artykuły w Journal of Functional Analysis albo Annals of Statistics – jasno, bez ozdób, z pełnymi uzasadnieniami.
Osobna kwestia to układ rozdziałów. Praca teoretyczna ma zazwyczaj trzy części: preliminaria (notacja, definicje, twierdzenia z literatury potrzebne do dalszej analizy), wyniki własne i dyskusja. Praca empiryczna lub numeryczna dodaje rozdział z opisem danych lub implementacji oraz rozdział z analizą wyników. Nie ma sensu pisać rozdziału pt. „Przegląd literatury” w stylu humanistycznym, w którym streszcza się artykuł po artykule – zamiast tego preliminaria powinny przedstawiać tylko to, co jest naprawdę używane dalej.
Jak wybrać temat i sformułować problem badawczy
Dobry temat na pracę magisterską to taki, który:
– mieści się w 6-12 miesiącach realnej pracy,
– ma coś, co możesz wnieść nowego (choćby nowe zastosowanie znanych metod),
– ma opiekuna, który zna obszar wystarczająco dobrze, żeby cię prowadzić.
Unikaj tematów zbyt szerokich. „Równania różniczkowe cząstkowe” to nie temat – to gałąź matematyki. „Analiza zbieżności schematów różnic skończonych dla równania ciepła z warunkami mieszanymi” to temat. Widać, co będzie w środku.
Zanim zaproponujesz temat promotorowi, sprawdź, co już istnieje. Przeszukaj MathSciNet, zbMATH i arXiv (sekcje math.AP, math.NA, stat.ME, stat.CO). Jeśli znajdziesz artykuł z 2022 roku, który robi dokładnie to, co planowałeś, nie panikuj – możesz rozszerzyć ich podejście, zastosować do innych danych, porównać z alternatywną metodą.
Problem badawczy sformułuj jako pytanie: „Czy metoda X zachowuje zbieżność rzędu drugiego dla siatki nieregularnej?”, „Jaki model regresji lepiej przewiduje Y przy wysokiej współliniowości predyktorów?”. Odpowiedź na to pytanie to twoja praca.
Cel pracy i hipotezy (lub pytania badawcze) powinny znaleźć się we wstępie, wyraźnie, nie gdzieś w połowie rozdziału pierwszego. Promotor musi od razu wiedzieć, co badasz i dlaczego.
Jeśli piszesz pracę teoretyczną, zastanów się, czy twój wkład to: nowe twierdzenie, nowy (prostszy lub bardziej ogólny) dowód twierdzenia istniejącego, przeniesienie metody z jednego obszaru do innego, albo zebranie rozproszonych wyników w spójną całość z uzupełnieniami. Każdy z tych celów jest uzasadniony, ale musisz go nazwać wprost. „Celem pracy jest zebranie i ujednolicenie wyników dotyczących operatorów kompaktowych w przestrzeniach Orlicza” to dobry wstęp. „Celem pracy jest omówienie analizy funkcjonalnej” – nie.
Jeśli piszesz pracę statystyczną lub numeryczną, problem badawczy powinien wskazywać konkretne pytanie empiryczne: „Czy model regresji logistycznej przewiduje wyniki egzaminów maturalnych lepiej niż model lasu losowego przy danych z n = 1200 uczniów?” albo „Jaki jest rząd zbieżności schematu różnic skończonych dla równania konwekcji-dyfuzji z nieciągłym współczynnikiem dyfuzji?”. Z tak postawionego pytania wynika wprost, co musisz zrobić: wybrać dane, zaimplementować oba modele, porównać je na walidacji krzyżowej.
Metodologia pracy matematycznej i statystycznej
Prace teoretyczne – dowody i twierdzenia
Praca teoretyczna ma sztywną strukturę logiczną: definicja, lemat pomocniczy, twierdzenie główne, dowód, wniosek. Odstępstwa od tej kolejności wymagają uzasadnienia.
Zapis formatu matematycznego opiera się na LaTeX z pakietami amsmath, amsthm i mathtools. Używasz środowisk theorem, proof, lemma, corollary, remark, definition, które automatycznie numerują elementy i formatują je zgodnie z konwencją. Numeracja powinna być spójna – albo globalna (1, 2, 3…), albo sekcyjna (1.1, 1.2, 2.1…). Nie mieszaj obu systemów.
Dla każdego twierdzenia sprawdź warunki konieczne i wystarczające. Jeśli zakładasz zwartość przestrzeni metrycznej, napisz, dlaczego jest potrzebna. Pokaż, co się dzieje, gdy warunek odpada – kontrprzykład jest równie wartościowy jak dowód.
W algebrze (grupy, pierścienie, ciała) definicje muszą być ścisłe od pierwszego zdania. W analizie funkcjonalnej (przestrzenie Banacha, Hilberta, operatory liniowe, widmo) musisz operować nierównościami, oszacowaniami norm i lematami pomocniczymi – często z literatury, więc cytuj je z pełną referencją. W topologii (przestrzenie metryczne, zwartość, spójność) rysunki pomagają, ale nie zastępują dowodu. W teorii liczb i kryptografii RSA czytaj uważnie, czy twoje obliczenia modulo są wykonywane w odpowiedniej grupie.
Prace z równaniami różniczkowymi zwyczajnymi (ODE) zazwyczaj zaczynają się od twierdzenia Cauchy’ego o istnieniu i jednoznaczności rozwiązania, a potem analizują właściwości trajektorii. Przy PDE (równanie ciepła, falowe, Laplace’a) musisz zdefiniować, w jakim sensie szukasz rozwiązania – klasycznym czy słabym – i trzymać się tego przez całą pracę.
Prace z matematyki stosowanej i numerycznej
Tutaj twój dowód to nie ciąg symboli, ale kod i wyniki. Musisz jednak uzasadnić teorię za metodą: dlaczego wybrałeś tę metodę, jaki jest jej rząd zbieżności, jakie są znane ograniczenia.
Metoda różnic skończonych (FDM) wymaga analizy błędu siatki. Dla równania ciepła z krokiem przestrzennym h błąd aproksymacji to O(h²) dla schematu centralnego. Musisz też sprawdzić warunek stabilności – dla schematu jawnego Eulera to warunek CFL. Pisz wprost: „przyjęłam krok h = 0.01, co spełnia warunek stabilności r = Δt/h² ≤ 0.5 z zapasem (r = 0.25)”.
Metoda elementów skończonych (FEM) wymaga sformułowania słabego (Galerkina), wyboru przestrzeni aproksymacji i analizy zbieżności. Jeśli korzystasz z gotowej biblioteki (FEniCS, deal.II), opisz siatkę, stopień wielomianów bazowych i solver układu liniowego.
Metody numeryczne dla ODE: klasyczny Runge-Kutta czwartego rzędu (RK4) jest wystarczający dla większości problemów akademickich, ale jeśli twój układ jest sztywny (stiff), przejdź na metody niejawne. W MATLAB-ie używasz ode45 dla niesztywnych i ode15s dla sztywnych układów. W Pythonie to scipy.integrate.solve_ivp z method='RK45' lub 'Radau'. Podaj tolerancje (RelTol, AbsTol) i uzasadnij wybór.
Dla układów liniowych dużych rozmiarów iteracyjne metody (Gaussa-Seidela, SOR z parametrem ω, gradient sprzężony CG) są wydajniejsze od eliminacji Gaussa. W MATLAB-ie eig i svd działają dla macierzy gęstych, ale dla rzadkich używaj eigs (ARPACK) i scipy.sparse.linalg.eigs w Pythonie. Opisz warunki zbieżności: dla CG macierz musi być symetryczna i dodatnio określona.
Prace statystyczne – analiza danych i symulacje
Praca statystyczna wymaga zrozumienia, że dobór metody zależy od danych, a nie odwrotnie. Nie dobierasz danych do metody.
Zacznij od analizy eksploracyjnej: rozkłady zmiennych, korelacje, wartości odstające, brakujące dane. Opisz, jak postąpiłeś z brakami – usunąłeś wiersze, imputowałeś (MICE, mediana, predykcja modelem)?
Regresja OLS wymaga sprawdzenia założeń: liniowość, normalność reszt, homoskedastyczność (test Breusha-Pagana), brak wielokoliniowości (VIF < 10). Interpretuj współczynniki beta z przedziałami ufności: „wzrost X o 1 jednostkę wiąże się ze wzrostem Y o 2.3 (95% CI: 1.8, 2.8) przy pozostałych predyktorach stałych”. Przy wielu predyktorach i ryzyku nadmiernego dopasowania zastosuj LASSO (L1), Ridge (L2) lub elastyczną sieć – w R to pakiet glmnet, w Pythonie sklearn.linear_model.
ANOVA jednoczynnikowa testuje różnice między grupami – sprawdź homogeniczność wariancji (test Levene’a). Przy efektach losowych i mieszanych modelu używaj R lme4: lmer(y ~ x + (1|group), data=df). ANOVA wieloczynnikowa: opisz interakcje między czynnikami.
Testy nieparametryczne (Wilcoxon, Kruskal-Wallis) stosuj przy małych próbach lub wyraźnym odejściu od normalności. Test chi-kwadrat Pearsona dla danych kategorycznych wymaga oczekiwanych liczeń ≥ 5 w każdej komórce.
Moc testu i wielkość próby obliczaj a priori, nie post hoc. Używaj G*Power lub pakietu pwr w R. Przy wielokrotnym testowaniu stosuj poprawkę Bonferroniego (konserwatywna) lub Benjaminiego-Hochberga FDR (bardziej elastyczna przy wielu hipotezach).
Jeśli twoja praca dotyczy metod bayesowskich, opisz rozkład a priori i uzasadnij jego wybór. Prior słaby (weakly informative) – np. normalny z dużą wariancją – to rozsądny punkt wyjścia, gdy nie masz silnych przesłanek z wcześniejszych badań. Prior silnie informatywny wymaga uzasadnienia w literaturze. Rozkład a posteriori P(θ|data) dostaniesz przez MCMC – reguła Bayesa: P(θ|data) ∝ P(data|θ) · P(θ). Próbkowanie łańcuchem Markowa realizujesz przez algorytm Metropolisa-Hastingsa (ogólny) lub Gibbsa (gdy znasz pełne warunkowe). Narzędzia: RStan, CmdStanR, PyMC 5. Diagnostyka: R-hat poniżej 1.01 oznacza zbieżność łańcuchów, ESS powyżej 400 dla każdego parametru daje wiarygodne szacunki. Do porównania modeli bayesowskich używaj WAIC (Widely Applicable Information Criterion) lub LOO-CV (leave-one-out cross-validation) z pakietu loo w R.
Analiza przeżycia to osobna metodologia, która pojawia się w pracach z biostatystyki lub demografii: model Coxa, estymator Kaplana-Meiera, test log-rank. Jeśli twoje dane są cenzurowane (prawostronne, lewostronne, interwałowe), musisz to opisać i wybrać metodę odpowiednią dla rodzaju cenzury.
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Jak opisać wyniki matematyczne
Wyniki w pracy teoretycznej to lista udowodnionych twierdzeń. Nie pisz „udało mi się pokazać” – napisz „Twierdzenie 3.2 stwierdza, że…”. Dyskusja po dowodzie może zawierać uwagi o granicznych przypadkach, możliwych uogólnieniach i otwartych pytaniach.
Wyniki numeryczne zapisujesz w tabelach i na wykresach. Tabela zbieżności powinna pokazywać kolejne wartości h, odpowiedni błąd (w normie L², L∞ lub H¹) i stosunek kolejnych błędów – który powinien dążyć do liczby zgodnej z rzędem metody. Jeśli nie dąży, wyjaśnij, dlaczego.
Wyniki statystyczne wymagają podania statystyki testowej, wartości p i wielkości efektu (d Cohena, η², r²). Samo p < 0.05 to za mało – powiedz, jaki jest efekt i czy jest istotny praktycznie. Tabele z wynikami regresji: współczynniki, błędy standardowe, przedziały ufności, statystyki t i p-wartości dla każdego predyktora.
Wykresy muszą być czytelne bez dodatkowego opisu: osie z jednostkami, legenda, tytuł (albo opis w podpisie rysunku). W R standardem jest ggplot2, w Pythonie matplotlib lub seaborn. Do wykresów dla prac naukowych: punkty, linie trendu, wstęga błędu (CI lub SD).
Nie interpretuj wyników poza danymi. Jeśli model przewiduje lepiej, powiedz o ile i na jakim zbiorze walidacyjnym. Unikaj słowa „lepszy” bez miary.
W pracach z uczenia maszynowego podaj metryki adekwatne do problemu: MSE i MAE dla regresji, accuracy, F1, AUC-ROC dla klasyfikacji. Dla niezbalansowanych klas accuracy jest myląca – F1 lub AUC dają więcej informacji. Przedział ufności dla metryki (z walidacji krzyżowej) jest ważniejszy niż jedna liczba z jednego podziału danych.
Dyskusja wyników w pracy matematycznej to miejsce, w którym możesz napisać, co twoje wyniki oznaczają poza formułą. Jeśli twierdzenie mówi, że operator jest izomorfizmem, powiedz, co z tego wynika dla struktury przestrzeni. Jeśli metoda numeryczna ma rząd 2, powiedz, kiedy to jest wystarczające, a kiedy potrzeba rzędu 4. Jeśli test statystyczny odrzuca hipotezę, powiedz, jaki efekt zaobserwowałeś i czy ma znaczenie praktyczne. Dyskusja to jedyne miejsce, gdzie interpretacja jest twoim zadaniem, a nie tylko relacjonowanie obliczeń.
Oprogramowanie i narzędzia obliczeniowe
Do prac z matematyki numerycznej i statystyki masz kilka środowisk i dobierasz je do zadania, a nie do przyzwyczajeń.
R to środowisko, w którym statystyka jest obywatelem pierwszej kategorii. Podstawowe pakiety: tidyverse (dplyr do manipulacji danymi, ggplot2 do wizualizacji), stats (testy, rozkłady, regresja), caret lub tidymodels do uczenia maszynowego, lme4 do modeli mieszanych, glmnet do regularyzowanej regresji. Do reproducibility – R Markdown z knitr. Jeden plik .Rmd generuje raport z kodem, wynikami i tekstem.
Python daje więcej elastyczności poza statystyką. Do obliczeń numerycznych: NumPy (operacje macierzowe), SciPy (całkowanie, równania różniczkowe, optymalizacja, algebra liniowa przez scipy.linalg i scipy.sparse), statsmodels (klasyczne modele statystyczne z tabelami jak w R). Do uczenia maszynowego: scikit-learn. Jupyter Notebook robi to samo co R Markdown – kod i wyniki razem w jednym miejscu.
MATLAB jest standardem w inżynierii i na wielu polskich uczelniach technicznych. Kluczowe dla pracy magisterskiej: ode45/ode15s dla ODE, fsolve dla równań nieliniowych, eig/svd dla algebry liniowej, Statistics and Machine Learning Toolbox dla metod statystycznych. GNU Octave to open-source’owy MATLAB – składnia niemal identyczna, ale wolniejszy i bez niektórych toolboxów.
Mathematica i Maple to narzędzia do obliczeń symbolicznych – idealne, gdy potrzebujesz sprawdzić wynik analityczny lub znaleźć rozwiązanie jawne układu ODE. Nie nadają się do analizy danych statystycznych na dużą skalę.
Dla metod Bayesowskich: Stan (z interfejsem RStan lub CmdStanR) to najbardziej elastyczne narzędzie do definiowania modeli probabilistycznych i próbkowania MCMC. PyMC 5 w Pythonie to dobra alternatywa z bardziej przystępną składnią. JAGS jest starszy, ale nadal używany. W każdym przypadku musisz sprawdzić diagnostykę łańcuchów Markowa: R-hat (konwergencja – powinno być poniżej 1.01) i ESS (efektywny rozmiar próby – powinien przekraczać 400 dla kluczowych parametrów).
Symulacje Monte Carlo: generuj liczby pseudolosowe algorytmem Mersenne Twister (mt19937 w NumPy, domyślny w R). Dla wyższej precyzji przy mniejszej liczbie iteracji – ciągi quasi-Monte Carlo (Sobol, Halton) z pakietu scipy.stats.qmc. Przy szacowaniu wartości oczekiwanej z n = 10 000 iteracji błąd standardowy to O(1/√n) – co przy n = 10⁶ daje redukcję błędu dziesięciokrotnie w porównaniu do n = 10⁴.
Bootstrap nieparametryczny: losuj ze zwracaniem z próby, n = 2000 replikacji jest standardem. Przy skośnych rozkładach używaj przedziałów BCa (bias-corrected accelerated) zamiast zwykłych percentylowych – w R pakiet boot, funkcja boot.ci.
Przy uczeniu maszynowym z perspektywy matematycznej: walidacja krzyżowa k-krotna (k = 10) daje mniej obciążone szacunki błędu niż podział 80/20. Opisz bias-variance tradeoff: proste modele mają wysoki błąd systematyczny, złożone – wysoką wariancję. Regularyzacja L1 (LASSO) zeruje współczynniki i daje selekcję zmiennych, L2 (Ridge) zmniejsza je do zera stopniowo. Do interpretacji czarnych skrzynek: SHAP (wartości Shapleya) i LIME.
Źródła i literatura fachowa
Praca z matematyki i statystyki wymaga solidnej literatury – ale nie liczby pozycji, tylko trafności.
Gdzie szukasz: MathSciNet (Mathematical Reviews AMS, płatny – dostępny przez uczelnię) i zbMATH (Zentralblatt MATH, od 2021 roku open access) to dwa główne indeksy literatury matematycznej. Każdy artykuł ma recenzję i powiązane cytowania. arXiv.org – preprinty z sekcji math. i stat. często są dostępne zanim artykuł trafi do druku. Sprawdzaj tam, czy twój problem nie był badany niedawno.
Czołowe czasopisma w statystyce: Journal of the American Statistical Association (JASA), Annals of Statistics, Biometrika. W matematyce polskiej: Fundamenta Mathematicae (PTM), Applicationes Mathematicae, Colloquium Mathematicum. Dla matematyki stosowanej i numerycznej: Numerische Mathematik, SIAM Journal on Numerical Analysis, Mathematics of Computation.
Jak cytować: przy pracach anglojęzycznych używasz zazwyczaj stylu BibTeX z pakietem biblatex lub klasycznym bibtex. Styl AMS (American Mathematical Society) jest standardem dla matematyki. Nie cytuj Wikipedii – jeśli znajdziesz tam informację, śledź źródło pierwotne. Podręczniki cytuj z numerem wydania (mogą się różnić między edycjami).
Podręczniki, które są faktycznie używane na polskich uczelniach: Rudin „Real and Complex Analysis” dla analizy, Kato „Perturbation Theory for Linear Operators” dla analizy funkcjonalnej, Quarteroni/Sacco/Saleri „Numerical Mathematics” dla metod numerycznych, Casella/Berger „Statistical Inference” dla statystyki matematycznej, Gelman et al. „Bayesian Data Analysis” dla podejścia bayesowskiego.
Każda pozycja w bibliografii musi być cytowana w tekście. Jeśli zebrałeś 80 pozycji, a w pracy cytujesz 20, usuń pozostałe. Promotor sprawdza tę konsekwencję.
Odróżniaj cytowania od odesłań. „Zob. [5]” to odesłanie do materiału uzupełniającego. „Twierdzenie 4.1 pochodzi z [Folland, 1999, s. 173]” to precyzyjne cytowanie – i tylko ono jest dopuszczalne przy twierdzeniach i definicjach. Nie pisz „jak powszechnie wiadomo” bez cytowania – to ukryta prośba do promotora, żeby nie sprawdzał.
Dla prac polskich możesz korzystać z zasobów Polskiego Towarzystwa Matematycznego (PTM): czasopisma Fundamenta Mathematicae, Studia Mathematica (PAN), Applicationes Mathematicae są indeksowane w MathSciNet. Artykuły polskich autorów często są dostępne przez Bibliotekę Nauki (bn.org.pl). Warto też sprawdzić repozytorium uczelni – wiele polskich promotorów udostępnia tam swoje publikacje.
FAQ
Czy muszę pisać dowody własnymi słowami, czy mogę przepisać z literatury?
Możesz cytować twierdzenia z literatury z odpowiednim odesłaniem: „dowód zob. [Rudin, Theorem 5.3]” albo „dowód podajemy za [nazwisko, rok], dostosowując oznaczenia”. Nigdy nie kopiuj dowodu słowo w słowo bez cudzysłowu i odesłania – to plagiat, nawet jeśli podasz źródło bez wyraźnego oznaczenia, że przepisujesz. Jeśli piszesz własny dowód twierdzenia z literatury, zaznacz to: „poniżej przedstawiamy alternatywny dowód Twierdzenia X”.
Ile symulacji Monte Carlo wystarczy do pracy magisterskiej?
To zależy od tego, co szacujesz i jaka precyzja jest wymagana. Do szacowania wartości oczekiwanej ze standardowym błędem poniżej 1% – n = 10 000 replikacji jest zwykle wystarczające. Przy szacowaniu ogonów rozkładu (np. 99. percentyla) potrzebujesz n = 100 000 albo więcej. Dla bootstrapu – n = 2000 replikacji to standard akademicki. Zawsze podaj n i uzasadnij: oblicz błąd standardowy szacunku i pokaż, że jest akceptowalny.
Czy praca statystyczna musi zawierać analizę mocy testu?
Jeśli projektujesz badanie (a priori), tak – musisz uzasadnić wielkość próby. Bez tego nie wiadomo, czy twój brak istotności statystycznej to efekt braku efektu, czy za małej próby. Jeśli analizujesz dane już zebrane przez kogoś innego, analiza mocy post hoc jest mniej użyteczna (moc obliczona z obserwowanych danych kołowo zależy od p-wartości). W takim przypadku podaj obserwowaną wielkość efektu z przedziałem ufności – to daje więcej informacji niż sama p-wartość.
Jak radzić sobie z implementacją kodu w pracy – wkleić cały kod do appendiksu?
Nie wklejaj całego kodu do treści pracy – zajmuje miejsce i obniża czytelność. Zamiast tego: kluczowe fragmenty (definicja modelu, główna pętla symulacji, wywołanie estymatora) opisz w tekście i zamieść w postaci skróconego listingu. Pełny kod umieść jako załącznik lub w repozytorium (GitHub, GitLab) z odnośnikiem w pracy. Używaj Jupyter Notebook lub R Markdown – jeden plik zawiera kod, wyniki i komentarze, co zapewnia odtwarzalność. Promotor może uruchomić twój notebook i sprawdzić, czy wyniki się zgadzają.
Czym różni się podejście bayesowskie od klasycznego w pracy magisterskiej z statystyki?
W statystyce klasycznej (frequentystycznej) parametr modelu jest stały – szacujesz go na podstawie danych i testujesz hipotezy. W podejściu bayesowskim parametr ma rozkład: zaczynasz od rozkładu a priori P(θ), aktualizujesz go danymi przez wiarogodność P(data|θ) i dostajesz rozkład a posteriori P(θ|data), który jest twoim głównym wynikiem. Reguła Bayesa łączy je: P(θ|data) ∝ P(data|θ) · P(θ). Zamiast jednej wartości parametru masz cały rozkład – i możesz z niego wyciągnąć przedziały wiarygodności (credible intervals), które interpretuje się inaczej niż klasyczne CI. Praca bayesowska wymaga uzasadnienia wyboru prioru i diagnostyki MCMC – to dodatkowa robota, ale daje bogatsze wnioski przy małych próbach lub złożonych modelach hierarchicznych.
