Verständlich erklärt am Beispiel unten: Stell dir einen Athleten vor, der bei einem neuen Sprungkrafttest eine bestimmte Zielmarke schaffen soll. Bevor auch nur eine Messung vorliegt, hast du eine grobe Vermutung, wie oft das wohl gelingt – das ist der Prior. Die Regler α und β formen diese Vermutung: Stehen beide auf demselben, eher niedrigen Wert (wie hier voreingestellt, α=2, β=2), heißt das schlicht „ich habe noch keine feste Meinung – alles zwischen 0% und 100% erscheint mir ungefähr gleich plausibel". Höhere, gleich große Werte würden dagegen eine festere Vorab-Überzeugung ausdrücken.

Jetzt kommen die echten Daten dazu: „Beobachtete Erfolge k" und „Versuche n" bedeuten, wie oft der Test in der Praxis tatsächlich gelang – voreingestellt 8 von 10 Versuchen. Das Modell verbindet beides automatisch: die vage Vorab-Vermutung (graue Kurve) und die neuen 8-von-10-Daten ergeben zusammen die Posterior-Kurve (blau) – die aktualisierte, deutlich präzisere Einschätzung der tatsächlichen Erfolgsquote. Je mehr Versuche vorliegen, desto schmaler und sicherer wird diese blaue Kurve.