用 Beta 共轭后验回答"我们有多确信每个号码概率均匀"。答案：非常确信，且这个确信度本身无法下注。
频率学派问的是"数据是否与均匀分布相容"；贝叶斯学派问的是另一个问题：给定数据，每个号码的真实概率 pn 的后验分布是什么？
设号码 n 每期出现的概率为 pn，共 3,521 期、出现 cn 次。取共轭先验：
相比直接看频率 cn/n，后验均值把每个号码都往 0.5 的方向轻微"收缩"了一点（因为先验是均匀的），这正是贝叶斯方法的正则化效果：它不会让一个碰巧多出几次的号码显得过分突出。
用 1 作为先验强度意味着"相当于先看到 2 期完全不确定的数据"。相对于 3,521 期，这个先验极弱，所以后验主要由数据决定——但它足以让后验区间比朴素频率区间略宽、略保守。
每个号码的后验均值与 95% 可信区间（正态近似）。灰线为理论值 6/33 = 0.1818。
33 个号码中有 29 个的概率区间包含理论值 6/33。剩下的 4 个是偏得最远的号码。关键问题是：这算异常吗？
答案是否定的——用 95% 区间检验 33 个号码，本来就应该期望有 1.65 个落在区间外。观测到 4 个，比期望还少。这是又一个多重比较陷阱，和方法 08 是同一个问题的不同表现形式。
后验预测分布才是"下一期开什么"的答案。在"参数恒定 + 独立抽样"的假设下，后验预测分布就是 p 的后验均值，与均匀值 6/33 几乎不可区分——差异远小于投注的价值差。
该文用贝叶斯层次模型研究彩民的"有意识选择"（conscious selection）——即彩民并不是等概率地随机选号，而是有偏好模式。这是贝叶斯方法在彩票领域最成功的应用方向：估计玩家行为，而不是预测开奖号码。
贝叶斯推断给出了一个比"不显著"更有信息量的结论：33 个号码的后验区间几乎全部覆盖理论值，后验均值极差只有 3.24 个百分点。这不是"证据不足"，而是"证据足够，且证据指向均匀"。