这是因为兔子的意思无非就是给出一些例子来试图得出一些客观规律，因为是从个体到一般，演绎推理的作用有限，所以这些客观规律一般是些统计意义上的，比如说炒股票，这样的量 (记为 d，某种分布参数) 可以是赚钱的概率 p = d，赚多少钱的期望值 m = d，赚钱的风险或者方差 a = d，或者这些统计量的组合，例如 (m，a) = d。现在我们的任务是从一些“范例”，和这些范例所遵循的分布，来确定分布参数 d 的值。当然你可以人为地规定用什么方法去计算 d 的值，但是从兔子一系列帖子去看，他无疑使用的是最大似然估计，来论证、解释这些范例存在/出现的“可能性”最大化。记得哪位折学大拿说过，存在就是合理的，可能也能从这里找到一些依据。
如果将兔子的“范例哲学”和最大似然估计一一对应得这么死，那我这里可能已经惹得兔子不高兴了，因为一一对应得这么丝丝入扣的话，“范例哲学”就谈不上有多大的“思想”，因为它的核心就是计算。但是我们可以将问题拓展一下，并不假设上面所讲的分布参数 d 本身为常量，而在更一般意义下假设它本身也服从某种概率分布，d = g(d)，亦即假设“范例哲学”和所谓的最大后验估计挂钩，那么这时就可以将范例哲学和历史上著名的贝叶斯分析结合起来。概率论中的贝叶斯公式很简单： P (B|A) = P (AB)/P(A) = P(A|B)P(B) / P(A)
这样“范例哲学”的内涵就丰富多了。熟悉哲学历史的都应该知道有个著名的哲学流派，称为贝叶斯学派，这个学派和传统的概率学派或者说频率学派是针锋相对的。这种针锋相对不是数值、计算上的差别，而是涉及到对世界观和认识论上的差别。这种差别来自哪里？简单地说就是来自 g (d)，也就是说，你的分布参数 d 所服从的分布 (例如高斯正态分布) 到底是如何得来的。经典的频率派认为，g (d) = const 既定的，就算我们不知道它到底是什么，但是它却是客观存在的，不以咱们的意志为转移的；而贝叶斯学派则认为 g(d) 是后验的，和个人的、主观的取舍以及数据有关。
