R语言绘制似然函数、Beta先验、Beta后验时提示x与y长度不一致报错的修正

• 横坐标逻辑完全错位：似然、先验、后验三个曲线的核心自变量都是取值在(0,1)区间的感染概率θp，而非从0到10000的感染人数success序列。用success作为横坐标从根上就不符合三个分布的定义。
• 函数传参完全错配：dbeta()的输入要求是0到1区间的数值，之前把0到10000的success序列传入该函数计算先验、后验，得到的是完全无效的取值；同时似然函数的定义偏差极大——二项分布的似然是固定观测感染人数Y=7000的前提下，以θp为自变量计算的相对概率值，不是固定p=0.5得到的二项分布密度曲线。
• 触发长度不匹配报错的直接原因：绘图语句调用了不存在的变量data，叠加之前函数传参的逻辑错误，直接触发R的坐标长度校验报错。

代码严格匹配共轭分布的数学定义，统一使用θp作为横坐标，保证三条曲线的自变量维度一致：

# 固定试验参数
n <- 10000  # 临床试验总受试者数
Y <- 7000   # 实际观测到的接种后感染人数
alpha <- 1  # 先验Beta(alpha,beta)的形状参数
beta <- 1

# 统一设置横坐标：在0到1区间取1000个等距点，保证曲线平滑
theta_p <- seq(0, 1, length.out = 1000)

# 1. 计算固定观测值Y对应的似然函数
# 似然仅保留相对比例，常数组合数项不影响曲线形状可省略
likelihood <- dbinom(Y, size = n, prob = theta_p)

# 2. 计算先验Beta(alpha, beta)分布的密度值
prior <- dbeta(theta_p, shape1 = alpha, shape2 = beta)

# 3. 计算共轭推导得到的后验Beta分布密度值
posterior <- dbeta(theta_p, shape1 = Y + alpha, shape2 = n - Y + beta)

# 注：大样本下似然值的数量级远小于Beta分布密度值，此处对似然做归一化缩放，方便同图对比
likelihood_scaled <- likelihood / max(likelihood) * max(posterior)

# 同图绘制三条曲线
plot(theta_p, likelihood_scaled, 
     type = "l", col = "blue", lwd = 2,
     xlab = "感染概率 θp", ylab = "归一化密度值",
     main = "疫苗临床试验的先验、似然、后验分布对比")
lines(theta_p, prior, type = "l", col = "red", lwd = 2)
lines(theta_p, posterior, type = "l", col = "green", lwd = 2)

# 添加图例区分三条曲线
legend("topright", 
       legend = c("归一化似然", "Beta(1,1)先验", "Beta(7001,3001)后验"),
       col = c("blue", "red", "green"),
       lty = 1, lwd = 2)

• 如果不做似然的归一化缩放，直接绘制原始likelihood，会因为大样本下二项似然的峰值仅为1e-3量级，远低于两个Beta分布的密度峰值，导致似然曲线几乎贴在x轴上无法观察形态。
• 后验分布的形状会随着观测感染人数Y的变动自动调整，Y越大，后验分布的峰值越往θp大的方向偏移，符合贝叶斯共轭更新的直观逻辑。

内容的提问来源于stack exchange，提问作者BonnieKlein