贝叶斯估计（一）

贝叶斯估计

更详细的可以参考：https://blog.csdn.net/liu1194397014/article/details/52766760
里面有很多简单的例子。

符号说明

符号	含义
D	已有数据
$\theta$	待估计参数
$p(\theta )$	先验概率
$$p(\theta \Vert D)$$	后验概率
$$p(D)$$	数据分布
$$p(D\Vert \theta )$$	似然函数
$$p(x,\theta \Vert D)$$	已知数据条件下的$x,\theta$概率

贝叶斯定理

利用贝叶斯定理结合新的证据及以前的先验概率，得到新的概率提供了一种计算假设概率的方法，基于假设的先验概率，给定假设下观察到不同数据的概率以及观察到的数据本身。

贝叶斯估计将后验概率推导为二个前、先概率（考虑相关证据或数据前，某一事件不确定性的机率）及似然函数（由概率模型推导而得）的结果。贝叶斯推断根据贝叶斯定理计算后验概率：

$$P（H|E）=\frac{P(E|H)\cdot }{P(E)}$$