贝叶斯推断-要点整理

在上一篇文章中，我们提到了最大似然估计法 来在已知样本的情况下求分布的参数。这一次整理一下贝叶斯推断。

1 贝叶斯推断的介绍及公式

贝叶斯推断，据说是推论统计的一种方法，使用贝叶斯定理，能在有更多证据及信息时，更新特定假设的概率。当没有足够多的数据，而又想准确地获取预测信息时，它特别有用，目前我还不清楚为什么在这样的场景下它非常有用，先整理一下与其相关的内容，看看自己能否在这个过程中有更深的理解。

贝叶斯定理：
$$\begin{array}{r}P(A|B)=\frac{P(A\cap B)}{P(B)}=\frac{P(AB)}{P(B)}=\frac{P(B|A)\ast P(A)}{P(B)}\end{array}$$

因此，我们可以推导出，参数$\theta$的后验概率为：
$$\begin{array}{r}{\Pi }_{\theta }(t|x)=\frac{f_X(x|t)\ast {\Pi }_{\theta }(t)}{f_X(x)}（<\end{array}$$