贝叶斯推断 | 貝氏推論
贝叶斯推断（英語：Bayesian inference）是推論統計的一种方法。
这种方法使用贝叶斯定理，在有更多證據及信息時，更新特定假设的概率。
贝叶斯推断是统计学（特別是数理 ...貝氏推論維基百科，自由的百科全書跳至導覽跳至搜尋此條目需要精通或熟悉相關主題的編者參與及協助編輯。
(2017年2月2日)請邀請適合的人士改善本條目。
更多的細節與詳情請參見討論頁。
統計學系列條目貝氏統計理論允許決策規則（英語：Admissibledecisionrule）貝氏效率（英語：Bayesianefficiency）貝氏機率機率解釋（英語：Probabilityinterpretations）貝氏定理貝氏因子（英語：Bayesfactor）貝氏推論貝氏推論事前機率事後機率概似函數共軛先驗後驗預測分布（英語：Posteriorpredictivedistribution）超參數（英語：Hyperparameter）超先驗（英語：Hyperprior）無差別原理（英語：Principleofindifference）最大熵原理（英語：Principleofmaximumentropy）經驗貝氏方法（英語：EmpiricalBayesmethod）克倫威爾法則（英語：Cromwell'srule）伯恩斯坦–馮·米塞斯定理（英語：Bernstein–vonMisestheorem）施瓦次準則（英語：Schwarzcriterion）信賴區間最大事後機率估計激進機率主義（英語：Radicalprobabilism）方法貝氏線性迴歸（英語：Bayesianlinearregression）貝氏估計（英語：Bayesianestimator）貝氏計算（英語：ApproximateBayesiancomputation）馬可夫鏈蒙地卡羅機率與統計主題閱論編貝氏推論（英語：Bayesianinference）是推論統計的一種方法。
這種方法使用貝氏定理，在有更多證據及訊息時，更新特定假設的機率。
貝氏推論是統計學（特別是數理統計學）中很重要的技巧之一。
貝斯更新（Bayesianupdating）在序列分析中格外的重要。
貝氏推論應用在許多的領域中，包括科學、工程學、哲學、醫學、體育運動、法律等。
在決策論的哲學中，貝氏推論和主觀機率有密切關係，常常稱為貝氏機率。
貝氏定理是由統計學家托馬斯·貝斯（ThomasBayes）根據許多特例推導而成，後來被許多研究者推廣為一普遍的定理[1]目錄1貝葉斯定理的簡介1.1正式的介紹貝氏推論1.2非正式的介紹貝氏推論2貝氏推論的描述2.1定義2.2貝氏推論3應用3.1電腦應用4歷史5參考資料6相關條目貝葉斯定理的簡介[編輯]貝氏定理的圖示說明。
在表中，2,3,6及9的值是在對應條件及情形下的比重。
分數中的機率是指陰影部份的機率。
可以看出P(A|B)P(B)=P(B|A)P(A)i.e.P(A|B)=P(B|A)P(A)/P(B)。
類似的方式可以證明P(Ā|B)=P(B|Ā)P(Ā)/P(B)主條目：貝氏定理參見：貝氏機率正式的介紹貝氏推論[編輯]貝氏推論將事後機率（考慮相關證據或數據後，某一事件的條件機率）作為事前機率（考慮相關證據或數據前，某一事件不確定性的機率）和概似函數（由觀測數據的統計模型（機率模型）推導而得）這兩個前因導出的結果。
貝氏推論根據貝氏定理計算事後機率：P(H∣E)=P(E∣H)⋅P(H)P(E){\displaystyleP(H\midE)={\frac{P(E\midH)\cdotP(H)}{P(E)}}}其中∣{\displaystyle\textstyle\mid}表示將某事件成立作為條件（因此(A∣B){\displaystyle\textstyle(A\midB)}表示「假定B事件成立下，A事件發生」）H{\displaystyle\textstyleH}表示假說，其機率可能會受實驗數據（以下會稱為證據）影響。
一般來說會有許多互相矛盾的假說，任務是要確認哪一個假說可能性最高。
E{\displaystyle\textstyleE}表示證據。
證據對應新的數據，也就是還沒用來計算事前機率的數據。
P(H){\displaystyle\textstyleP(H)}，事前機率，是觀察到數據E{\displaystyle\textstyleE}（目前證據）之前，假說H{\displaystyle\tex
这种方法使用贝叶斯定理，在有更多證據及信息時，更新特定假设的概率。
贝叶斯推断是统计学（特別是数理 ...貝氏推論維基百科，自由的百科全書跳至導覽跳至搜尋此條目需要精通或熟悉相關主題的編者參與及協助編輯。
(2017年2月2日)請邀請適合的人士改善本條目。
更多的細節與詳情請參見討論頁。
統計學系列條目貝氏統計理論允許決策規則（英語：Admissibledecisionrule）貝氏效率（英語：Bayesianefficiency）貝氏機率機率解釋（英語：Probabilityinterpretations）貝氏定理貝氏因子（英語：Bayesfactor）貝氏推論貝氏推論事前機率事後機率概似函數共軛先驗後驗預測分布（英語：Posteriorpredictivedistribution）超參數（英語：Hyperparameter）超先驗（英語：Hyperprior）無差別原理（英語：Principleofindifference）最大熵原理（英語：Principleofmaximumentropy）經驗貝氏方法（英語：EmpiricalBayesmethod）克倫威爾法則（英語：Cromwell'srule）伯恩斯坦–馮·米塞斯定理（英語：Bernstein–vonMisestheorem）施瓦次準則（英語：Schwarzcriterion）信賴區間最大事後機率估計激進機率主義（英語：Radicalprobabilism）方法貝氏線性迴歸（英語：Bayesianlinearregression）貝氏估計（英語：Bayesianestimator）貝氏計算（英語：ApproximateBayesiancomputation）馬可夫鏈蒙地卡羅機率與統計主題閱論編貝氏推論（英語：Bayesianinference）是推論統計的一種方法。
這種方法使用貝氏定理，在有更多證據及訊息時，更新特定假設的機率。
貝氏推論是統計學（特別是數理統計學）中很重要的技巧之一。
貝斯更新（Bayesianupdating）在序列分析中格外的重要。
貝氏推論應用在許多的領域中，包括科學、工程學、哲學、醫學、體育運動、法律等。
在決策論的哲學中，貝氏推論和主觀機率有密切關係，常常稱為貝氏機率。
貝氏定理是由統計學家托馬斯·貝斯（ThomasBayes）根據許多特例推導而成，後來被許多研究者推廣為一普遍的定理[1]目錄1貝葉斯定理的簡介1.1正式的介紹貝氏推論1.2非正式的介紹貝氏推論2貝氏推論的描述2.1定義2.2貝氏推論3應用3.1電腦應用4歷史5參考資料6相關條目貝葉斯定理的簡介[編輯]貝氏定理的圖示說明。
在表中，2,3,6及9的值是在對應條件及情形下的比重。
分數中的機率是指陰影部份的機率。
可以看出P(A|B)P(B)=P(B|A)P(A)i.e.P(A|B)=P(B|A)P(A)/P(B)。
類似的方式可以證明P(Ā|B)=P(B|Ā)P(Ā)/P(B)主條目：貝氏定理參見：貝氏機率正式的介紹貝氏推論[編輯]貝氏推論將事後機率（考慮相關證據或數據後，某一事件的條件機率）作為事前機率（考慮相關證據或數據前，某一事件不確定性的機率）和概似函數（由觀測數據的統計模型（機率模型）推導而得）這兩個前因導出的結果。
貝氏推論根據貝氏定理計算事後機率：P(H∣E)=P(E∣H)⋅P(H)P(E){\displaystyleP(H\midE)={\frac{P(E\midH)\cdotP(H)}{P(E)}}}其中∣{\displaystyle\textstyle\mid}表示將某事件成立作為條件（因此(A∣B){\displaystyle\textstyle(A\midB)}表示「假定B事件成立下，A事件發生」）H{\displaystyle\textstyleH}表示假說，其機率可能會受實驗數據（以下會稱為證據）影響。
一般來說會有許多互相矛盾的假說，任務是要確認哪一個假說可能性最高。
E{\displaystyle\textstyleE}表示證據。
證據對應新的數據，也就是還沒用來計算事前機率的數據。
P(H){\displaystyle\textstyleP(H)}，事前機率，是觀察到數據E{\displaystyle\textstyleE}（目前證據）之前，假說H{\displaystyle\tex