贝叶斯统计概论这是我参与11月更文挑战的第10天，活动详情查看：2021最后一次更文挑战频率派与贝叶斯派的统计思想有什

这是我参与11月更文挑战的第10天，活动详情查看：2021最后一次更文挑战

频率派与贝叶斯派的统计思想有什么区别？

频率派：样本所属的分布参数θ未知但固定 - 通过样本进行预估
贝叶斯派：参数是一个随机变量，不是一个固定的值
先验分布 - 样本产生前 - 基于经验/其他方法对θ预先设定一个分布 Π（θ）后验分布 - 之后结合所产生的样本 - 对分布参数进行调整、修正，Π(θ|x1, x2, ...)
贝叶斯统计思想中 - 基于已经产生的样本调整分布 - 条件概率

用简洁的话语解释条件概率

事件A在事件B已经发生的条件下发生的概率 - P(A|B) - "在B的条件下A的概率" - P(A|B) = P(AB)/P(B)
P(AB) - A、B同时发生的概率
贝叶斯统计思想 - 理解条件概率 - B表示产生的样本、A表示参数、P(A)是A的先验概率值、P(A|B) 是在样本B产生后A的后验概率值

解释贝叶斯公式和全概率公式

贝叶斯统计的主要思想 - 基于贝叶斯公式
贝叶斯公式 - 用来描述两个条件概率之间的关系 - p(A|B) = P(AB)/P(B) => P(AB) = P(A|B)P(B) = P(B|A)P(A)

事件A服从离散分布 - 事件A所有可能结果A1，A2,..., - P(A1|B)+P(A2|B)+...=1 [两边同时乘以P(B)] - P(A1)P(B|A1)+P(A2)P(B|A2)+...=P(B)[P(A1)是基于A的先验分布得到的概率值 - 全概率公式 -连续分布的全概率分布同理推导

P(Ai|B) = P(Ai B)/P(B) = P(Ai)P(B|Ai)/ ΣP(Aj)P(B|Aj) - 贝叶斯公式的离散形式【连续形式同理推导】
通过贝叶斯公式，将后验分布的概率值计算转换成先验分布的概率值计算和条件概率的问题

什么是三门问题？用贝叶斯公式进行解释