逆威沙特分布，也叫反威沙特分布作是统计学中出现的一类概率分布函数，定义在实数的正定矩阵上。在贝叶斯统计中，逆威沙特分布会用作多变量正态分布协方差矩阵的共轭先验分布。
如果一个正定矩阵
B
{\displaystyle {\mathbf {B} }}
的逆矩阵
B
−
1
{\displaystyle \mathbf {B} ^{-1}}
遵从威沙特分布
W
{\displaystyle W}
的话，那么就说矩阵
B
{\displaystyle {\mathbf {B} }}
遵从逆威沙特分布：
在贝叶斯统计中，如果后验分布与先验分布属于同类，则先验分布与后验分布被称为共轭分布，而先验分布被称为似然函数的共轭先验。比如，高斯分布家族在高斯似然函数下与其自身共轭 。这个概念，以及“共轭先验”这个说法，由霍华德·拉法拉和罗伯特·施莱弗尔在他们关于贝叶斯决策理论的工作中提出。 类似的概念也曾由乔治·阿尔弗雷德·巴纳德独立提出。
在概率论、统计学及机器学习中，概率图模型是用图论方法以表现数个独立随机变数之关联的一种建模法。一个
p
{\displaystyle p}
个节点的图中，节点
i
{\displaystyle i}
对应一个随机变数，记为
X
i
{\displaystyle X_{i}}
。概率图模型被广泛地应用于贝叶斯统计与机器学习中。
在概率论、统计学及机器学习中，概率图模型是用图论方法以表现数个独立随机变数之关联的一种建模法。一个
p
{\displaystyle p}
个节点的图中，节点
i
{\displaystyle i}
对应一个随机变数，记为
X
i
{\displaystyle X_{i}}
。概率图模型被广泛地应用于贝叶斯统计与机器学习中。
在贝叶斯统计中，一个随机事件或者一个不确定事件的后验概率是在考虑和给出相关证据或数据后所得到的条件概率。同样，后验概率分布是一个未知量基于试验和调查后得到的概率分布。“后验”在本文中代表考虑了被测试事件的相关证据。
PyMC3是一个Python包，用于贝叶斯统计建模和概率机器学习，它聚焦于高级马尔可夫链蒙特卡洛法和变分拟合算法。它是从以前版本的PyMC软件从头开始写成的。
贝叶斯搜索理论利用贝叶斯统计理论搜索失踪物，曾被多次用于搜救失踪的船只。
贝叶斯搜索理论利用贝叶斯统计理论搜索失踪物，曾被多次用于搜救失踪的船只。
在贝叶斯统计中，一个随机事件或者一个不确定事件的后验概率是在考虑和给出相关证据或数据后所得到的条件概率。同样，后验概率分布是一个未知量基于试验和调查后得到的概率分布。“后验”在本文中代表考虑了被测试事件的相关证据。
在贝叶斯统计中，一个随机事件或者一个不确定事件的后验概率是在考虑和给出相关证据或数据后所得到的条件概率。同样，后验概率分布是一个未知量基于试验和调查后得到的概率分布。“后验”在本文中代表考虑了被测试事件的相关证据。
Mini wiki
