面对信息时代，如果我们不'；不要去关注它，这样我们就可以通过及时补充知识来与时俱进。今天给大家带来一篇关于theta币及其分币的文章，相信会给大家带来很大的帮助！
1。如果给你一枚硬币，你将有概率扔出一个头，和(1-)概率扔出一个尾。如果这个硬币在未来被扔五次，它将是正面三次，反面两次。这个最有可能是多少？如果你必须给出一个确定的值，并且你完全基于当前的观测结果来估计，那么=3/5。
2。如果未来扔5次硬币，都是正面。。然后根据1中的逻辑，你会把估计为1。换句话说，你估计不管你怎么扔这个硬币，它都会朝上！
3。但是，你觉得这可能是巧合：世界上没有这么牛逼的硬币，硬币可能还是会甩出尾巴。。即使多次观察头部，抛尾的概率仍然不可能为零。
4。这时，贝叶斯公式诞生了。当我们估计时，我们心中有一个估计，即先验概率。这个估计在概率上，它是一个概率分布。一般来说，我们不再认为是一个固定值。
5。在上面的贝叶斯公式中，p()是一个概率分布。。这个概率分布可以是任何概率分布，比如高斯分布，比如我们要说的贝塔分布。下图是Beta(5，2)的概率分布。如果我们把这个概率分布作为p()那么在我们抛硬币之前，我们认为很可能接近0.8，但不太可能是一个很小的值，也不太可能是一个很大的值。也就是说，在我们抛硬币之前，我们估计硬币更有可能以0.8的概率被抛向正面。
6。虽然p()可以是任何一种概率分布，但是如果使用Beta分布，后续的计算会更加方便。让'；让我们继续寻找，看看为什么。而且通过调整Beta分布中的a和b，可以把这个概率分布做成你想要的各种形状！贝塔分布足以表达你事先对的估计。
7。现在我们已经估计出p()是一个贝塔分布，那么p(X|)是什么呢？它'；实际上是二项分布。继续以1掷硬币5次，掷人头3次为例。X=掷硬币五次，掷三个头的事件。8。贝叶斯公式下的p(X)是归一化器，或者叫边际概率。在离散的情况下。，p(X)是不同时p(X|)的和。举个例子，如果我们事先估计一枚硬币被抛向前方的概率只有0.5或者0.8。，则p(x)=p(x|=0.5)p(x|=0.8)，计算时将=0.5和=0.8分别代入7中的公式。如果我们使用贝塔分布，的概率分布在[0，1]之间是连续的，所以要用积分。
9。p(theta)是一个贝塔分布，所以在观察了X=在五个硬币里投出三个人头的事件后，P(theta|X)还是贝塔分布！只有这个概率分布的形状因为观察到的事件而改变了。
经过以上对theta币的分享介绍相信你对theta币的子币有个大概的了解，想了解更多关于theta币的知识。请关注，我们将继续为您分享它们！
上一篇
