经典统计理论与贝叶斯统计理论的区别
1.信息利用不同
经典统计根据样本信息对总体分布或者总体特征分布进行统计推断，只需要用两种信息：总体分布信息以及样本信息
贝叶斯统计除了利用这两种信息外还需要用到先验分布信息，特别重视先验信息的收集、挖掘、加工，使他数量化，提高统计推断的质量，利用三种信息可以得到：
2.对主观概率的认同不同
经典统计的概率是大量重复实验中获得的
贝叶斯概率是根据自己的生活活动积累，对某件事情发生的可能性给出的信息，贝叶斯允许利用主观概率。
3.对参数θ的认识不同
经典统计把θ看成一个常数，对于某种现象进行统计推断
贝叶斯统计把参数θ看成一个随机变量来进行统计推断，用一个概率分布来描述θ的未知状况，这个概率分布在抽样前就有关于θ的先验信息的概率陈述。
4.对样本的认识不同
经典统计学把样本看做是总体分布的信息，研究的是总体，不局限于数据本身。
贝叶斯是重视样本观测值，通过样本观测值设出先验分布，得到后验分布。
5.对于可信区间和置信区间的认识不同
经典统计把真值看作是常量，置信水平为n次使用这个区间时，大概有多少可以盖住θ，置信区间比较难求，需要引入含被估参数的随机变量，使其不含未知参数。
贝叶斯统计可信区间将真值看成变量，可信水平θ落入可信区间内的概率例如
表示θ落入[x1,x2]的概率为0.9，寻求可信区间比较简单。
6.假设检验认同不同
经典统计假设检验需要建立原假设H0，备择假设H1，选择检验统计量，显著性水平，并确定拒绝域。
贝叶斯统计根据先验分布，得到后验分布之后进行假设检验H0，H1，不需要统计量来假设抽样分布，也不需要显著性水平来假设拒绝域，但是需要考虑损失函数。
7.三种信息的图形不同
经典统计只有一个样本图型
贝叶斯统计的后验分布是利用样本信息对先验信息修正的结果，后验概率密度图形在样本密度图形与先验密度图形之间。
