在貝氏統計學 中，「最大事後機率估計」是事後機率 分布的眾數 。利用最大事後機率估計可以獲得對實驗數據中無法直接觀察到的量的點估計 。它與最大概似估計 中的經典方法有密切關係，但是它使用了一個增廣的最佳化目標 ，進一步考慮了被估計量的事前機率 分布。所以最大事後機率估計可以看作是規則化
假設我們需要根據觀察數據
x
{\displaystyle x}
θ
{\displaystyle \theta }
f
{\displaystyle f}
x
{\displaystyle x}
採樣分布 ，這樣
f
(
x
|
θ
)
{\displaystyle f(x|\theta )}
θ
{\displaystyle \theta }
x
{\displaystyle x}
θ
↦
f
(
x
|
θ
)
{\displaystyle \theta \mapsto f(x|\theta )\!}
即為概似函數 ，其估計
θ
^
M
L
(
x
)
=
arg
max
θ
f
(
x
|
θ
)
{\displaystyle {\hat {\theta }}_{\mathrm {ML} }(x)=\arg \max _{\theta }f(x|\theta )\!}
就是
θ
{\displaystyle \theta }
假設
θ
{\displaystyle \theta }
g
{\displaystyle g}
θ
{\displaystyle \theta }
貝氏統計 中的隨機變數 ，這樣
θ
{\displaystyle \theta }
θ
↦
f
(
x
|
θ
)
g
(
θ
)
∫
Θ
f
(
x
|
θ
′
)
g
(
θ
′
)
d
θ
′
{\displaystyle \theta \mapsto {\frac {f(x|\theta )\,g(\theta )}{\int _{\Theta }f(x|\theta ')\,g(\theta ')\,d\theta '}}\!}
其中
Θ
{\displaystyle \Theta }
g
{\displaystyle g}
貝氏定理 的直接應用。
最事後估計方法於是估計
θ
{\displaystyle \theta }
眾數 ：
θ
^
M
A
P
(
x
)
=
arg
max
θ
f
(
x
|
θ
)
g
(
θ
)
∫
Θ
f
(
x
|
θ
′
)
g
(
θ
′
)
d
θ
′
=
arg
max
θ
f
(
x
|
θ
)
g
(
θ
)
{\displaystyle {\hat {\theta }}_{\mathrm {MAP} }(x)=\arg \max _{\theta }{\frac {f(x|\theta )\,g(\theta )}{\int _{\Theta }f(x|\theta ')\,g(\theta ')\,d\theta '}}=\arg \max _{\theta }f(x|\theta )\,g(\theta )\!}
事後分布的分母與
θ
{\displaystyle \theta }
g
{\displaystyle g}
常數函數 時最大事後估計與最大概似估計重合。
最大事後估計可以用以下幾種方法計算：
解析方法，當事後分布的模能夠用 解析解 方式表示的時候用這種方法。當使用共軛先驗 的時候就是這種情況。
通過如共扼積分法 或者牛頓法 數值 最佳化 方法進行，這通常需要一階或者導數 ，導數需要通過解析或者數值方法得到。
通過 期望值最大化算法 的修改實現，這種方法不需要事後密度的導數。 儘管最大事後估計與貝氏統計共享事前分布的使用，通常並不認為它是一種貝氏方法，這是因為最大事後估計是點估計，然而貝氏方法的特點是使用這些分布來總結數據、得到推論。貝氏方法試圖算出事後均值 或者中值 以及posterior interval ，而不是事後模。尤其是當事後分布沒有一個簡單的解析形式的時候更是這樣：在這種情況下，事後分布可以使用 Markov chain Monte Carlo 技術來模擬，但是找到它的模的最佳化是很困難或者是不可能的。
M. DeGroot, 最優統計決策 , McGraw-Hill, (1970). 
