未知参数θ的后验分布π（θ|）是集三种信息（总体，样本和先验）于一身，它包含了θ所有可供利用的信息，所以有关θ的（点）,区间估计和假设检验等统计推断都按一定方式从后验分布提取信息，其提取方法与经典统计推断相比要简单明确得多。

 后验分布π（θ|）是在样本给定下θ的条件分布，基于后验分布的统计推断就意味着只考虑已出现的数据（样本观察值），而认为未出现的数据于推断无关，这一重要的观点被称为“条件观点”，基于这种观点提出的统计推断方法被称为条件方法，他与大家熟悉的频率方法之间还是有很大的差别，譬如在对估计的无偏性的认识上，经典统计学认为参数θ的无偏估计θˆ（）应满足如下等式：

其中平均是对样本空间中所有可能出现的样本而求的，可实际中样本空间中绝大多数样本尚未出现过，甚至重复数百次也不会出现的样本也要在评价估计量θˆ的好坏中占一席之地，何况在实际中不少估计量只使用一次或几次，而多数从未出现的样本也要参与平均是使实际工作者难于理解的，这种看问题的观点就是条件的观点，故在贝叶斯推断中不用无偏性，而条件方法是容易被实际工作者理解和接受的，下面的例子作进一步的说明。

（Berger（1985））假设要对某物质进行分析，可以送纽约的实验室，也可以送加利福尼亚的实验室，这两个实验室大体上一样好，故用抛硬币的方法来决定，出现“正面”送纽约，出现“反面”送加利福尼亚，抛的结果为反面，故送加利福尼亚。过一段时间，试验结果送回来之后，就要下结论和写报告，那么，结论要不要考虑硬币还要出现正面的情况呢？常识会坚决地认为：不必考虑，即只与实际进行了的试验有关，而频率派的观点认为是需要考虑的，即要对所有可能的数据，包括纽约实验室可能会得到的各种结果来求平均，这一观点常使实际工作者难以接受。