分母是通过从连接概率中整合参数来获得的。这是数据的边际概率，当然，它不依赖于参数，因为这些参数已被整合。$\Pr(\textrm{data})$$\Pr(\textrm{data}, \textrm{parameters})$

现在，因为：

• $\Pr(\textrm{data})$不依赖于人们想要推断的参数；
• $\Pr(\textrm{data})$通常很难以封闭形式计算；

人们经常使用贝叶公式的以下改编：

$\Pr(\textrm{parameters} \mid \textrm{data}) \propto \Pr(\textrm{data} \mid \textrm{parameters}) \Pr(\textrm{parameters})$

基本上，只不过是一个“归一化常数”，即使后验密度积分为 1的常数。$\Pr(\textrm{data})$

在应用贝叶斯规则时，我们通常希望推断“参数”并且“数据”已经给出。因此，是一个常数，我们可以假设它只是一个归一化因子。$\Pr(\textrm{data})$