http://blog.csdn.net/baimafujinji/article/details/51374202
贝叶斯定理：一个例子
其实我们在之前介绍朴素贝叶斯分类器时就介绍过它，如果你有点忘了，这里就通过一个例子来帮你回忆一下。
假设有一所学校，学生中60%是男生和40%是女生。女生穿裤子与裙子的数量相同；所有男生穿裤子。现在有一个观察者，随机从远处看到一名学生，因为很远，观察者只能看到该学生穿的是裤子，但不能从长相发型等其他方面推断被观察者的性别。那么该学生是女生的概率是多少？
用事件 ) ，我们需要知道：
-
注意，这是在没有任何其他信息下的概率。这也就是先验概率。后面我们还会详细讨论。
-
0.6 。
-
T 事件的概率。
-
) 是在男生中穿裤子的概率，这个值是1。
-
0.8。
根据贝叶斯公式
基于以上所有信息，如果观察到一个穿裤子的学生，并且是女生的概率是
先验概率（Prior probability）
在贝叶斯统计中，先验概率分布，即关于某个变量 X 之不确定性所进行的猜测。这是对不确定性（而不是随机性）赋予一个量化的数值的表征，这个量化数值可以是一个参数，或者是一个潜在的变量。
先验概率仅仅依赖于主观上的经验估计，也就是事先根据已有的知识的推断。例如， 0.4。
在应用贝叶斯理论时，通常将先验概率乘以似然函数（Likelihood Function）再归一化后，得到后验概率分布，后验概率分布即在已知给定的数据后，对不确定性的条件分布。
似然函数（Likelihood function）
似然函数（也称作似然），是一个关于统计模型参数的函数。也就是这个函数中自变量是统计模型的参数。对于观测结果 x 的值的条件分布。
似然函数在统计推断中发挥重要的作用，因为它是关于统计参数的函数，所以可以用来对一组统计参数进行评估，也就是说在一组统计方案的参数中，可以用似然函数做筛选。
你会发现，“似然”也是一种“概率”。但不同点就在于，观察值 关于观察值的函数。例如，已知一个硬币是均匀的（在抛落中，正反面的概率相等），那连续10次正面朝上的概率是多少？这是个概率。
而似然是用于在给定一个观察值时，关于描述参数的函数。例如，如果一个硬币在10次抛落中正面均朝上，那硬币是均匀的（在抛落中，正反面的概率相等）概率是多少？这里用了概率这个词，但是实质上是“可能性”，也就是似然了。
后验概率（Posterior probability）
后验概率是关于随机事件或者不确定性断言的条件概率，是在相关证据或者背景给定并纳入考虑之后的条件概率。后验概率分布就是未知量作为随机变量的概率分布，并且是在基于实验或者调查所获得的信息上的条件分布。“后验”在这里意思是，考虑相关事件已经被检视并且能够得到一些信息。
后验概率是关于参数 ) 。二者有如下关系：
-
我们用 )，注意这也是贝叶斯定理所揭示的内容。
-
鉴于分母是一个常数，上式可以表达成如下比例关系（而且这也是我们更多采用的形式）：y
https://zh.wikipedia.org/wiki/%E4%BC%BC%E7%84%B6%E5%87%BD%E6%95%B0
https://zh.wikipedia.org/wiki/%E6%9C%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1