1. 什么是著名的贝叶斯定理：
就是这么一个不起眼的公式，却能解决通过分治的方法解决很多复杂的概率学问题，所有贝叶斯统计的方法都基于贝叶斯定理.
-
P(A|B) 是后验概率，即在得到新数据前某一假设的概率，其一般也是需要我们求解的概率
-
P(A) 是先验概率，即在看到新数据后，我们要计算的该假设的概率
-
P(B|A) 是似然度，即在该假设下得到这一数据的概率
-
P(B) 是在任何假设下得到这一数据的概率，成为标准化常量，除它的过程也叫做归一化或标准
解释：
一般来说，先验概率是偏主观性的，一般是对于每个假设的概率的平均分配，比如说我们认为这个问题有三个假设，那么每个假设的先验概率就是1/3.
对于先验概率和后验概率，我们可以简单地理解为先验概率是根据经验的先决判断，后验概率是知道结果后再对原因的求解。
对于标准化常量，我们常常需要定义假设集合，假设集一般需要满足如下两个条件：
扫描二维码关注公众号，回复： 12416780 查看本文章
-
互斥的：集合中，至多一个假设为真
-
完备的：集合中，至少一个假设必为真，且集合包含了所有的假设
一般使用suite这个词来表示具备上述属性的假设集
2.在实际问题中利用贝叶斯定理求解后验概率的一般步骤：
-
1 设计假设集及一个包含假设和对应的概率的映射A
2 估计先验概率
3. 计算似然度，并与相应的先验概率相乘
4. 对目前所有的乘积集合进行归一化
5. 得到一个包含每个假设的后验概率分布A
3. 典型例子：曲奇饼问题
题目简介：假设有两碗曲奇饼，碗1包含30个香草曲奇饼和10个巧克力曲奇饼，碗2有上述两个饼干各20个。现在假设你再不看的情况下随机地挑了一个碗拿一块饼，得到了一块香草曲奇饼，求这块饼来自碗1的概率.
python求解：
首先我们定义一个pmf为一个分布来映射每个假设和对应的概率
对于曲奇饼问题，显而易见有两个假设，设假设为B1和B2，在python中可以使用字符串来表示它们：
pmf=pmf()
pmf.set("Bowl1",0.5)
pmf.set("Bowl2",0.5)
这一分布现在包含了对每个假设的先验概率，称之为先验分布.
很明显，我们需要更新基于新数据（也就是拿到了一块香草曲奇饼)后的分布，我们将先验分别乘以对应的似然度。
很明显，从碗1拿到香草曲奇饼的可能性是0.75，碗2的可能性是0.5.
pmf.Mult("Bowl1",0.75)
pmf.Mult("Bowl2",0.5)
Mult函数将给定假设的先验概率乘以已知的似然度。
然后对分布进行归一化（注意，能够进行归一化的前提是所有假设互斥且构成了完全集合–也就是完全包含了所有可能的假设，归一化的作用就是让所有假设发生的概率相加等于1）
pmf.Normalize()
进行归一化后的结果是一个包含每个假设的后验概率分布，也就是后验分布.
现在，你可以从分布中得到假设1的概率:
print pmf.prob("Bowl 1")
#结果是0.6
这个pmf及曲奇饼例子的代码在http://thinkbayes.com/cookie.py 这个网址上开源，感兴趣的可以去下载了看看