概率论本身源于人类对于赌博孜孜不倦的追求 -_-! 这个世界是不确定的，生命无处不是概率，也是赌博，我们看到的太少，未知的太多…

贝叶斯公式

人类对于事物的认知总是由浅入深由简入繁，当我们能够清楚观察出一个模型，或者用大量实验模拟出这个模型时，它所有的可能结果都被我们预知，于是传统概率论给出了显而易见的结论，让我们知道了抛硬币的50/50，了解了骰子的六面。然而现实世界是不确定的，我们根本不可能知道庄家手里有多少灌了铅的骰子，也不可能为每个骰子设立模型。

当贝叶斯给出自己的公式时，不知道他是否意识到自己将改变整个世界对于概率统计方法的认知。

在已知A条件下B的概率（即B的后验概率），等于当B发生时A的概率（即B的似然度）乘以B自身的先验概率再除以所有可能的A（即A的先验概率）。

贝叶斯解决的是逆向概率问题，因为很多时候我们想要知道的是后验概率，我们需要知道的不是P(A∣B)而是P(B∣A)，亦或者P(model∣data)。贝叶斯理论对于生物大数据研究有很重要的意义，我们往往并不知道内在的生物学模型究竟是什么样，但通过贝叶斯，我们可以在已有数据的基础上，进一步推导理论模型，预测新数值。

潜在难点

首先是计算问题，贝叶斯计算涉及到的参数往往都是未知的，这需要大量的数值计算以模拟（如马尔可夫蒙特卡洛方法），这在计算机出现之前几乎是无法完成的；其次是先验概率分布，贝叶斯方法要求明确先验概率的分布情况，而很多时候这个可能也是未知的。

原文链接https://wenlongshen.github.io/2016/12/11/Bayesian-Statistics/