似然函数和极大似然估计
谢邀先验概率可以看做在某种类别前提下，某事发生的概率。后验概率，表示某事发生了，并且它属于某一类别的概率，有了这个后验概率，我们就可以对样本进行分类。后验概率越大，说明某事物属于这个类别的可能性越大，我们越有理由把它归到这个类别下。而概率和似然估计有一些不同应该注意。概率描述了已知参数时的随机变量的输出结果；似然则用来描述已知随机变量输出结果时，未知参数的可能取值。
■网友
谢邀
好问题，这个角度不错，以前没想过
条件概率是后验概率说明是确定概率的因子是建模考察期后才能确定，而分子中的先验概率说明考察期初必须将这一项估计出来（注意“必须”二字）
因此整个公式可以看成“后验概率的时点估计依赖于时点先验概率”，如果是在风险管理场景中，这意味着指标的名单要多次修正，条件概率值要多次迭代
如果是量化投资场景中，这意味着需要多次估计不同信息条件下的残差收益率
总的来说，由先验到后验的过程是个不断修正的过程，直到迭代结束时，后验结果的相合性反映了最后一次迭代先验信息的有效性。而迭代也可看作估计先验结果的信息“后验”的过程。
“细节是魔鬼”，在回答题主问题时我也无意行发现了一条学界语境和业界语境沟通的渠道，并且这条渠道的核心不是话语体系的切换。
■网友
理解贝叶斯理论， 首先我们对事物有个初步认识（先验概率）， 随着经验的积累（样本）， 认识不断的深化（后验概率）。 这就是我们人类认识世界的方式。
【似然函数和极大似然估计】 理解似然函数， 前提是我们对事物的发生概率有一个大体的估计， 也就是概率分布形态已知（正太、区间平均等等）， 但是具体的尺度未知（参数未知）。 我们把所有样本下概率密度的估计乘起来， 作为获取后验概率分布尺度的激励， 我们叫它似然函数。
假定这些参数取值理想值时， 概率误差最小(概率导数为0），估计概率分布和实际概率分布贴合最大，似然函数一定取得极大值，这就是我们心中的“极大似然”， 此时似然函数相对与各参数的偏导都为0（似然函数没有向上爬的楼梯了，登顶成功）。
通过偏导为0， 直接计算出所有理想参数。
这个顺序， 贝叶斯思想 -\u0026gt; 参数估计 -\u0026gt; 极大似然法
推荐阅读
- C语言指数函数代码
- 单例模式static函数必须在头文件中实现么
- 老易聊车|宝马人的终极大选择，买4系还是买3系？要纯粹还是要舒适？
- 函数|你要来试试吗？高中数学丨越做越起劲的100道高中数学函数类压轴题
- 咋用c语言或java打点出函数图
- 教育|揭开了在线教育烧钱的终极大战~淘课之家亏损9亿的跟谁学
- javascript函数的调用模式有哪几种
- Python中的函数、方法，例如list的append()方法和del函数
- 函数|原来……学霸是这样将数学提升到130+（附必修1-5学习重点及高中各阶段学习重点）
- 请教一个数值积分问题，怎样用matlab的quadgk函数来计算