贝叶斯啊贝叶斯，你这脑袋咋长的

       20190417更新：

       今天看了一篇好文，对于“贝爷”（贝叶斯）的讲解可谓深入浅出，醍醐灌顶，还把最小二乘问题的理论依据用贝叶斯解释的清清楚楚，所以，来这里鄙视一下以前的自己，太没水平了。。。。。。继续学习。。。。附：好文连接

       以前不懂贝叶斯，怎么看都困，考试过了就再也想不起来了，如今工作才发现这些数学知识如此有用，而且那么神秘又充满智慧，但是理解了之后，发现原来这么简单，之后不由的感叹，简单中的智慧太他么神奇了！

       学习SLAM遇到了卡尔曼滤波，学习卡尔曼滤波遇到了贝叶斯，于是随便找了一篇博客啃起来，发现这个例子之前很久就看过，现在再看，真有意思：

 再看贝叶斯公式：

                                    

变换一下：

                                  

来来来，理解一下来：         

        我们从公园中抓了一个人，是个男的，还穿着凉鞋的，这个概率是多少？？？好，给你一个智能机器人去抓，具体过程如下：

         设：    p(w1):抓到一个男人的概率；

                    p(x):抓到一个穿凉鞋的概率；

 

          那么：我们开始抓人了：

                     情况一：抓到一个“人”，我们一看：

                           机器人 ： 我擦，男的！

                               你    ：概率多少？

                          机器人  ：p(w1);

                            你        ： OK！再看看穿凉鞋了吗？

                            机器人 ：嗯嗯，穿啦！

                           你          ：好，这个男的穿拖鞋的概率是多少？

                           机器人  ：奥！已知是的男的哈，P(x|w1)啊。

                             你       ：行了，把者两个概率给我乘一块儿！

                          机器人   ：嗷！俩概率不相关哈！p(w1)P(x|w1)哦了，完事！

                        

                      情况二：抓到一个“人”，我们一看：

                            机器人： 我擦，穿凉鞋啦！

                           你         ：概率多少？

                            机器人 ：p(x);

                            你        ： OK！再看看是男的还是女的？

                            机器人  ：嗯嗯，男哒！

                             你       ：好，这个穿凉鞋的人是男人的概率多少？

                            机器人 ：噢，已知是个穿凉鞋的，P(w1|x)啊。

                              你      ：行了，把者两个概率给我乘一块儿！

                              机器人：嗷！俩概率不相关哈！p(x)P(w1|x)哦了，完事！

         那么问题来了：

                         两种情况下，抓的都是同一类人（男的穿凉鞋），那么概率是相等的，也就是说：

                                           p(w1|x)p(x) = p(x|w1)p(w1)

                          没有问题吧，你要非说有问题，那么，我问问你，难道你先观察“性别”还是先观察“穿着”会影响你抓到这个人的概率吗？注意哈，已经抓住了，采样过程已经结束了，跟你先观察“性别”还是“穿着”没关系啦！OK!

            总结一下：

                生活中很多性质都是同时存在于同一个个体或者事件当中的，很多个体同时具备很多不相关的性质的时候，我们很难一下子弄清他们之间的关系，就例如上面的例子，而我们研究这种问题的时候，习惯性的一个性质一个性质的进行研究，必如研究（统计）性别比例时，不考虑其他因素，统计穿着时，不考虑性别，这样就很容易的获得了各个性质的独立分布情况，注意，由于我们是独立统计的，所以获取的统计结果也是独立的，然而，当我们需要对几种性质同时存在的“事实”进行研究时，研究的问题发生了变化，问题不再是“男-女”“穿拖鞋-没穿拖鞋”两个问题的独立思考过程了，变成了“男-拖鞋”“男-没穿拖鞋”“女-穿拖鞋”“女-没穿拖鞋”这样一个问题了，两个统计问题变成了一个，实际上我们可以通过统计来对问题进行分析，比如统计以下情况的概率问题：

                                           男穿拖鞋---P1

                                           男没穿拖鞋-----P2

                                           女穿拖鞋----P3

                                           女没穿拖鞋-----P4

.......................................................................................................................................................................................................