昨天看到这样一道题，一机器在良好状态生产合格产品几率是 90%，在故障状态生产合格产品几率是 30%，机器良好的概率是 75%。若一日第一件产品是合格品，那么此日机器良好的概率是多少
贝叶斯公式
类条件概率比较难，信息是随机的，样本数据不多，这样我们就要将其转换为估计参数，其中最大似然估计就是一种较好的估计方法
类条件概率
贝叶斯公式是后验概率，表示事情已经发生的结果下，我们去判断他属于哪类
后验概率
先验概率比较简单，根据样本数据分类即可得出
先验概率
最大似然估计
”似然”称之为”最大可能性估计”，利用已知的样本结果，反推最有可能导致这样结果的参数值
- 把估计完全未知的概率密度转化为估计参数
- 极大似然估计就是一种参数估计方法
- 概率密度函数的选取很重要，模型正确，在样本区域无穷时，我们会得到较准确的估计值，如果模型都错了，那估计半天的参数，肯定也没啥意义了
