先验概率：根据以往经验和分析得到的概率；
后验概率：事情已经发生，这件事情的发生是由某个原因引起的可能性的大小。（种果因概率,即在一个结果已经发生的条件下，可能是其中某一个原因造成的概率有多大。）
1）先验：根据统计历史上的经验、常识当下事件发生的概率；
2）似然：当下事件由果及因发生的概率；
3）后验：当下事件由因及果发生的概率。
先验概率分布，即关于某个变量 p 的概率分布p(θ) ；对于结果 x ，在参数集合 θ 上的似然，就是在给定这些参数值的基础上，观察到的结果的概率 L(θ|x)=p(x|θ) ；后验概率是关于参数 θ 在给定的证据信息 X 下的概率： p(θ|x) 。后验概率定义如下：p(θ|x)=p(x|θ)p(θ)/p(x)。
举例理解（1）：
先验——根据若干年的统计（经验）或者气候（常识），某地方下雨的概率；
似然——下雨（果）的时候有乌云（因/证据/观察的数据）的概率，即已经有了果，对证据发生的可能性描述；
后验——根据天上有乌云（原因或者证据/观察数据），下雨（结果）的概率。
后验 ~ 先验*似然 ： 存在下雨的可能（先验），下雨之前会有乌云（似然）~ 通过现在有乌云推断下雨概率（后验）。
先验概率可理解为统计概率，后验概率可理解为条件概率。
举例理解（2）：设定背景：酒至半酣,忽阴云漠漠,骤雨将至。
情景一：
“天不会下雨的，历史上这里下雨的概率是20%”----先验概率
“但阴云漠漠时，下雨的概率是80%”----后验概率
情景二：
“飞飞别急着走啊，历史上酒桌上死人的概率只有5%“----先验概率
”可他是曹操啊，梦里都杀人“----后验概率
举例理解（3）：用“瓜熟蒂落”这个因果例子，从概率的角度理解，
先验概率，就是常识、经验所透露出的“因”的概率，即瓜熟的概率。
后验概率，就是在知道“果”之后，去推测“因”的概率，也就是说，如果已经知道瓜蒂脱落，那么瓜熟的概率是多少。
后验和先验的关系可以通过贝叶斯公式来求。也就是：P（瓜熟 | 已知蒂落）=P（瓜熟）×P（蒂落 | 瓜熟）/ P（蒂落）
似然函数，根据已知结果去推测固有性质的可能性，是对固有性质的拟合程度，所以不能称为概率。在这里就是说，不要管什么瓜熟的概率，只关心瓜熟与蒂落的关系。如果蒂落了，那么对瓜熟这一属性的拟合程度有多大。似然函数，一般写成L（瓜熟 | 已知蒂落），和后验概率非常像，区别在于似然函数把瓜熟看成一个肯定存在的属性，而后验概率把瓜熟看成一个随机变量。
似然函数和条件概率的关系：似然函数就是条件概率的逆反。意为：L（瓜熟 | 已知蒂落）= C × P（蒂落 | 瓜熟），C是常数。具体来说，现在有1000个瓜熟了，落了800个，那条件概率是0.8。那我也可以说，这1000个瓜都熟的可能性是0.8C。之所以加个常数项，是因为似然函数的具体值没有意义，只有看它的相对大小或者两个似然值的比率才有意义，后面还有例子。
----------------------------------------------------------------------------------------------------
同理，如果理解上面的意义，分布就是一“串”概率。
先验分布：现在常识不但告诉我们瓜熟的概率，也说明了瓜青、瓜烂的概率
后验分布：在知道蒂落之后，瓜青、瓜熟、瓜烂的概率都是多少
似然函数：在知道蒂落的情形下，如果以瓜青为必然属性，它的可能性是多少？如果以瓜熟为必然属性，它的可能性是多少？如果以瓜烂为必然属性，它的可能性是多少？似然函数不是分布，只是对上述三种情形下各自的可能性描述。
那么我们把这三者结合起来，就可以得到：后验分布 正比于 先验分布 × 似然函数。
先验就是设定一种情形，似然就是看这种情形下发生的可能性，两者合起来就是后验的概率。
至于似然估计：就是不管先验和后验那一套，只看似然函数，现在蒂落了，可能有瓜青、瓜熟、瓜烂，这三种情况都有个似然值（L（瓜青）：0.6、L（瓜熟）：0.8、L（瓜烂）：0.7），我们采用最大的那个，即瓜熟，这个时候假定瓜熟为必然属性是最有可能的。
内容源自博客：https://blog.csdn.net/fjssharpsword/article/details/72356277
参考博客：https://www.cnblogs.com/yemanxiaozu/p/7680761.html
