理解一下这些基础知识
先验概率（prior probability）
是指根据以往经验和分析得到的概率，如全概率公式，它往往作为 "由因求果" 问题中的 "因" 出现的概率。
在贝叶斯统计中，先验概率分布，即关于某个变量 X 的概率分布，是在获得某些信息或者依据前，对 X 之不确定性所进行的猜测。这是对不确定性（而不是随机性）赋予一个量化的数值的表征，这个量化数值可以是一个参数，或者是一个潜在的变量。
先验概率仅仅依赖于主观上的经验估计，也就是事先根据已有的知识的推断。例如， X 可以是投一枚硬币，正面朝上的概率，显然在我们未获得任何其他信息的条件下，我们会认为 P(X)=0.5；再比如上面例子中的，P(G)=0.4。
后验概率(Posterior probability)
后验概率是指在得到 “结果” 的信息后重新修正的概率，是 “执果寻因” 问题中的 "果"。
事情还没有发生，要求这件事情发生的可能性的大小，是先验概率。事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小，是后验概率。
后验概率是关于随机事件或者不确定性断言的条件概率，是在相关证据或者背景给定并纳入考虑之后的条件概率。后验概率分布就是未知量作为随机变量的概率分布，并且是在基于实验或者调查所获得的信息上的条件分布。“后验” 在这里意思是，考虑相关事件已经被检视并且能够得到一些信息。
后验概率是关于参数 θ 在给定的证据信息 X 下的概率，即 P(θ|X) 。若对比后验概率和似然函数，似然函数是在给定参数下的证据信息 X 的概率分布，即 P(X|θ) 。
我们用 P(θ) 表示概率分布函数，用 P(X|θ) 表示观测值 X 的似然函数。后验概率定义为 P(θ|X)=P(X|θ)P(θ) / P(X)，注意这也是贝叶斯定理所揭示的内容。
举个例子：
比如，你刚去北京的时候，查了下北京历年来的天气情况，北京下雨的概率是多少，你就经验性的给了一个。这就是先验。
等你今天要出门的时候，你发现下雨了，于是你开始想，下雨前，有没有打雷尼？你开始猜测有多大的可能性打雷了，既然已经有了下雨的结果，对一些征兆发生的可能性做预测，这就是似然概率。
等下了班回去，你发现居然又打雷了，你开始想会不会下雨啊，于是根据观察数据，预测结果的概率，也就是后验。