1. 贝叶斯定理（贝叶斯公式和全概率公式）

定义：在信息和条件有限的情况下，基于过去的数据，通过动态调整的方法，帮助我们一步步预测出事件发生的接近真实的概率。
贝叶斯定理基于条件概率的定义，条件概率表示事件 A 在事件 B 已经发生的条件下发生的概率
条件概率公式：
$$P(A|B)=\frac{P(A\cap B)}{P(B)}，P(B|A)=\frac{P(A\cap B)}{P(A)}$$
上述二者结合可以得到贝叶斯公式：
$$P(A|B)=\frac{P(B|A)\cdot P(A)}{P(B)}$$
各个部分的含义
P(A|B)：后验概率
P(A)：先验概率
P(B|A)：似然函数 在 A 发生的条件下，事件 B 发生的概率，通常由模型或数据决定。
P(B)：边际概率，事件 B的总体概率，可以通过所有可能导致 B发生的情况求和得到
$$P(B)=P(B|A)\cdot P(A)+P(B|\neg A)\cdot P(\neg A)$$

由边际概率可以引出全概率公式：用于计算一个复杂事件的概率，方法是把它拆分成多个互斥的简单情况（划分完备事件组），再分别加权求和。

2. 概率题

2.1 随机发生器的概率为1/2

已知一个随机发生器，生成 0 的概率为 p ，生成 1 的概率为 1 - p 。请构造一个新的随机发生器，使其生成 0 和 1 的概率均为 1/2。
答案：让该随机数生成器生成两个数，那么序列是00,01,10,11概率分别为 p* p,p(1-p),(1-p)p,(1-p)(1-p)。这四种情况中存在两个独立的事件概率是相等。也就是01和10，那么我把01看成是0,10看成是1，那么他们输出的概率均为p(1-p)，其他的情况舍弃。这样就得到了0和1均等生成的随机器了。这种解法可以推广到n个数的情况，我们知道，取n个随机数发生器，存在n个概率相同的独立事件，我们只使用这n个事件就得到1/n的概率了。例如n=3, 有8中情况000, 001, 010, 011, 100, 101, 110, 111，其中001,010,100的概率都是p^2*(1-p)。