【贝叶斯滤波与卡尔曼滤波】 第三讲 贝叶斯滤波的三大概率及离散随机变量的贝叶斯公式

声明：【贝叶斯滤波与卡尔曼滤波】系列是博主对B站up主：忠厚老实的老王所分享教学内容的学习笔记，并且该系列每篇博客都会将博主听课后总结的纸质版笔记附于文末，供大家参考。

B站up主：忠厚老实的老王是一位研究汽车领域，无人驾驶方向及其相关方向的大佬，也算是博主在无人驾驶方向的启蒙老师。所以研究相关领域的朋友推荐去听一听他的视频讲解。

---

---

1. 课程的符号规定

从第三讲开始，对以下内容进行符号的统一规定：

随机变量： $X，Y，\cdots$
随机变量的取值（代表随机试验的一个可能结果）：$x，y，\cdots$

举例如：抛硬币。
1（$x$）：正面朝上
2（$y$）：反面朝上
则$X=1（x）$：做一次随机试验，结果为正面朝上。

2. 知识点补充

随机变量有连续随机变量和离散随机变量两种。

离散随机变量：$$P(X=x)=P_x$$例如：$$P(X=k)=e^{-\lambda }\ast \frac{{\lambda }^k}{k!}$$
连续随机变量：$$P(X<x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }}\ast e^{-\frac{t^2}{2}}dt$$

---

条件概率的计算：

离散条件概率：$$P(X=x|Y=y)=\frac{P(X=x,Y=y)}{P(Y=y)}$$

连续条件概率：$$P(X<x|Y=y)={\int }_{-\infty }^x\frac{f(x,y)}{f(y)}dx$$

注：下文举例为离散随机变量的贝叶斯公式的例子。

3. 贝叶斯滤波的三大概率

贝叶斯滤波的三大概率：先验概率、后验概率、似然概率。

似然概率：代表观测值或传感器等的准确度。

---

举例如：测量今天的室外温度。

首先：
给出先验概率分布（即上文所讲的主观概率，以后不再说主观概率一词，由先验概率替代）$$P(T=$$