贝叶斯滤波
1. 概率
先验概率：事情还没发生,求这件事情发生时的可能性大小。
后验概率：事情已经发生,求这件事情的某个引发因素的可能性大小。
先验概率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。
后验概率是指在得到“结果”的信息后重新修正的概率，如贝叶斯公式中的，是“执果寻因”问题中的“因”。
先验概率与后验概率密不可分，后验概率计算以先验概率为基础。
联合概率：
表示两个事件共同发生的概率，事件A和事件B的共同概率记为：
P
(
A
B
)
P(AB)
P(AB)、
P
(
A
,
B
)
P(A,B)
P(A,B) 、
P
(
A
∩
B
)
P (A ∩ B )
P(A∩B), 记为事件A和事件B同时发生的概率
条件概率：
事件A在另外一个事件B已经发生的条件下的发生概率叫做条件概率，表示为
P
(
A
∣
B
)
P (A∣B)
P(A∣B) =
P
(
A
∩
B
)
P
(
B
)
\frac {P(A∩B)}{P(B)}
P(B)P(A∩B), 读作：“在B条件下A发生的概率”
2. 举例
先验概率：P(rain)表示今天下雨的初始概率，我也不知道是谁干的，反正就是可能会下雨。
下雨的原因：龙王（dragon）吐口水；观音娘娘mothergod）洒甘露水。
龙王吐口水的可能性：P(rain|dragon)。
观音娘娘洒甘露水的可能性：P(rain|mothergod)。
3. 贝叶斯公式
后验概率是在考虑新信息之后事件发生的修正或更新概率，使用贝叶斯定理更新先验概率来计算。 用统计术语来说，后验概率是假设事件B已经发生的情况下事件A发生的概率。
（贝叶斯定理公式）给定B发生的情况下，计算A发生后验概率的公式：
P
(
A
∣
B
)
P(A|B)
P(A∣B)=
P
(
A
∩
B
)
P
(
B
)
\frac{P(A\cap B)}{P(B)}
P(B)P(A∩B)=
P
(
A
)
×
P
(
B
∣
A
)
P
(
B
)
\frac{P(A)\times P(B|A)}{P(B)}
P(B)P(A)×P(B∣A)
1674
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
