贝叶斯-



鉴于论文中目标跟踪与贝叶斯有着千丝万缕的关系，不得不来捋一捋到底如何使用它

 

贝叶斯公式是英国学者托马斯 贝叶斯( T homas Bayes, 1702-1761)最早发现的,首次发表在
1763年,当时贝叶斯已经去世,其结果没有受到应有的重视. 1774年,法国数学家拉普拉斯( P. s.Laplace, 1749- 1827)再一次总结了这一结果.此后,人们逐渐认识到这个著名概率公式的重要性.现在,它已在疾病诊断、安全监控、质量控制、安全部门的招募、药剂检测等方面发挥着重要的作用.

 

定义：给出了事件B随着两两互斥的事件A1,A2,A3,A4….An中某一个出现而出现的概率。如果反过来知道事件B已出现，但不知道它由于A1,A2,A3,A4….An中那一个事件出现而与之同时出现，这样，便产生了在事件B已经出现出现的条件下，求事件A1,A2,A3,A4….An出现的条件概率的问题，解决这类问题有如下公式：

贝叶斯公式若事件B1, B2, , Bn 是样本空间 的一个划分, P(Bi) >0 ( i =1,2, , n) , A 是任
一事件且P(A ) >0 , 则有
其中, P(A ) 可由全概公式得到.即

 

则Aj就是引起“现象” B最大可能的“原因”。 生活中经常会遇到这样的情况，事件A 已发生,我们需要判断引起A 发生的“原因”这就需要用到贝叶斯公式来判断引起A 发生的“原因”的概率。贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策

 

然后提及几个名词变量

先验概率

Priorprobability

 

对不确定性赋予一个量化的数值的表征，先验概率仅仅是依赖于主观上的猜测，即事先根据已有知识的推断，比如硬币正面和反面的概率为1/2

 

似然函数

likelihoodfunction

（源自：维基百科）

在数理统计学中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。

 

似然函数在统计推断中有重大作用，如在最大似然估计和费雪信息之中的应用等等。“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计学中，“似然性”和“或然性”或“概率”又有明确的区分。

 

概率用于在已知一些参数的情况下，预测接下来的观测所得到的结果，而

 

似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计。

 

在这种意义上，似然函数可以理解为条件概率的逆反。

 

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)。也就是说，似然是关于参数的函数，在参数给定的条件下，对于观察到的 x的值的条件分布。

 

后验概率

Posteriorprobability

 

 

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： 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： p(x|θ)。

 

二者有如下关系：

 

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。后验概率定义如下：

p(θ|x)=p(x|θ)p(θ)p(x)

 

 

总结以上名词

贝叶斯即求取后验概率，而后验概率是似然函数*先验概率的标准化（归一化）

或者说由结果来推断原因