本系列文章由 youngpan1101 出品,转载请注明出处。
文章链接: http://blog.csdn.net/youngpan1101/article/details/54378949
作者:宋洋鹏(youngpan1101)
邮箱: yangpeng_song@163.com
贝叶斯公式推导过程
【《State Estimation for Robotics》英文版链接】【黄山老师的讲解视频】
将
x
和
y
的联合概率密度分解为:
p(x,y)=p(x|y)p(y)=p(y|x)p(x)(2.1.2-1)
式中, p(x|y) —— 给定 y 下 x 的条件概率密度函数;
p(x) —— x 的边缘概率密度函数;
p(y) —— y 的边缘概率密度函数;
注意: 若 x 和 y 相互独立(statistically independent), p(x,y)=p(x)p(y) 。
贝叶斯公式:
p(x|y)=p(x,y)p(y)=p(y|x)p(x)p(y)=p(y|x)p(x)p(y)⋅1=p(y|x)p(x)p(y)∫p(x|y)dx=p(y|x)p(x)∫p(x|y)p(y)dx=p(y|x)p(x)∫p(x,y)dx=p(y|x)p(x)∫p(y|x)p(x)dx(2.1.2-2)
式中, p(x|y) —— 后验密度(posterior density)
p(y|x) —— sensor model
p(x) —— 先验密度(prior density)
p(y) —— 证据因子(evidence)