State Estimation for Robotics_2.1.2_Bayes' Rule and Inference

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

$\quad$ 【《State Estimation for Robotics》英文版链接】【黄山老师的讲解视频】

将 ${\rm x}$ 和 ${\rm y}$ 的联合概率密度分解为：

$$p({\rm x},{\rm y}) =p({\rm x}|{\rm y})p({\rm y})=p({\rm y}|{\rm x})p({\rm x}) \tag{2.1.2-1}$$
式中， $p({\rm x}|{\rm y})$ —— 给定 ${\rm y}$ 下 ${\rm x}$ 的条件概率密度函数；
$\qquad$ $p({\rm x})$ —— ${\rm x}$ 的边缘概率密度函数；
$\qquad$ $p({\rm y})$ —— ${\rm y}$ 的边缘概率密度函数；
注意： 若 ${\rm x}$ 和 ${\rm y}$ 相互独立（statistically independent）， $p({\rm x}, {\rm y}) = p({\rm x})p({\rm y})$ 。
贝叶斯公式：
$$\begin{aligned} p({\rm x}|{\rm y}) &= \frac{ p({\rm x},{\rm y}) }{ p({\rm y}) } \\ &= \frac{ p({\rm y}|{\rm x})p({\rm x}) }{ p({\rm y}) } \\ &= \frac{ p({\rm y}|{\rm x})p({\rm x}) }{ p({\rm y}) \cdot 1 } \\ &= \frac{ p({\rm y}|{\rm x})p({\rm x}) }{ p({\rm y}) \int_{}^{} p({\rm x}|{\rm y})d{\rm x} } \\ &= \frac{ p({\rm y}|{\rm x})p({\rm x}) }{ \int_{}^{} p({\rm x}|{\rm y})p({\rm y})d{\rm x} } \\ &= \frac{ p({\rm y}|{\rm x})p({\rm x}) }{ \int_{}^{} p({\rm x},{\rm y}) d{\rm x} } \\ &= \frac{ p({\rm y}|{\rm x})p({\rm x}) }{ \int_{}^{} p({\rm y}|{\rm x})p({\rm x}) d{\rm x} } \\ \end{aligned} \tag{2.1.2-2}$$
式中， $p({\rm x}|{\rm y})$ —— 后验密度（posterior density）
$\qquad$ $p({\rm y}|{\rm x})$ —— sensor model
$\qquad$ $p({\rm x})$ —— 先验密度（prior density）
$\qquad$ $p({\rm y})$ —— 证据因子（evidence）