SLAM的数学基础(4):先验概率 | 您所在的位置:网站首页 › 先验概率后验概率公式 › SLAM的数学基础(4):先验概率 |
转自:https://www.cnblogs.com/cyberniklee/p/8072440.html 假设有事件A和事件B,可以同时发生但不是完全同时发生,如以下韦恩图所示: 其中,A∩B表示A和B的并集,即A和B同时发生的概率。
如此,我们很容易得出,在事件B发生的情况下,事件A发生的概率为: 这个P(A|B)就是条件概率(Conditional Probability)。
同理,在事件A发生的情况下,事件B发生的概率为: 由以上式子可得: 再调整一下,变成: 这个就是著名的贝叶斯公式的基本形态了,其中: P(A|B)叫做后验概率(Posterior Probability) P(A)叫做先验概率(Prior Probability) P(B|A)/P(B)叫做似然度(Likelihood)
那么我们可以看出,贝叶斯定理可以比较简单的归纳为: 后验概率=先验概率*似然度 在日常使用中,如贝叶斯分类、贝叶斯回归、贝叶斯滤波等算法,普遍使用迭代和归一化的方法来计算似然度,为了更好的了解归一化的方法,这里还有一个基础概念,叫全概率公式。
接着之前的说法,很明显有
OK,先举几个经典的例子来帮助理解: 一座别墅在过去的 20 年里一共发生过 2 次被盗,别墅的主人有一条狗,狗平均每周晚上叫 3 次,假设在盗贼入侵时狗叫的概率被估计为 0.9,问题是:在狗叫的时候发生入侵的概率是多少? 我们假设: 事件A:狗在晚上叫 事件B:盗贼入侵 以天为单位统计,有: 可以看到,最终的结果基本是不可能。 这只是一个最简单的例子,其中,别墅在过去的20年中被盗2次、狗平均每周晚上叫3次这些都是先验统计,而在现实应用中往往是根据上一步的事件去推断下一步的事件,这个迭代的过程往往是很多算法实现的基础。
下面,我们举一个更复杂一些的例子: 假设有两个各装了100个球的箱子,A箱子中有70个红球,30个蓝球,B箱子中有30个红球,70个蓝球。假设随机选择其中一个箱子,从中拿出一个球记下球色再放回原箱子,如此重复12次,记录得到8次红球,4次蓝球。问题来了,你认为被选择的箱子是A箱子的概率有多大? 我们假设得到小球的结果顺序如下:红红红红红红红红蓝蓝蓝蓝,用C++实现: |
CopyRight 2018-2019 实验室设备网 版权所有 |