• 1.2 贝叶斯公式及推断
• 1.4 样本均值和样本方差
• 1.5 统计独立性与不相关性
• 1.8 克拉美罗下界和费歇尔信息量
• 2.3 联合高斯概率密度函数，分解与推断
• 2.4 统计独立性，不相关性
• 2.5 高斯分布随机变量的线性变换
• 2.6 高斯概率密度函数的归一化积
• 2.8 高斯分布随机变量的非线性变换
• 2.9 高斯分布的香农信息
• 2.10 联合高斯概率密度函数的互信息
• 2.11 高斯概率密度函数的克拉美罗下界

1.2 贝叶斯公式及推断

x是待估计的机器人所处的状态，y是传感器的测量

• 先验概率是通过对以往经验分析对状态进?估计得到的概率；
• 后验概率指的在当前状态下，得到了?定的观测，或者造成了?定的效应，得到这个观测或者效应信息之后，对状态修正后的概率。

1.4 样本均值和样本方差

更具体地说，这是因为N个样本的样本?差?由度是N?1，其中?个?由度因为均值?消去，所以归?化系数是1/(N?1)

1.5 统计独立性与不相关性

1.8 克拉美罗下界和费歇尔信息量

2.3 联合高斯概率密度函数，分解与推断

2.4 统计独立性，不相关性

我们也可以从另?个?度来思考这件事。?先假设变量是不相关的，那么Σ
xy=0，于是它们是统计独?的。既然这些条件都是?样的，在?斯概率密度函数的情况下，就可以相互替代着使?统计独立和不相关的术语。

2.5 高斯分布随机变量的线性变换

2.6 高斯概率密度函数的归一化积

2.8 高斯分布随机变量的非线性变换

2.9 高斯分布的香农信息

2.10 联合高斯概率密度函数的互信息

2.11 高斯概率密度函数的克拉美罗下界