- 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。