本文参考的是《概率机器人》中内容
令X表示一个随机变量,x表示X的某一特定值。
表示随机变量X具有x值的概率,可以缩写为P(x)
假定所有的连续随机变量都拥有概率密度函数(Probability Density Function,PDF)。普通密度函数都具有均值μ和方差б2的一维正态分布。正态分布的概率密度函数为:
但当x为多维矢量时,矢量的正态分布被称为多元正态分布,多元正态分布的密度函数形式如下:
上式中,μ为均值矢量,Σ为一个半正定对称矩阵,称为协方差矩阵。
两个随机变量X和Y的联合分布为:
上式描述了随机变量X取值为x并且Y取值y的概率。X与Y互相独立,则P(x,y)=P(x)P(y)。
假定已知Y的值是y,则基于以上事实条件X为x的概率,这样的概率为:
上式称为条件概率。If P(y)>0,then
if X和Y互相独立,then:
则全概率定理为:
贝叶斯准则(该准则将条件概率p(x|y)与‘逆’概率p(y|x)联系):
如果x是希望由y推测出的数值,则p(x)称为先验概率分布。Y称为数据,也就是传感器测量。P(x)总结了在综合数据y之前已经有的关于x的信息。P(x|y)称为在x上的后验概率分布。在机器人学中,p(y|x)经常被称为生成模型。在一定的抽象层面上,它表示状态量X如何引起了检测数据Y。
只要p(y|z)>0,关于Z=z的贝叶斯准则则有:
类似地,可得到其他以z为条件的互相独立的随机变量条件。
联合概率定律为:
概率算法要求计算概率分布的特性或统计。随机变量X的期望值为:
存在以下特性:
X的协方差为:
协方差衡量的是偏离均值的二次方期望。
一个概率分布的熵为:
可导出: