State Estimation for Robotics_2.1.3_Moments of PDFs

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/54600804
作者：宋洋鹏（youngpan1101）
邮箱： yangpeng_song@163.com

---

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

---

矩 （Moment）

1. 定义 （引自 知乎问答）

   • 在物理上，矩可以看成对作用量强度的度量（比如力矩）、物体对单位作用量响应大小的度量（比如转动惯量）
   • 统计中引入矩是为了描述随机变量分布的形态
   • 统计中矩 $E\left [(X-A)^{k}\right ]$ 的定义是各点对某一固定点 $A$ 离差幂的平均值。如果 $A=0$，则是原点矩，$A=$ 均值，则是中心距（其中 $k$ 是阶数）

2. 一阶原点矩：期望（the first probability moment）

   设连续型随机变量 ${\rm x}$ 的概率密度函数为 $p({\rm x})$，若积分 $\int_{-\infty}^{+\infty} |{\rm x}|p({\rm x})d{\rm x}$ 收敛，则称 $\int_{-\infty}^{+\infty} {\rm x}p({\rm x})d{\rm x}$ 为 ${\rm x}$ 的 数学期望 （也叫做 均值（mean） $\mu$），表示分布重心，记为 $E[{\rm x}]$，即
   

   $$\mu = E[{\rm x}] = \int_{-\infty}^{+\infty} {\rm x} p({\rm x}) d{\rm x} \tag{2.1.3-1}$$
   如果积分 $\int_{-\infty}^{+\infty} |{\rm x}|p({\rm x})d{\rm x}$ 发散，则称 ${\rm x}$ 的数学期望不存在。

3. 二阶中心矩：方差 或 协方差矩阵 （the second probability moment）

   表示分布对重心的离散程度。

   3.1 一维随机变量

   设随机变量 ${\rm x}$ 的数学期望 $E[\rm x]$ 存在，若 $E\left [(\rm x-E[\rm x])^{2}\right ]$ 存在，则称它为 ${\rm x}$ 的 方差（variance），记作 $\sigma ^{2}$，即
   

   $$\sigma ^{2} = E\left [(\rm x-E[\rm x])^{2}\right ] \tag{2.1.3-2}$$
   且称 $\sigma$ 为 ${\rm x}$ 的 均方差 或 标准差。

   3.2 多维随机变量

   设 $\rm x$ $= (x_{1}, x_{2}, \cdots, x_{n})$ 为 $n$ 维随机变量，若
   $c_{ij} = cov(x_{i}, x_{j}) = E\left\{ [ x_{i} - E(x_{i}) ] [ x_{j} - E(x_{j}) ] \right\} , i,j = 1,2, \cdots, n$ 都存在，则称矩阵
   

   $$C = \begin{bmatrix} c_{11} & c_{12} & \cdots & c_{1n} \\ c_{21} & c_{22} & \cdots & c_{2n} \\ \vdots & \vdots & & \vdots \\ c_{n1} & c_{n2} & \cdots & c_{nn} \\ \end{bmatrix}$$
   为 $\rm x$ 的 协方差矩阵（covariance matrix）。
   多维随机变量的协方差矩阵是一对称矩阵。另外，若 $n$ 维随机变量 $\rm x$ $= (x_{1}, x_{2}, \cdots, x_{n})^{T}$ 的数学期望为 $\mu = (u_{1}, u_{2}, \cdots, u_{n})^{T}$，则 $\rm x$ 的协方差矩阵可以表示为
   $$\Sigma = E \left[ ({\rm x} - \mu ) ({\rm x} - \mu )^{T} \right] \tag{2.1.3-3}$$

4. 三阶中心矩

   偏态（skewness）是三阶中心矩，表示分布偏离对称的程度

5. 四阶中心距

   峰态（kurtosis）是四阶中心距，描述分布的尖峰程度