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
【《State Estimation for Robotics》英文版链接】【黄山老师的讲解视频】
矩 (Moment)
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[(X−A)k]
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)
一阶原点矩:期望(the first probability moment)
设连续型随机变量
x 的概率密度函数为 p(x) ,若积分 ∫+∞−∞|x|p(x)dx 收敛,则称 ∫+∞−∞xp(x)dx 为 x 的 数学期望 (也叫做 均值(mean) μ ),表示分布重心,记为 E[x] ,即
μ=E[x]=∫+∞−∞xp(x)dx(2.1.3-1)
如果积分 ∫+∞−∞|x|p(x)dx 发散,则称 x 的数学期望不存在。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 x 的数学期望 E[x] 存在,若 E[(x−E[x])2] 存在,则称它为 x 的 方差(variance),记作 σ2 ,即
σ2=E[(x−E[x])2](2.1.3-2)
且称 σ 为 x 的 均方差 或 标准差。3.2 多维随机变量
设 x =(x1,x2,⋯,xn) 为 n 维随机变量,若
cij=cov(xi,xj)=E{[xi−E(xi)][xj−E(xj)]},i,j=1,2,⋯,n 都存在,则称矩阵
C=⎡⎣⎢⎢⎢⎢c11c21⋮cn1c12c22⋮cn2⋯⋯⋯c1nc2n⋮cnn⎤⎦⎥⎥⎥⎥
为 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x =(x1,x2,⋯,xn)T 的数学期望为 μ=(u1,u2,⋯,un)T ,则 x 的协方差矩阵可以表示为
Σ=E[(x−μ)(x−μ)T](2.1.3-3)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
四阶中心距
峰态(kurtosis)是四阶中心距,描述分布的尖峰程度