【卡尔曼滤波器】1_数学基础_均值、方差、协方差、协方差矩阵
最近重新学习了卡尔曼滤波器,为防止忘记了而每次又需要的时候都要找资料学习,又恰逢这次遇到了讲的特别好的老师,所以特别花时间把这一部分整理出来,并希望在整理完知识后再编程实现个相关的案例,以加深对知识的学习与巩固。
公式比较难打,偷个懒直接截图 O(∩_∩)O
1,数学期望 (均值)
1.1 期望的定义:
1.2 期望的性质:
C为常数,X和Y是两个随机变量,
1,E(C )=C
2,E(CX)=C·E(X)
3,E(X+Y)=E(X)+E(Y)
4,若X和Y相互独立,E(XY)=E(X)·E(Y)
2,方差
2.1 方差的定义:
2.2 方差的性质:
3,协方差与相关系数
3.1 协方差的定义:
当X,Y相互独立时,Cov(X,Y)=0
两个随机变量X、Y的协方差Cov(X,Y)可以理解为:这两个随机变量X与Y(是否具有相同)的变化趋势。
变化趋势相同时,协方差为正,协方差越大说明同向程度越高;变化趋势不同时,协方差为负,协方差越小说明反向程度越高。
为了直观的理解,可以参考知乎问答:https://www.zhihu.com/question/20852004/answer/134902061
3.2 协方差的性质:
1,Cov(X,X)=D(X);
2,Cov(X,Y)=Cov(Y,X);
3,Cov(aX,bY)=abCov(X,Y),(其中a,b是常数);
4,Cov(C,X)=0,(C为任一常数);
5,Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y);
6,当X,Y相互独立时,Cov(X,Y)=0。
3.3 相关系数:
定义见3.1
4,协方差矩阵
reference:
概率论与数理统计