2.1概率密度函数

2.1.1定义

设p(x)为随机变量x在区间[a,b]的概率密度函数，p(x)是一个非负函数，且满足

注意概率与概率密度函数的区别。

概率是在概率密度函数下对应区域的面积，如上图右所示，其公式如下

我们用概率密度函数来表示在区间[a,b]中所有可能的状态x的可能性。

条件概率密度函数，设p(x|y)是在条件y属于[r,s]下x（x属于[a,b]）的概率密度函数，有

N维连续随机变量的联合概率密度函数记为p(X),其中X=(x1,...,xn),xi属于[ai,bi],有时我们也用符号

来替代p(X).

有时，甚至会混合搭配作为X和Y的联合概率密度函数。在N维例子中，有

2.1.2贝叶斯规则和推导

首先，把一个联合概率密度函数进行因式分解，有

重新整理后得到贝叶斯原理：

我们可以通过这个公式来推导在给定测量条件下状态的后验概率-p(x|y)。如果我们有一个对状态的先验概率密度函数p(x)，以及对传感器模型的先验概率密度函数p(y|x)。通过扩大分母，有如下，

分母的由来通过边缘化，如下

，这在一般的非线性情况下去这么解释非常耗时的。

注意，在贝叶斯推论中，p(x)称为先验概率密度函数，而p(x|y)称为后验概率密度函数。这样，所有的先验信息都集中于p(x)而所有的后验信息都集中于p(x|y)。

2.1.3概率密度函数的矩

第0阶概率矩总是为1，第一阶概率矩称为均值μ，有如下

对于一般的矩阵函数F(X),其期望写成

但是我们把上面写成

第二阶概率矩称为协方差矩阵Σ：

那么下两个矩称为skewness and kurtosis（偏态和峰态）。

！！！！！！！！！向量的概率相关信息以及随机变量的概率相关信息的区别

2.14 样本均值和协方差

假设我们有随机变量x，以及它的概率密度函数p(x)，我们可以从这个概率密度函数中得到样本，可以表示为

一个样本有时也称为随机变量的一个实现，我们直观地把它想成一次测量。

如果我们想要得到N个那样的样本，且想要估计随机变量x的均值和协方差，我们可以运用样本均值和样本协方差来这么做：

很明显，在样本协方差中的分母运用N-1而非N来作为归一化，这称为贝塞尔的校正。

2.1.5统计独立,以及不相关

两个随机变量x和y，我们说他们统计独立的话，则他们的联合概率密度因式分解为如下：

如果有以下等式成立

，则称变量不相关。

独立一定不相关，反之，则不然。我们将通常假设变量是统计独立的来简化计算。

2.1.6香农和互信息

通常我们对一些随机变量估计其概率密度函数，然后想要去量化我们是有多么的确定，例如，概率密度函数的均值。

一种方法就是查看负熵或者香农信息，H，它由如下给出

我们将在下面用高斯概率密度函数具体来表达。

另一个有用的量是互信息，I(X,Y),它在随机变量x和y之间，形式给出如下

互信息(Mutual Information)是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不肯定性。

当x和y都统计独立，则有

当x和y是依赖的，我们有我们还有有用的关系，如下

2.17Cramer-Rao下界和费舍尔信息

假设有一个确定性的参数 θ，它影响随机变量x的结果。这可以通过把x的概率密度函数写成依赖于 θ来获得，如下

进一步假设我们得到一个从p(x| θ)的样本，

那么， the Cramér-Rao lower bound (CRLB)说的是确定性参数θ的然和无偏估计的协方差由费舍尔信息矩阵定下界，

无偏估计意味着，下界意味着

因此CRLB就设置了一个基本的下限在给出我们测量之后，对一个参数的估计有多确定。

2.2高斯概率密度函数

一维高斯概率密度函数，由如下形式给出

μ是均值，是协方差，σ表示标准差，下图表示了一维高斯密度函数，

多维高斯密度函数，，其中随机变量x是n维的，表达如下，

是一个对称正定的协方差矩阵

2.2.2 Isserlis定理

多维高斯密度函数的矩去计算均值以及协方差以外的量会比较麻烦，但是有一些具体的例子稍后我们会利用，这值得讨论。我们可以运用Isserlis定理来计算更高阶的高斯随机变量

定理如下

设有四个变量，表示如下

我们可以把这个理论应用到计算矩阵表示的有用结果。

假设有，，要去计算表达式

p为非负整数，当p=0时，有，当p=1时，有

在标量中，，因此由上面得出，，对于p大于1，也用同样的方法。

我们也考虑如下例子，

x1的维数为N1，x2的维数为N2，计算如下表达式

同理，p是非负整数，当p=0时，有，当p=1时，有

类似的，有

最后来核查一下，有

进一步，我们有

A是一个与上面兼容的方阵。

2.2.3联合高斯概率密度函数，他们的因式分解，以及推断

对一对变量（x，y）的联合高斯，可写为

它也有同样的概率表示形式，这里的

我们可以用舒尔补码来求解联合高斯

很重要的是p(x|y)和p(y)是高斯密度函数，如果正好我们知道y的值（比如经过测量得到的），我们就可以计算出x在y条件下的可能性通过p(x|y)来计算。

这是高斯推断的一个基础：我们以关于我们的先验状态开始，然后通过一些测量来缩小先验状态x的范围，在  (2.46b)中,我们看到了对均值和协方差的一个调整，使之变得更小了。

P1-概率论基础（Primer on Probability Theory）