《机器人学中的状态估计》第一讲(第二章)课后习题作业
1.1 证明高斯分布满足全概率公理即:证明:2.1
目录
2.1 假设u,v是两个相同维度的列向量,请证明下面这个等式
2.4 对于高斯分布的随机变量,,请证明期望满足下面这个等式:
2.5 对于高斯分布的随机变量,,请证明协方差满足下面这个等式:
2.6 对于K个相互独立的随机变量,请证明它们的归一化积仍然是高斯分布
1.1 证明高斯分布满足全概率公理
即:
分析:观察被积函数的形式,首先对被积函数化简:
系数不影响积分,可以放到积分括号外;沿x轴的平移,也不会影响该定积分的结果(与x轴围成的面积),因此得到:
, 易知:I > 0。
显然分部积分和一些常规的换元方法都不适用,那么注定要走不寻常路,发现系数中存在“”,想必会用到三角函数,指数存在平方项,考虑极坐标代换。所以有了这些大致方向。
证明:
构造二重积分
令:
其中:
得到:
因为: I > 0
回到原问题:
【参考】
盛骤《概率论与数理统计》高等教育出版社(第四版)P45
2.1 假设u,v是两个相同维度的列向量,请证明下面这个等式
这个不知道怎么证明好,反正列举一下确实是这样
2.4 对于高斯分布的随机变量,,请证明期望满足下面这个等式:
即求:
证明:
- 对于一维的情况: 利用一类换元法很容易求得
先求标准正态分布:
令:
于是:
因:
得:
【参考】盛骤《概率论与数理统计》高等教育出版社(第四版)P102
所以先打野发育:
多元高斯分布(The Multivariate normal distribution)
把他拆开了,揉碎了应该是这样(前提是x各变量相互独立,不相互独立形式就比较麻烦了):
2.5 对于高斯分布的随机变量,,请证明协方差满足下面这个等式:
与2.4同理
- 对于一维的情况: 利用2.4的结论
- 对于多维的情况:
2.6 对于K个相互独立的随机变量,请证明它们的归一化积仍然是高斯分布
没读懂题 啥也不是啥也不会,附一个大佬的答案:
其中伍德伯里矩阵恒等式(Woodbury matrix identity) 为:
更多推荐
所有评论(0)