矩阵分析与应用-06-随机向量02

最新推荐文章于 2023-11-17 09:15:00 发布

Xiao__fly

最新推荐文章于 2023-11-17 09:15:00 发布

阅读量628

点赞数

文章标签：矩阵机器学习

本文链接：https://blog.csdn.net/Xiao__fly/article/details/125686285

版权

1.均值向量

随机向量的最重要统计运算为数学期望。考查mx1随机向量x( $\xi$ )=[ $x_1(\xi),x_2(\xi),...,x_m(\xi)$ ]T。令随机变量 $x_i(\xi)$ 的均值 $E{x_i(\xi)}=\mu _i$ ;，则随机向量的数学期望称为均值向量，记作 $\mu_x$ :

$\mu_x = E{x(\xi)} = \begin{bmatrix} E{x_1(\xi)}\\ ...\\ E{x_m(\xi)} \end{bmatrix} = \begin{bmatrix} \mu_1\\ ...\\ \mu_m \end{bmatrix}$

其中数学期望为：

$E{x(\xi)} = \int ^\infty_{-\infty}xf(x)dx$

2.相关矩阵与协方差矩阵

均值向量楚随机向量的一阶矩，它描述随机向量的元素围绕其均值的散布情况。与均值向量不同，随机向址的二阶矩为矩阵，它描述随机向量分布的散布情况。

随机向量的自相关矩阵定义为

$R_x = E\left \{x(\xi)x^H(\xi) \right \} = \begin{bmatrix} r_{11} &... &r_{1m} \\ ...&... &... \\ r_{m1}&... &r_{mm} \end{bmatrix}$

其中， $r_{ii}$ 表示随机变量 $x_i(\xi)$ 的自相关函数：

$r_{ii}=E\left \{ |x_i(\xi)|^2 \right\}$

其中， $r_{ij}$ (i≠j)表示随机变量 $x_i(\xi)$ 和 $x_j(\xi)$ 的互相关函数：

$r_{ij}=E\left \{ x_i(\xi)x_j^*(\xi) \right\}$

3.两个随机向量的统计不相关与正交

当采样点 $\xi$ 取一系列值时，随机变量序列{ $x_i(\xi)$ }构成一随机过程或信号。由于随机信号减去白己的均值后，只剩下随机变化部分，所以协方差函数给出的是两个随机信号 $x_i(\xi)$ 和 $x_j(\xi)$ 之间随机变化部分的相乘。一般说来，两个随机信号的随机变化部分中的共性部分的相乘总是取相同的符号，使得共性部分得到加强，而保留下米。与之不同，两个信号的非共性部分则是随机的，它们的乘积有时取正，有时取负，通过数学期望的平均运算后，趋于相互抵消。这意味着，互协方差函数能够把两个信号之间随机变化的共性部分提取出来，并抑制掉非共性部分。因此，互协方差函数描述了两个信号 $x_i(\xi)$ 和 $x_j(\xi)$ 之间的相关(联)程度。即是说，互协方差函数越大，则这两个随机信号的相关程度越强;反之，相关程度越弱。但是，这种使用互协方差的绝对大小度量两个随机向量的相关程度并不方便。

两个随机变 $x(\xi)$ 和 $y(\xi)$ 之间的相关系数定义为