矩阵分析与应用-06-随机向量03

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436

点赞数

文章标签：矩阵人工智能

本文链接：https://blog.csdn.net/Xiao__fly/article/details/125700916

版权

正态随机向量

若随机向量 $x(\xi)=[x_1(\xi),x_2(\xi),...,x_m(\xi)]^T$ 的各分量为联合正态分布的随机变量，则称()为正态随机向量。实随机向量和复随机向量的概率密度函数表示稍有不同。
一个均值向量为 $\mu_x$ 。和协方差矩阵为 $\Gamma _x$ 。的实正态随机向量记作 $x\sim N(\mu_x ,\Gamma_x)$ ，其概率密度函数为

$f(x)=\frac{1}{(2\pi)^{m/2}|\Gamma_x|^{1/2}}exp\left\[ -\frac{1}{2}(x-\mu_x)^T\Gamma_x^{-1}(x-\mu_x) \right\]$

其中， $|\Gamma_x|$ 表示矩阵 $\Gamma _x$ 的行列式，指数项 $(x-\mu_x)^T\Gamma_x^{-1}(x-\mu_x)$ 是 $x_i$ 的正定二次型函数。

这个正定二次型函数也可以写成：

$(x-\mu_x)\Gamma_x^{-1}(x-\mu_x)=\sum_{i = 1}^m \sum_{j=1}^m\Gamma_x^{-1}(i,j)(x_i-\mu_i)(x_j-\mu_j)$

其中， $\Gamma_x^{-1}(i,j)$ 表示逆矩阵 $\Gamma_x^{-1}$ 的 $(i,j)$ 元素， $\mu_i=E\left \{ x_i \right \}$ 是随机变量 $x_i$ 的均值。

实正态随机向量的特征函数为

$\Phi _x(w) = exp(jw^T\mu_x-\frac{1}{2}w^T\Gamma_xw)$

令 $x=[x_1,x_2,...,x_m]^T$ ，其每个元素服从复正态分布，即 $x_i \sim CN(\mu_i,\sigma_i^2)$ ，则 $x$ 称为复正态随机向量，记作 $x \sim CN(\mu_x,\Gamma_x)$ ，其中, $\mu_x=[\mu_1,\mu_2,...,\mu_m]^T$ 。若 $x_i=u_i+jv_i$ ;,并且实随机向量 $[u_1,v_1]^T,[u_2,v_2]^T,...,[u_m,v_m]^T$ 统计独立，则复随机正态向量 $x$ 的概率密度函数为

$f(x)=\prod_{i = 1}^mf(x_i)=(\pi^m \prod_{i=1}^m\sigma_i^2)^{-1}exp(-\sum_{i=1}^m\frac{1}{\sigma^2_i|x_i-\mu_i|^2}) = \frac{1}{\pi^m|\Gamma_x|}exp[-x(x-\mu_x)^H\Gamma_x^{-1}(x-\mu_x)]$