高斯随机变量
标量实高斯随机变量
标准高斯随机变量 ω \omega ω
实数域上的标准高斯变量
ω
\omega
ω的概率密度函数:
f
(
ω
)
=
1
2
π
e
x
p
(
−
ω
2
2
)
,
ω
∈
R
f(\omega)=\frac{1}{\sqrt{2\pi}}exp(-\frac{\omega_2}{2}),\quad \omega\in \mathfrak{R}
f(ω)=2π1exp(−2ω2),ω∈R
- 均值: 0 0 0
- 方差: 1 1 1
(一般的)高斯随机变量 x x x
x = σ ω + μ x=\sigma\omega+\mu x=σω+μ
- 均值: μ \mu μ
- 方差: σ \sigma σ
x
x
x对应的概率密度函数:
f
(
x
)
=
1
2
π
σ
2
e
x
p
(
−
(
x
−
μ
)
2
2
σ
2
)
,
x
∈
R
f(x)=\frac{1}{\sqrt{2\pi\sigma^2}}exp(-\frac{(x-\mu)^2}{2\sigma^2}),\quad x\in \mathfrak{R}
f(x)=2πσ21exp(−2σ2(x−μ)2),x∈R
随机变量的符号表示
由于随机变量完全由均值和方差所特征化,因此可以由以下形式表示
ω
∼
N
(
0
,
1
)
x
∼
N
(
μ
,
σ
)
\omega \sim \mathcal{N}(0, 1)\\ x \sim \mathcal{N}(\mu, \sigma)
ω∼N(0,1)x∼N(μ,σ)
高斯随机变量的尾部
Q ( a ) = P ( ω > a ) Q(a)=\mathbb{P}(\omega>a) Q(a)=P(ω>a)
特点:指数级衰落
高斯性的属性
通过线性变换保持不变
Σ
i
=
1
∞
c
i
x
i
∼
N
(
Σ
i
=
1
∞
c
i
μ
i
,
Σ
i
=
1
∞
c
i
2
μ
i
2
)
\Sigma_{i=1}^\infty c_i x_i\sim \mathcal{N}(\Sigma_{i=1}^\infty c_i\mu_i, \Sigma_{i=1}^\infty c_i^2\mu_i^2)
Σi=1∞cixi∼N(Σi=1∞ciμi,Σi=1∞ci2μi2)
实高斯随机矢量
正交矩阵
定义
若实矩阵 A A A满足 A A T = A T A = I AA^T=A^TA=I AAT=ATA=I,则称 A A A为正交矩阵
性质
-
A − 1 = A T A^{-1}=A^T A−1=AT
-
∣ A ∣ = ± 1 |A|=\pm1 ∣A∣=±1
-
正交矩阵的乘积也是正交矩阵
设 A T A = A A T = I , B B T = B T B = I A^TA=AA^T=I,BB^T=B^TB=I ATA=AAT=I,BBT=BTB=I,则
( A B ) T ( A B ) = B T ( A T A ) B = B T B = I (AB)^T(AB)=B^T(A^TA)B=B^TB=I (AB)T(AB)=BT(ATA)B=BTB=I
-
A A A为正交矩阵 ⇔ A \Leftrightarrow A ⇔A的行(列)向量组都是规范正交向量组
设 A = ( x 1 x 2 . . . x n ) , A T = ( x 1 T , x 2 T , . . . , x n T ) , 则 A A T = ( x 1 x 1 T x 1 x 2 T . . x 1 x n T x 2 x 1 T x 2 x 2 T . . x 2 x n T . . . . . . . . . . x n x 1 T x n x 2 T . . x n x n T ) = I ⇔ a i a i T = 1 , a i a j T = 0 ( i ≠ j ) ⇔ ( a i , a i ) = 1 , ( a i , a j ) = 0 ( i ≠ j ) 设A=\left(\begin{array}{c}x_1 \\ x_2 \\ . \\ . \\ . \\ x_n \\ \end{array}\right),A^T=(x_1^T, x_2^T, ..., x_n^T),则\\AA^T=\left(\begin{array}{ccccc}x_1x_1^T & x_1x_2^T & . & . & x_1x_n^T \\ x_2x_1^T & x_2x_2^T & . & . & x_2x_n^T \\ . & . & . & . & . \\ . & . & . & . & . \\ x_nx_1^T & x_nx_2^T & . & . & x_nx_n^T \end{array}\right)=I\\ \Leftrightarrow a_ia_i^T=1,a_ia_j^T=0(i\neq j)\\ \Leftrightarrow (a_i, a_i)=1,(a_i, a_j)=0(i\neq j) 设A= x1x2...xn ,AT=(x1T,x2T,...,xnT),则AAT= x1x1Tx2x1T..xnx1Tx1x2Tx2x2T..xnx2T..........x1xnTx2xnT..xnxnT =I⇔aiaiT=1,aiajT=0(i=j)⇔(ai,ai)=1,(ai,aj)=0(i=j) -
正交矩阵保持向量长度不变
设 α \alpha α为 n n n维列向量, A A A为 n n n阶正交矩阵,证明 ∥ A α ∥ = ∥ α ∥ \parallel A \alpha \parallel=\parallel \alpha \parallel ∥Aα∥=∥α∥
KaTeX parse error: No such environment: eqnarray at position 68: …_t)^T \\ \begin{̲e̲q̲n̲a̲r̲r̲a̲y̲}̲ A\alpha & = &(…
标准高斯随机矢量
标准高斯随机矢量
ω
\omega
ω是由
n
n
n个独立同分布的标准高斯随机变量
ω
1
,
ω
2
,
.
.
.
,
ω
n
\omega_1, \omega_2,...,\omega_n
ω1,ω2,...,ωn组成,矢量
ω
=
(
ω
1
,
ω
2
,
.
.
.
,
ω
n
)
\omega=(\omega_1, \omega_2, ..., \omega_n)
ω=(ω1,ω2,...,ωn)的概率密度函数
f
(
ω
)
=
1
(
2
π
)
n
e
x
p
(
−
∥
ω
∥
2
)
,
ω
∈
R
n
f(\omega)=\frac{1}{(\sqrt{2\pi})^n}exp(-\frac{\parallel \omega \parallel}{2}),\quad \omega \in \mathfrak{R^n}
f(ω)=(2π)n1exp(−2∥ω∥),ω∈Rn
重要结论
对于正交矩阵 A A A来说,如果 ω \omega ω服从标准高斯分布,则 A ω A\omega Aω也服从标准高斯分布
原因:
-
从代数角度
-
乘法不会改变随机变量的均值
-
密度函数仅仅与自变量的模有关,而正交矩阵不会改变向量的二阶范数(方差)
-
-
从几何角度
- 正交变换不会改变原图形的几何形状,能够保持原图形的空间不变性
- 只是对原图形进行旋转操作
标准高斯随机矢量在正交方向上的投影相互独立
原因:
设
v
1
=
(
a
1
,
a
2
,
.
.
.
,
a
n
)
T
,
v
2
=
(
b
1
,
b
2
,
.
.
.
,
b
n
)
T
v_1=(a_1, a_2, ..., a_n)^T, v_2=(b_1, b_2, ..., b_n)^T
v1=(a1,a2,...,an)T,v2=(b1,b2,...,bn)T为两个正交方向(
n
×
1
n\times 1
n×1),
ω
=
(
ω
1
,
ω
2
,
.
.
.
,
ω
n
)
T
\omega=(\omega_1, \omega_2, ..., \omega_n)^T
ω=(ω1,ω2,...,ωn)T为标准高斯随机矢量(
n
×
1
n\times1
n×1),
ω
\omega
ω在两个方向上的投影(标量)分别是
X
1
=
v
1
⋅
ω
=
v
1
T
ω
=
Σ
a
i
ω
i
,
X
2
=
v
2
⋅
ω
=
v
2
T
ω
=
Σ
b
i
ω
i
X_1=v_1 \cdot \omega=v_1^T\omega=\Sigma a_i \omega_i,\\ X_2=v_2 \cdot \omega=v_2^T\omega=\Sigma b_i \omega_i
X1=v1⋅ω=v1Tω=Σaiωi,X2=v2⋅ω=v2Tω=Σbiωi,
又知两个随机变量相互独立的充要条件是协方差为0
C
o
v
(
X
1
,
X
2
)
=
E
[
(
X
1
−
E
[
X
1
]
)
(
X
2
−
E
[
X
2
]
)
T
]
Cov(X_1, X_2)=E[(X_1-E[X_1])(X_2-E[X_2])^T]
Cov(X1,X2)=E[(X1−E[X1])(X2−E[X2])T]
又知道对于上述
X
1
X
2
X_1X_2
X1X2都是标量,期望为0,
故有:
KaTeX parse error: No such environment: eqnarray at position 8: \begin{̲e̲q̲n̲a̲r̲r̲a̲y̲}̲ Cov(X_1, X_2) …
∥ ω ∥ 2 \parallel \omega \parallel ^ 2 ∥ω∥2的分布
∥ ω ∥ 2 \parallel \omega \parallel ^ 2 ∥ω∥2等于 n n n个独立同分布的零均值高斯随机变量的平方和,为自由度为 n n n的 χ n 2 \chi_n^2 χn2分布
- 推导
高斯随机矢量
定义
高斯随机矢量是标准高斯随机矢量的线性变换再加上一个常矢量
x
=
A
ω
+
μ
x=A\omega+\mu
x=Aω+μ
协方差矩阵(方差)
协方差矩阵的推导
KaTeX parse error: No such environment: eqnarray at position 8: \begin{̲e̲q̲n̲a̲r̲r̲a̲y̲}̲ K=Cov(x, x) & …
协方差矩阵的意义
对于
x
=
(
x
1
,
x
2
,
.
.
.
,
x
n
)
T
x=(x_1, x_2, ..., x_n)^T
x=(x1,x2,...,xn)T这样的随机变量
KaTeX parse error: No such environment: eqnarray at position 8: \begin{̲e̲q̲n̲a̲r̲r̲a̲y̲}̲ K & = &Cov(x, …
性质
-
均值 μ \mu μ,方差 A A T AA^T AAT
-
标准高斯随机矢量服从均值为KaTeX parse error: Undefined control sequence: \matrix at position 1: \̲m̲a̲t̲r̲i̲x̲{0},方差为 I I I的高斯随机矢量
-
对于任意的 c , x ∈ R n c, x\in \mathfrak{R^n} c,x∈Rn,都有 c T x ∼ N ( c T μ , c t A A T c ) c^Tx \sim \mathcal{N}(c_T\mu, c^tAA^Tc) cTx∼N(cTμ,ctAATc)
理解: c T x c_Tx cTx是 c c c与 x x x的内积,是一个标量,线性组合的结果是一个标量, c t μ c_t\mu ctμ和 c t A A T c c^tAA^Tc ctAATc均为标量
-
如果 A A A是可逆矩阵,概率密度函数为
f ( x ) = 1 2 π n d e t ( A A T ) e x p ( − 1 2 ( x − μ ) T ( A A T ) − 1 ( x − μ ) ) f(x)=\frac{1}{\sqrt{2\pi}^n\sqrt{det(AA^T)}}exp(-\frac{1}{2}(x-\mu)^T(AA^T)^{-1}(x-\mu)) f(x)=2πndet(AAT)1exp(−21(x−μ)T(AAT)−1(x−μ))
推论
-
可以只用协方差矩阵 A A T AA^T AAT表征 x x x的密度
-
设正交矩阵 O O O,$x_1=A\omega + \mu 与 与 与 x_2=AO\omega + \mu$ 分布相同
KaTeX parse error: No such environment: eqnarray at position 8: \begin{̲e̲q̲n̲a̲r̲r̲a̲y̲}̲ K_1=Cov(x_1, x… -
协方差矩阵为对角矩阵时,高斯随机矢量由独立的高斯随机变量组成
-
协方差矩阵是单位阵的时候,高斯随机矢量由标准高斯随机变量组成
复高斯随机矢量
共轭转置
设有矩阵 G G G,其共轭转置矩阵可以表示为 G H G^H GH
他是在转置的基础上,对每个元素取复共轭
形式
复高斯随机矢量
x
x
x的形式如下面的公式所示
x
=
x
R
+
j
x
I
x=x_R+jx_I
x=xR+jxI
其中
x
R
x_R
xR和
x
I
x_I
xI都是实矢量
复高斯随机矢量是指满足 [ x R , x I ] T [x_R, x_I]^T [xR,xI]T为实高斯随机矢量的矢量,分布由均值和协方差矩阵确定
重要参数
KaTeX parse error: No such environment: eqnarray at position 8: \begin{̲e̲q̲n̲a̲r̲r̲a̲y̲}̲ \mu: & = &E[x]…
注意:复随机矢量 x x x的协方差矩阵 K K K本身通常不足以确定 x x x的全部二次统计量
K K K可以由 n 2 n^2 n2个实参数确定,而全部二阶统计量需要用 n ( 2 n + 1 ) n(2n+1) n(2n+1)个实参数确定
复高斯随机矢量通常由五个参数确定:实部与虚部的均值和方差,实部与虚部的相关性
循环对称性
对于任意 θ \theta θ,如果 e j θ x e^{j\theta}x ejθx与 x x x具有相同的分布,则x为循环对称的
理解: e j θ e^{j\theta} ejθ是一个旋转因子,如果对于任意的旋转角度分布相同,当然具有循环对称性
循环对称复高斯随机矢量
性质
对于任意 θ \theta θ,循环对称复高斯随机矢量 x x x,都有:
μ = E ( x ) = E ( e j θ x ) = e j θ E ( x ) \mu=E(x)=E(e^{j\theta}x)=e^{j\theta}E(x) μ=E(x)=E(ejθx)=ejθE(x)
J = E [ ( x − μ ) ( x − μ ) T ] = E ( x x T ) = E ( e j θ x ( e j θ x ) T ) = e j 2 θ E ( x x T ) J=E[(x-\mu)(x-\mu)^T]=E(xx^T)=E(e^{j\theta}x(e^{j\theta}x)^T)=e^{j2\theta}E(xx^T) J=E[(x−μ)(x−μ)T]=E(xxT)=E(ejθx(ejθx)T)=ej2θE(xxT)
-
均值 μ \mu μ为 0 0 0
反证法:
假设均值 μ \mu μ不是0,若满足 E ( x ) = e j θ E ( x ) E(x)=e^{j\theta}E(x) E(x)=ejθE(x),则对于任意的旋转角度 θ \theta θ,都要有 e j θ − 1 e^{j\theta -1} ejθ−1为0,矛盾
-
伪协方差矩阵 J J J为 0 0 0
证明同上
-
协方差矩阵 K K K完全确定循环对称矢量的一阶和二阶统计量
表示
C N ( 0 , K ) \mathcal{CN}(0, K) CN(0,K)
特殊情况
-
实部和虚部为独立同分布的零均值高斯随机变量时,复高斯随机变量循环对称
-
由n个相互独立的服从同一分布 C N ( 0 , 1 ) \mathcal{CN}(0, 1) CN(0,1)的随机变量构成的标准循环对称随机矢量可以表示为 C N ( 0 , I ) \mathcal{CN}(0, I) CN(0,I)
-
如果 ω \omega ω为 C N ( 0 , I ) \mathcal{CN}(0, I) CN(0,I), A A A为复矩阵,则 x = A ω x=A\omega x=Aω也是协方差矩阵 K = A A H K=AA^H K=AAH的循环对称高斯矢量,即服从 C N ( 0 , K ) \mathcal{CN}(0, K) CN(0,K)