概率统计笔记：威沙特分布（Wishart Distribution）

最新推荐文章于 2025-04-28 13:07:14 发布

UQI-LIUWJ

最新推荐文章于 2025-04-28 13:07:14 发布

阅读量2.1w

点赞数 7

分类专栏：数学知识整理文章标签：概率论机器学习线性代数

本文链接：https://blog.csdn.net/qq_40206371/article/details/120809635

版权

数学知识整理专栏收录该内容

47 篇文章

订阅专栏

本文介绍了威沙特分布，包括中心威沙特分布和非中心威沙特分布的概念，其中中心威沙特分布在p=1时退化为卡方分布。威沙特分布常用于随机协方差矩阵的建模，其期望值为n倍的Σ。此外，文章还探讨了威沙特分布的重要作用，并提及概率密度函数，虽然实际应用中概率密度的具体形式使用较少。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 威沙特分布定义

1.1 中心威沙特分布

假设X是一个n×p维的矩阵，其中每一行的p元向量均为满足p维正态分布的向量，即：

记为n×p维矩阵，则称随机阵的分布就是威沙特分布，记作

当p=1，即每个X维为1维的时候，威沙特分布就变成了一个自由度为n的卡方分布

1.2 非中心威沙特分布

2 威沙特分布与随机协方差矩阵

2.1 E(W)=nΣ

组成散度矩阵【离差阵】W的每个向量X都满足：

我们计算一下散度矩阵S的数学期望

$E(W)=E(\sum_{i=1}^n X_i^TX_i)=nE(X_i^TX_i)$ 【每个X独立同分布】

$=nE((X_i-\textbf{0})^T(X_i-\textbf{0}))$ 【这里的0是0向量的意思，也就是X的均值向量】

$=nCov(X_i)=n \sum$

3 Wishart分布的重要作用

第三小节出自Wishart分布及Inverse Wishart分布_尬维的博客-CSDN博客，但是我不太明白是怎么推到的

第一个均值是可以推出来的：

对于 $\bar{x}-\mu=\frac{1}{n}\sum_{i=1}^n(x_i-\mu_i)$ ：

$\mu(\bar{x}-\mu)=\mu(\frac{1}{n}\sum_{i=1}^n(x_i-\mu_i))=\frac{1}{n}\sum_{i=1}^n(\mu(x_i)-\mu(\mu_i))=0$

$\sigma(\bar{x}-\mu)=\sigma(\frac{1}{n}\sum_{i=1}^n(x_i-\mu_i))=\frac{1}{n^2}\sum_{i=1}^n(\sigma(x_i)-\sigma(\mu_i))=\frac{\sum}{n}$

所以有：