对于向量而言它的期望和方差公式如下:
设有一个向量
x
\mathbf{x}
x:
x
=
[
x
1
x
2
⋮
x
n
]
\mathbf{x} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}
x=⎣⎢⎢⎢⎡x1x2⋮xn⎦⎥⎥⎥⎤
它的期望为:
E
(
x
)
=
[
E
(
x
1
)
E
(
x
2
)
⋮
E
(
x
n
)
]
E(\mathbf{x}) = \begin{bmatrix} E(x_1) \\ E(x_2) \\ \vdots \\ E(x_n) \end{bmatrix}
E(x)=⎣⎢⎢⎢⎡E(x1)E(x2)⋮E(xn)⎦⎥⎥⎥⎤
它的属性有:
E
(
x
1
+
x
2
)
=
E
(
x
1
)
+
E
(
x
2
)
E
(
A
x
)
=
A
E
(
x
)
E
(
a
x
)
=
a
E
(
x
)
E(\mathbf{x}_1 + \mathbf{x}_2) = E(\mathbf{x}_1) + E(\mathbf{x}_2) \\E(\mathbf{A}\mathbf{x}) = AE(\mathbf{x}) \\ E(a\mathbf{x}) = aE(\mathbf{x})
E(x1+x2)=E(x1)+E(x2)E(Ax)=AE(x)E(ax)=aE(x)
它的方差为:
var
(
x
)
=
E
[
(
x
−
μ
)
(
x
−
μ
)
T
]
=
[
var
(
x
1
)
c
o
v
(
x
1
,
x
2
)
…
c
o
v
(
x
1
,
x
n
)
c
o
v
(
x
2
,
x
1
)
v
a
r
(
x
2
)
…
c
o
v
(
x
2
,
x
n
)
…
…
…
…
c
o
v
(
x
1
,
x
n
)
…
…
v
a
r
(
x
n
)
]
=
[
(
x
1
−
μ
)
2
(
x
1
−
μ
)
(
x
2
−
μ
)
…
(
x
1
−
μ
)
(
x
n
−
μ
)
(
x
2
−
μ
)
(
x
1
−
μ
)
(
x
2
−
μ
)
2
…
(
x
2
−
μ
)
(
x
n
−
μ
)
…
…
…
…
(
x
n
−
μ
)
(
x
1
−
μ
)
…
…
(
x
n
−
μ
)
2
]
\text{var}(\mathbf{x}) =\text{E}[(x-\mu)(x-\mu)^T] \\= \begin{bmatrix} \text{var}(x_1) & cov(x_1, x_2) & \dots & cov(x_1, x_n) \\ cov(x_2, x_1) & var(x_2) & \dots & cov(x_2, x_n) \\ \dots & \dots & \dots & \dots \\ cov(x_1, x_n) & \dots & \dots & var(x_n) \end{bmatrix} \\= \begin{bmatrix}(x_1-\mu)^2 & (x_1 -\mu)(x_2-\mu) & \dots & (x_1 -\mu)(x_n - \mu) \\ (x_2-\mu)(x_1-\mu) & (x_2 -\mu)^2 & \dots &(x_2 - \mu)(x_n-\mu) \\ \dots & \dots & \dots &\dots \\ (x_n-\mu)(x_1-\mu) & \dots & \dots & (x_n-\mu)^2\end{bmatrix}
var(x)=E[(x−μ)(x−μ)T]=⎣⎢⎢⎡var(x1)cov(x2,x1)…cov(x1,xn)cov(x1,x2)var(x2)………………cov(x1,xn)cov(x2,xn)…var(xn)⎦⎥⎥⎤=⎣⎢⎢⎡(x1−μ)2(x2−μ)(x1−μ)…(xn−μ)(x1−μ)(x1−μ)(x2−μ)(x2−μ)2………………(x1−μ)(xn−μ)(x2−μ)(xn−μ)…(xn−μ)2⎦⎥⎥⎤
方差的属性有:
var
(
A
x
)
=
E
[
(
A
x
−
A
μ
)
(
A
x
−
A
μ
)
T
]
=
E
[
A
(
x
−
μ
)
(
x
−
μ
)
T
A
T
]
=
A
E
[
(
x
−
μ
)
(
x
−
μ
)
T
]
A
T
=
A
var
(
x
)
A
T
\text{var}(\mathbf{Ax}) = \text{E}[(\mathbf{Ax} -\mathbf{A\mu})(\mathbf{Ax} -\mathbf{A\mu})^T] \\= \text{E}[\mathbf{A}(\mathbf{x} -\mathbf{\mu})(\mathbf{x} -\mathbf{\mu})^T\mathbf{A}^T] \\= \mathbf{A}\text{E}[(\mathbf{x} -\mathbf{\mu})(\mathbf{x} -\mathbf{\mu})^T]\mathbf{A}^T \\ = \mathbf{A}\text{var}(\mathbf{x})\mathbf{A}^T
var(Ax)=E[(Ax−Aμ)(Ax−Aμ)T]=E[A(x−μ)(x−μ)TAT]=AE[(x−μ)(x−μ)T]AT=Avar(x)AT