本文深入探讨了各向同性随机向量的概念，介绍了如何从一元随机变量的方差推广到多元随机向量的各向同性，并详细阐述了各向同性随机向量的性质，包括期望值和范数的关系。此外，还讨论了当维度增加时，独立的各向同性随机向量趋于正交的现象。
UA MATH567 高维统计II 随机向量2 各向同性的随机向量
上一讲讨论随机向量L2范数的concentration的时候假设随机向量每个分量的方差为1，这其实是一种常用的假设，这一讲我们的目标就是讨论这种假设，可以把它理解为一元随机变量方差为1的假设的推广。
各向同性 (Isotropy) 称一个随机向量是各向同性的如果它的协方差矩阵为单位矩阵。对于均值为 μ \mu μ，协方差为 Σ \Sigma Σ的随机向量 X X X，我们可以定义 Z = Σ − 1 / 2 ( X − μ ) Z =\Sigma^{-1/2}(X-\mu) Z=Σ−1/2(X−μ)，显然 Z Z Z就是一个零均值各向同性的随机向量。
各向同性的充要条件 n n n维随机向量 X X X各向同性等价于 ∀ x ∈ R n \forall x \in \mathbb{R}^n ∀x∈Rn,
E ⟨ X , x ⟩ 2 = ∥ x ∥ 2 2 E \langle X,x \rangle^2 = \left\| x\right\|_2^2 E⟨X,x⟩2=∥x∥22
其中 ⟨ X , x ⟩ \langle X,x \rangle ⟨X,x⟩表示欧氏内积。
说明
E ⟨ X , x ⟩ 2 = E [ x T X X T x ] = x T E [ X X T ] x = ∥ x ∥ 2 2 = x T x ⇔ E [ X X T ] = Σ = I n E \langle X,x \rangle^2 = E[x^TXX^Tx]=x^TE[XX^T]x=\left\| x\right\|_2^2=x^Tx \\ \Leftrightarrow E[XX^T] = \Sigma = I_n E⟨X,x⟩2=E[xTXXTx]=xTE[XXT]x=∥x∥22=xTx⇔E[XXT]=Σ=In
各向同性的性质
- 如果 X X
最低0.47元/天 解锁文章
扫一扫
2301
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
