矩阵分析与应用

最新推荐文章于 2022-06-20 20:30:26 发布

一个欣语

最新推荐文章于 2022-06-20 20:30:26 发布

阅读量158

点赞数

文章标签：矩阵概率论

本文链接：https://blog.csdn.net/weixin_46007132/article/details/125347566

版权

复随机向量的概率密度函数

一个复随机变量定义为： $x(\xi)=x_{R}(\xi)+jx_{I}(\xi)$

其中， $x_{R}(\xi)$ 和 $x_{I}(\xi)$ 分别为实值随机变量。

复随机向量可以表示成

$x(\xi)=x_{R}(\xi)+jx_{I}(\xi)=\begin{bmatrix} x_{R1}(\xi)\\ x_{R2}(\xi)\\ .. .\\ x_{Rm}(\xi) \end{bmatrix}+j\begin{bmatrix} x_{I1}(\xi)\\ x_{I2}(\xi)\\ .. .\\ x_{Im}(\xi) \end{bmatrix}$

复随机向量的累积分布函数定义为：

$F(x)=P\left \{ x(\xi)\leqslant x \right \}=P\left \{ x_{R}(\xi)\leqslant x_{R} ,x_{I}(\xi)\leq x_{R}\right \}$

其中 $x_{I}$ 为实数。

概率密度函数定义为：

$f(x)=\frac{\partial ^{2m}F(x)}{ \partial x_{R1} \partial x_{I1}.. . \partial x_{Rm} \partial x_{Im}}$

累积分布函数为：
$F(x)=F_{x}(x_{1},x_{2},.. .,x_{m}) \\ =\int_{-\infty }^{x_{R1}} \int_{-\infty }^{x_{I1}}.. .\int_{-\infty }^{x_{Rm}}\int_{-\infty }^{x_{Im}}f(v_{1},.. .,v_{m})dv_{R1}dv_{I1}.. .dv_{R1}dv_{I1}\\= \int_{-\infty }^{x}f(v)dv$

特别地：
$\int_{-\infty }^{\infty}f(x)dx=1$

随机向量的统计描述

分布函数和概率密度函数常常是未知的，因此它们在很多实际问题中的应用并不方便。

但随机向量的一阶和二阶统计量却使用方便。

均值向量：
均值向量是随机向量的一阶矩，它描述随机向量的元素围绕其均值的散布情况。

随机向量最重要的统计运算为数学期望，考察m*1的随机向量 $x(\xi)=\left [ x_{1}(\xi),x_{2}(\xi),.. .,x_{m}(\xi) \right ]^{T}$ 。

令随机变量 $x_{i}(\xi)$ 的均值为 $E\left \{ x_{i}(\xi) \right \}=\mu _{i}$ ，则随机向量的数学期望称为均值向量，记作 $\mu _{x}$

定义为：

$\mu _{x}=E\left \{ x_{i}(\xi) \right \}=\begin{bmatrix} E\left \{ x_{1}(\xi) \right \}\\ E\left \{ x_{2}(\xi) \right \}\\ .. .\\ E\left \{ x_{m}(\xi) \right \} \end{bmatrix}=\begin{bmatrix} \mu_{1}\\ \mu_{2}\\ .. .\\ \mu_{m} \end{bmatrix}$

其中数学期望定义为：

$E\left \{ x(\xi) \right \}=\int_{-\infty}^{\infty}xf(x)dx$

均值向量的元素是随机向量各个元素的均值。

相关矩阵：

与均值向量不同，随机向量的二阶矩为矩阵，它描述随机向量分布的散布情况。

随机向量的自相关矩阵定义为：
$R_{x}=E\left \{ x(\xi)x^{H}(\xi) \right \}=\begin{bmatrix} r_{11} & r_{12} & .. . & r_{1m}\\ r_{21} &r_{22} &.. . & r_{2m}\\ .. . & .. . & & .. .\\ r_{m1}&r_{m2} &.. . &r_{mm} \end{bmatrix}$