假设 n n n 维随机变量
X = [ x 1 , x 2 , … , x n ] T X=[x_1,x_2,\dots,x_n]^T X=[x1,x2,…,xn]T其中:
x i ∼ N ( μ i , σ i 2 ) , ∀ i ∈ [ 1 , n ] x_i \sim N(\mu_i,\sigma_i^2 ) ,\forall i \in [1,n] xi∼N(μi,σi2),∀i∈[1,n] X X X 的协方差矩阵为
Σ X = E [ ( X − μ ) ( X − μ ) T ] (1) \tag 1 \Sigma_X=E[(X-\mu)(X-\mu)^T] \\ ΣX=E[(X−μ)(X−μ)T](1) μ = [ u 1 , u 2 , … , u n ] T (1.1) \tag {1.1} \mu=[u_1,u_2,\dots,u_n]^T μ=[u1,u2,…,un]T(1.1)
下面开始推导多维高斯随机变量X的概率密度函数 f X f_X fX:
构造一个 n n n 维随机变量 Y = [ y 1 , y 2 , … , y n ] T Y=[y_1,y_2,\dots,y_n]^T Y=[y1,y2,…,yn]T
其中
y 1 = x 1 − μ 1 y i = ( x i − μ i ) − ∑ j = 1 i − 1 c o v ( x i , y j ) σ y j