前言
本文学习过程来源是《矩阵分析与应用-张贤达》一书. 可以通过 z-lib 下载.
这部分将线代和概率两者之间结合起来, 使用矩阵来解决概率方面的问题.
在概率论中, 用符号
在概率空间
在
一、概率密度函数
描述随机向量的统计函数有累计分布函数, 概率密度函数, 均值函数, 协方差函数.
先解决累计分布函数和概率密度函数.
1. 实随机变量的概率密度函数
现在有一个含有
称为
一个随机向量所有元素的联合累积分布函数常用符号
一个随机向量由它的2联合累积分布函数或联合概率密度函数完全描述, 一组概率的集合函数
定义为向量
随机向量
思考: 这个式子看起来非常的奇怪, 怪就怪在有了多个变量之后分母变得奇怪, 第一个等式后的分母中我也不知道为什么会有这些数相乘. 也可以这样想, 各个变量之间相互独立就可以拆开为乘积的形式, 然后能理解了.
联合概率密度函数的
称为随机变量
最后就得到式子
随机向量
由此有个定义, 这个定义就是之前思考那个式子想出的东西.
随机变量
成立. 然后可以得出
或者
定义:
2. 复随机变量的概率密度函数
处理复数就是要额外处理它的虚部, 首先一个复随机变量定义为
那么复随机向量可以表示为
复随机向量的累积分布函数定义为
无非就是对实部和虚部分别处理.
概率密度函数定义为
那么累积分布函数是概率密度函数关于所有实部和虚部的
特别地:
二、随机向量的统计描述
分布函数和概率函数常常不可知, 但是随机向量可以很容易在一阶和二阶统计量上使用.
1. 均值向量
随机向量的最重要统计运算为数学期望, 考察
式子中的数学期望为
可以看出均值向量的元素是随机向量各个元素的均值.
2. 相关矩阵与协方差矩阵
知乎上面有篇文章对这部分有解释, 链接:https://zhuanlan.zhihu.com/p/447221519.
均值向量是随机向量的一阶矩, 描述随机向量的元素围绕其均值的散布情况. 但是随机向量二阶矩为矩阵, 描述随机向量分布的散布情况.
自相关矩阵定义为样本向量与自身的外积的数学期望, 其实就是自协方差矩阵不减去均值向量. 随机向量的自相关矩阵定义为
式中,
而
可以得出自相关矩阵是共轭对称的, 即为
随机变量
主对角线上的元素
表示随机变量
表示随机变量
自相关矩阵和自协方差矩阵之间存在下列关系
推广自相关矩阵和自协方差矩阵, 则有随机向量
和互协方差矩阵
3. 两个随机向量统计不相关与正交
一句话, 当采样点
两个随机变量
相关系数
当
得出定义:
若两个随机变量
若它们的互相关等于零, 即
则将这两个随机变量
若两个随机向量
4. 随机向量的线性变换
令
是复正态随机向量
其均值向量为
自相关矩阵为
自协方差矩阵为
随机向量
于是
同理可得随机向量
三、正态随机向量
若随机向量
一个均值向量为
其中
其中
实正态随机向量的特征函数为
式中,
对复正态随机向量, 令
式子中,
正态随机向量具有非常重要的几个性质
-
概率密度函数由均值向量和协方差矩阵完全描述.
-
若正态随机向量的各个分量相互统计不相关, 则它们也是统计独立的.
-
均值向量
和协方差矩阵 的正态随机向量 的线性变换 仍然是正态随机向量, 其概率密度函数为
实正态随机向量概率密度函数
复正态随机向量概率密度函数
文章出处登录后可见!