协方差矩阵公式推导

本文详细阐述了如何将n维随机变量的协方差矩阵写成向量形式,通过逐步推导证明了其与一维随机向量方差公式的一致性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

     已知n维随机变量\(\vec{X}=(X_{1},X_{2},...,X_{n})\)的协方差矩阵为\(C = \begin{bmatrix}c_{11} & c_{12} & ... & c_{1n} \\c_{21} & c_{22} & ... & c_{2n} \\. & .& &.\\. & .& &.\\. & .& &.\\c_{n1} & c_{n2} &...&c_{nn}\end{bmatrix} \),其中\(c_{ij} = E\big\{[X_{i}-E(X_{i})][X_{j}-E(X_{j})]\big\}\)。那么,能否将协方差矩阵写成向量形式呢?即写成和一维随机向量的方差公式类似的形式:\(D(X) = E(X-E(X))^{2} \)。

     我们来证明一下,设\(X_{i}\)的样本量为m,由协方差矩阵的公式,可知:

\(C = \frac{1}{m}\begin{bmatrix} (X_{1}-E(X_{1}))^{T}(X_{1}-E(X_{1})) & ... & (X_{1}-E(X_{1}))^{T}(X_{n}-E(X_{n})) \\ (X_{2}-E(X_{2}))^{T}(X_{1}-E(X_{1})) & ... & (X_{2}-E(X_{2}))^{T}(X_{n}-E(X_{n})) \\. &. & .\\. &. & .\\. &. & .\\ (X_{n}-E(X_{n}))^{T}(X_{1}-E(X_{1})) & ... & (X_{n}-E(X_{n}))^{T}(X_{n}-E(X_{n})) \end{bmatrix} \)

\(   = \frac{1}{m}\begin{bmatrix} (X_{1}-E(X_{1}))^{T} \\ (X_{2}-E(X_{2}))^{T} \\ .\\. \\. \\ (X_{n}-E(X_{n}))^{T} \end{bmatrix} \begin{bmatrix} X_{1}-E(X_{1}), & X_{2}-E(X_{2}), &...,& X_{n}-E(X_{n}) \end{bmatrix} \)

\(   = \frac{1}{m}(\vec{X}-E(\vec{X}))^{T}(\vec{X}-E(\vec{X})) \)

\(   = E((\vec{X}-E(\vec{X}))^{T}(\vec{X}-E(\vec{X}))) \)

     推导结果与一维随机向量的方差公式是一致的,所以,我们的猜测是正确的,证毕。

 

转载于:https://www.cnblogs.com/thinkers-dym/p/4492817.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值