UA MATH567 高維統(tǒng)計(jì)II 隨機(jī)向量2 各向同性的隨機(jī)向量

上一講討論隨機(jī)向量L2范數(shù)的concentration的時(shí)候假設(shè)隨機(jī)向量每個(gè)分量的方差為1，這其實(shí)是一種常用的假設(shè)，這一講我們的目標(biāo)就是討論這種假設(shè)，可以把它理解為一元隨機(jī)變量方差為1的假設(shè)的推廣。

各向同性 (Isotropy) 稱一個(gè)隨機(jī)向量是各向同性的如果它的協(xié)方差矩陣為單位矩陣。對(duì)于均值為$\mu$，協(xié)方差為$\Sigma$的隨機(jī)向量$X$，我們可以定義$Z={\Sigma }^{?1/2}(X?\mu )$，顯然$Z$就是一個(gè)零均值各向同性的隨機(jī)向量。

各向同性的充要條件 $n$維隨機(jī)向量$X$各向同性等價(jià)于$?x\in {\mathbb{R}}^n$,
$$E?X,x{?}^2={\Vert x\Vert }_2^2$$

其中$?X,x?$表示歐氏內(nèi)積。

說明
$$\begin{gathered} E?X,x{?}^2=E[x^{T}X{X}^{T}x]=x^{T}E[X{X}^T]x={\Vert x\Vert }_2^2=x^{T}x \\ ?E[X{X}^T]=\Sigma =I_n \end{gathered}$$

各向同性的性質(zhì)

如果$X$是$n$維各向同性隨機(jī)向量，則$E{\Vert X\Vert }_2^2=n$

如果$X,Y$是獨(dú)立的$n$維各向同性隨機(jī)向量，則$E?X,Y{?}^2=n$

如果$X,Y$是獨(dú)立的$n$維零均值各向同性隨機(jī)向量，則$E{\Vert X?Y\Vert }_2^2=2n$

說明
第一條，$E{\Vert X\Vert }_2^2=E[X^{T}X]=E[tr(X^{T}X)]=E[tr(X{X}^T)]=tr(E[X{X}^T])=tr(I_n)=n$

第二條，$E?X,Y{?}^2=E[X^{T}Y{Y}^{T}X]=E_X[E_Y[X^{T}Y{Y}^{T}X]]=E_X[X^T{I}_{n}X]=E_X[X^{T}X]=n$

第三條，$E{\Vert X?Y\Vert }_2^2=E[(X?Y{)}^T(X?Y)]=E[X^{T}X]?E[X^{T}Y]?E[Y^{T}X]+E[Y^{T}Y]=E[X^{T}X]+E[Y^{T}Y]=2n$

---

幾乎正交的隨機(jī)向量：根據(jù)各向同性的性質(zhì)，假設(shè)$X,Y$是獨(dú)立的$n$維各向同性隨機(jī)向量，定義
$$X_0=\frac{X}{{\Vert X\Vert }_2},Y_0=\frac{Y}{{\Vert Y\Vert }_2}$$

則
$$E?X_0,Y_0?=\frac{E?X,Y?}{{\Vert X\Vert }_2{\Vert Y\Vert }_2}$$

根據(jù)各向同性的性質(zhì)第一條與第二條，
$$\frac{E?X,Y?}{{\Vert X\Vert }_2{\Vert Y\Vert }_2}=\frac{1}{\sqrt{n}}$$

另外，我們還可以計(jì)算
$$E?X_0,Y_0{?}^2=E{X}_0^T{Y}_0{Y}_0^T{X}_0=\frac{E{X}^{T}Y{Y}^{T}X}{{\Vert X\Vert }_2^2{\Vert Y\Vert }_2^2}=\frac{1}{n}$$

這樣就比較明顯了，
$$?X_0,Y_0?{\to }_{L^2}0$$

也就是當(dāng)$n$足夠大時(shí)，$X_0$與$Y_0$按$L^2$趨于正交。

總結(jié)

以上是生活随笔為你收集整理的UA MATH567 高维统计II 随机向量2 各向同性的随机向量的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。