我们迄今为止学到的许多概念都与随机变量有关。但是,所有这些概念都可以被转化来处理随机数的向量。随机向量 X 包含 N 个元素,Xi,它们中的每一个都是一个不同的随机变量。随机向量中的单个元素可能相互关联或相互依赖,也可能不相关或不相互依赖。

随机向量的期望是向量中每个元素的期望值的向量。例如
![{\displaystyle E[X]={\begin{bmatrix}E[X_{1}]\\E[X_{2}]\\\vdots \\E[X_{N}]\end{bmatrix}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/6485a1e33cb821c85290e9c7d7dfe981c752f9b3)
使用这个定义,随机向量 X 的均值向量,表示为 μX,是由 X 的所有单个元素的均值组成的向量

随机向量 X 的相关矩阵定义为
![{\displaystyle R_{X}=E[XX^{T}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3723f5b3d1e635bdb591c2b862b33c7bce827f61)
其中相关矩阵的每个元素对应于 X 的行元素与 XT 的列元素之间的相关性。相关矩阵是一个实对称矩阵。如果相关矩阵的非对角元素都为零,则称该随机向量是**不相关的**。如果 R 矩阵是单位矩阵,则称该随机向量是“白”的。例如,“白噪声”是不相关的,并且向量的每个元素具有相等的相关值。
如前所述,我们可以通过从矩阵的特征向量构建 V 矩阵来对角化矩阵。如果 X 是我们的非对角矩阵,我们可以通过以下方法创建一个对角矩阵 D

如果 X 矩阵是实对称的(像相关矩阵一样),我们可以将其简化为

可以通过构建一个矩阵 W 来使矩阵白化,该矩阵在对角线上包含 X 的特征值的平方根的倒数

使用这个 W 矩阵,我们可以将 X 转换为单位矩阵

如果我们有两个矩阵X和Y,我们可以构造一个矩阵A,它将满足以下关系


其中I是一个单位矩阵,D是一个对角矩阵。这个过程被称为同时对角化。如果我们有上面描述的V和W矩阵,使得
,
然后我们可以通过对Y矩阵应用相同的变换来构造B矩阵

我们可以将B的特征值组合成一个变换矩阵Z,使得

然后我们可以将我们的A矩阵定义为


这个A矩阵将满足上面概述的同步对角化过程。
两个随机向量X和Y的协方差矩阵定义为
![{\displaystyle Q_{X}=E[(X-\mu _{X})(Y-\mu _{Y})^{T}]=E[(Y-\mu _{Y})(X-\mu _{X})^{T}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/9cb1b18e31affcf2381cf3e370fca8df586c52e2)
其中协方差矩阵的每个元素表示X的行元素与Y的列元素之间的方差关系。协方差矩阵是实对称的。
我们可以通过以下公式将相关矩阵与协方差矩阵联系起来

N向量X具有定义为N个变量的累积分布函数Fx
![{\displaystyle F_{X}(X)=P[X\leq x]=P[X_{1}\leq x_{1},X_{2}\leq x_{2},\cdots ,X_{N}\leq x_{N}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/69434f7ebce5cecbbaf66a06386c792528d3ba08)
随机向量的概率密度函数可以用累积分布函数的Nth偏导数来定义

如果我们知道密度函数,我们可以使用N-1次积分求出X的第i个元素的均值
