Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Concept
Complex normal distribution
Résumé
In probability theory, the family of complex normal distributions, denoted or , characterizes complex random variables whose real and imaginary parts are jointly normal. The complex normal family has three parameters: location parameter μ, covariance matrix , and the relation matrix . The standard complex normal is the univariate distribution with , , and .
An important subclass of complex normal family is called the circularly-symmetric (central) complex normal and corresponds to the case of zero relation matrix and zero mean: and . This case is used extensively in signal processing, where it is sometimes referred to as just complex normal in the literature.
The standard complex normal random variable or standard complex Gaussian random variable is a complex random variable whose real and imaginary parts are independent normally distributed random variables with mean zero and variance . Formally,
where denotes that is a standard complex normal random variable.
Suppose and are real random variables such that is a 2-dimensional normal random vector. Then the complex random variable is called complex normal random variable or complex Gaussian random variable.
A n-dimensional complex random vector is a complex standard normal random vector or complex standard Gaussian random vector if its components are independent and all of them are standard complex normal random variables as defined above.
That is a standard complex normal random vector is denoted .
If and are random vectors in such that is a normal random vector with components. Then we say that the complex random vector
is a complex normal random vector or a complex Gaussian random vector.
The complex Gaussian distribution can be described with 3 parameters:
where denotes matrix transpose of , and denotes conjugate transpose.
Here the location parameter is a n-dimensional complex vector; the covariance matrix is Hermitian and non-negative definite; and, the relation matrix or pseudo-covariance matrix is symmetric.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Cours associés (32)
CIVIL-312: Hydraulic structures and schemes
Les aménagements hydrauliques sont indispensable pour garantir l'approvisionnement en énergie écophile et renouvelable, de même que l'approvisionnement en eau de bonne qualité et en quantité suffisant
MICRO-110: Design of experiments
This course provides an introduction to experimental statistics, including use of population statistics to characterize experimental results, use of comparison statistics and hypothesis testing to eva
FIN-417: Quantitative risk management
This course is an introduction to quantitative risk management that covers standard statistical methods, multivariate risk factor models, non-linear dependence structures (copula models), as well as p
Séances de cours associées (148)
Tutoriel iMesh et iConc
Couvre le tutoriel pour iMesh et iConc, en se concentrant sur la création d'élément Finite Mesh pour les structures en béton.
Réservoirs et barrages : construction et dimensionnement hydrauliques
Explore le dimensionnement des réservoirs et des barrages en utilisant des courbes d'écoulement cumulatives et le dimensionnement des réservoirs pour les périodes sèches et pluvieuses.
Fonctions: Parametric, Integrals, Multi-variable
Couvre les fonctions paramétriques, les intégrales et l'origine de la plasticité dans les métaux.
Publications associées (128)
Personnes associées (24)
Unités associées (1)
Concepts associés (4)
Loi de Nakagami
En théorie des probabilités et en statistique, la loi de Nakagami ou loi de m-Nakagami est une loi de probabilité continue à deux paramètres et de support . Le paramètre est un paramètre de forme, le second paramètre permet de contrôler la propagation. Cette loi est liée à la loi gamma, son nom est issu du statisticien Minoru Nakagami. La densité de probabilité de la loi de Nakagami est donnée par : où est la fonction Gamma. Sa fonction de répartition est : où P est la fonction gamma incomplète (régularisée).
Loi de Rayleigh
En probabilités et en statistiques, la loi de Rayleigh, est une loi de probabilité à densité. Elle apparaît comme la norme d'un vecteur gaussien bi-dimensionnel dont les coordonnées sont indépendantes, centrées et de même variance. Cette loi de probabilité est baptisée d'après Lord Rayleigh. Typiquement, la distance D à laquelle une particule se trouve de son point de départ, après avoir effectué n pas d'une marche aléatoire symétrique dans le plan, suit approximativement une loi de Rayleigh de paramètre .
Fonction caractéristique (probabilités)
En mathématiques et plus particulièrement en théorie des probabilités et en statistique, la fonction caractéristique d'une variable aléatoire réelle est une quantité qui détermine de façon unique sa loi de probabilité. Si cette variable aléatoire a une densité, alors la fonction caractéristique est la transformée de Fourier inverse de la densité. Les valeurs en zéro des dérivées successives de la fonction caractéristique permettent de calculer les moments de la variable aléatoire.