服从正态分布的正弦函数、余弦函数期望

服从正态分布的正弦函数期望

服从正态分布的正弦函数、余弦函数期望。

如果X服从均值为 μ \mu μ,方差为 σ 2 \sigma^2 σ2的正态分布,计算sin(X)cos(X)的数学期望。

利用特征函数(Characteristic Function)Wiki-Characteristic Function,我们知道 X ∼ N ( μ , σ 2 ) X\sim N(\mu, \sigma^2) X∼N(μ,σ2)的特征函数为:
φ X ( t ) = E ( e i t X ) = e x p ( i μ t − σ 2 t 2 2 ) = e x p ( − σ 2 t 2 / 2 ) e x p ( i μ t ) \varphi_{X(t)}=E(e^{itX})=exp\left({i\mu t - \dfrac{\sigma^2t^2}{2}}\right)=exp(-\sigma^2t^2/2)exp(i\mu t) φX(t)=E(eitX)=exp(iμt−2σ2t2)=exp(−σ2t2/2)exp(iμt)

根据欧拉公式:
e i x = cos ⁡ ( x ) + i sin ⁡ ( x ) e^{ix} = \cos(x)+i\sin(x) eix=cos(x)+isin(x)

E ( e i t X ) = e x p ( i μ t − σ 2 t 2 2 ) = e x p ( − σ 2 t 2 / 2 ) e x p ( i μ t ) = e x p ( − σ 2 t 2 / 2 ) [ cos ⁡ ( μ t ) + i sin ⁡ ( μ t ) ] = e x p ( − σ 2 t 2 / 2 ) cos ⁡ ( μ t ) + e x p ( − σ 2 t 2 / 2 ) sin ⁡ ( μ t ) i = R e a l ( E ( e i t X ) ) + i I m ( E ( e i t X ) ) \begin{aligned} E(e^{itX})&=exp\left({i\mu t - \dfrac{\sigma^2t^2}{2}}\right) \\ &=exp(-\sigma^2t^2/2)exp(i\mu t) \\ &=exp(-\sigma^2t^2/2)\left[\cos(\mu t)+i\sin(\mu t)\right]\\ &=exp(-\sigma^2t^2/2)\cos(\mu t) +exp(-\sigma^2t^2/2)\sin(\mu t)i \\ &=Real(E(e^{itX}))+iIm(E(e^{itX})) \end{aligned} E(eitX)=exp(iμt−2σ2t2)=exp(−σ2t2/2)exp(iμt)=exp(−σ2t2/2)[cos(μt)+isin(μt)]=exp(−σ2t2/2)cos(μt)+exp(−σ2t2/2)sin(μt)i=Real(E(eitX))+iIm(E(eitX))

上述数学期望变为:
E ( e i t X ) = E ( cos ⁡ ( t X ) + i sin ⁡ ( t X ) ) = E ( c o s ( t X ) ) + i E ( s i n ( t X ) ) = R e a l ( E ( e i t X ) ) + i I m ( E ( e i t X ) ) \begin{aligned} E(e^{itX})&=E\left(\cos(tX)+i\sin(tX)\right)\\ &= E(cos(tX)) + iE(sin(tX))\\ &=Real(E(e^{itX}))+iIm(E(e^{itX})) \end{aligned} E(eitX)=E(cos(tX)+isin(tX))=E(cos(tX))+iE(sin(tX))=Real(E(eitX))+iIm(E(eitX))

对比上述的实数部分和虚数部分,得到:
E ( cos ⁡ ( t X ) ) = e x p ( − σ 2 t 2 / 2 ) cos ⁡ ( μ t ) E ( sin ⁡ ( t X ) ) = e x p ( − σ 2 t 2 / 2 ) s i n ( μ t ) E(\cos(tX))=exp(-\sigma^2t^2/2)\cos(\mu t)\\ E(\sin(tX))=exp(-\sigma^2t^2/2)sin(\mu t) E(cos(tX))=exp(−σ2t2/2)cos(μt)E(sin(tX))=exp(−σ2t2/2)sin(μt)

最后,当t=1的时候:
E ( cos ⁡ ( X ) ) = e x p ( − σ 2 / 2 ) cos ⁡ ( μ ) E ( sin ⁡ ( X ) ) = e x p ( − σ 2 / 2 ) s i n ( μ ) E(\cos(X))=exp(-\sigma^2/2)\cos(\mu)\\ E(\sin(X))=exp(-\sigma^2/2)sin(\mu) E(cos(X))=exp(−σ2/2)cos(μ)E(sin(X))=exp(−σ2/2)sin(μ)

参考资料:Mean and variance of Y=cos(bX) when X has a Gaussian distribution

应用:IPE位置编码中,对服从高斯分布正弦函数的数学期望计算:

python 复制代码
# Code Source: 
# https://github.com/liuyuan-pal/NeRO/blob/3b4d421a646097e7d59557c5ea24f4281ab38ef1/network/field.py#L369-L378
def expected_sin(mean, var):
  """Compute the mean of sin(x), x ~ N(mean, var)."""
  return torch.exp(-0.5 * var) * torch.sin(mean)  # large var -> small value.

def IPE(mean,var,min_deg,max_deg):
    scales = 2**torch.arange(min_deg, max_deg)
    shape = mean.shape[:-1] + (-1,)
    scaled_mean = torch.reshape(mean[..., None, :] * scales[:, None], shape)
    scaled_var = torch.reshape(var[..., None, :] * scales[:, None]**2, shape)
    return expected_sin(torch.concat([scaled_mean, scaled_mean + 0.5 * np.pi], dim=-1), torch.concat([scaled_var] * 2, dim=-1))
相关推荐
睿创咨询10 分钟前
科技与商业动态简报
人工智能·科技·ipd·商业
科技在线10 分钟前
科技赋能建筑新未来:中建海龙模块化建筑产品入选中国建筑首批产业化推广产品
大数据·人工智能
HED20 分钟前
用扣子快速手撸人生中第一个AI智能应用!
前端·人工智能
极小狐22 分钟前
极狐GitLab 如何 cherry-pick 变更?
人工智能·git·机器学习·gitlab
沛沛老爹27 分钟前
从线性到非线性:简单聊聊神经网络的常见三大激活函数
人工智能·深度学习·神经网络·激活函数·relu·sigmoid·tanh
0x21135 分钟前
[论文阅读]ReAct: Synergizing Reasoning and Acting in Language Models
人工智能·语言模型·自然语言处理
mucheni1 小时前
迅为iTOP-RK3576开发板/核心板6TOPS超强算力NPU适用于ARM PC、边缘计算、个人移动互联网设备及其他多媒体产品
arm开发·人工智能·边缘计算
Jamence1 小时前
多模态大语言模型arxiv论文略读(三十六)
人工智能·语言模型·自然语言处理
猿饵块1 小时前
opencv--图像变换
人工智能·opencv·计算机视觉
LucianaiB1 小时前
【金仓数据库征文】_AI 赋能数据库运维:金仓KES的智能化未来
运维·数据库·人工智能·金仓数据库 2025 征文·数据库平替用金仓