已知E(X)=0、A为幂等对称矩阵，咨询矩阵X的X^TAX期望求解方法

好问题！当$X$是矩阵而非向量时，确实不能直接套用向量场景下的迹转换技巧——毕竟此时$X^TAX$本身是一个矩阵，而非标量，我们需要从矩阵期望的定义出发，结合线性代数性质来推导。

前提回顾 #

先明确符号定义：

• 设$X$是$n \times p$的随机矩阵，且$E(X)=0$（题目已给定）；
• $A$是$n \times n$的幂等对称矩阵，即满足$A^2=A$且$AT=A$。

核心思路：从元素展开入手 #

矩阵的期望是逐元素计算的，即$E(X^TAX)$是一个$p \times p$的矩阵，它的第$(i,j)$个元素等于$E\left( (X^TAX){i,j} \right)$。我们先展开这个元素：
$$
(X^TAX){i,j} = \sum_{k=1}^n \sum_{l=1}^n X_{k,i} A_{k,l} X_{l,j}
$$
利用期望的线性性，把期望代入求和式：
$$
E\left( (X^TAX){i,j} \right) = \sum{k=1}^n \sum_{l=1}^n A_{k,l} \cdot E\left(X_{k,i}X_{l,j}\right)
$$

转化为迹的形式（更简洁的表达） #

注意到$\sum_{k,l} A_{k,l} B_{k,l} = \text{Tr}(A^{TB)$，而$A$是对称矩阵（$A}T=A$），所以上式可以改写为迹的形式：
$$
E\left( (X^TAX){i,j} \right) = \text{Tr}\left( A \cdot E\left(X{:,i}X_{:,j}^T\right) \right)
$$
这里$X_{:,i}$表示$X$的第$i$列，$X_{:,j}^{T$表示$X$的第$j$行。这个式子其实是向量场景的推广：当$p=1$时，$X$是向量，此时$(i,j)$只有$(1,1)$，式子就退化为你熟悉的$E(X}TAX) = \text{Tr}\left(A E(XX^T)\right)$。

特殊场景的简化 #

如果$X$的各列之间相互独立，那么当$i \neq j$时，$E\left(X_{:,i}X_{:,j}^T\right) = E(X_{:,i})E(X_{:,j}^T) = 0$（因为$E(X)=0$），此时$E(X^TAX)$会是一个对角矩阵，对角线元素为$\text{Tr}\left( A \cdot E\left(X_{:,i}X_{:,i}^T\right) \right)$，每一项对应$X$某一列的向量二次型期望。

用向量化与克罗内克积的整体表达 #

如果你偏好整体的矩阵形式，可以利用vec算子（把矩阵按列堆叠成向量）和克罗内克积的性质：
根据$\text{vec}(BXC) = (C^T \otimes B)\text{vec}(X)$，对$X^TAX$应用该性质可得：
$$
\text{vec}(X^TAX) = (X^T \otimes X^T)\text{vec}(A)
$$
两边取期望后：
$$
\text{vec}\left(E(X^TAX)\right) = E\left( (X^T \otimes X^T)\text{vec}(A) \right) = E(X^T \otimes X^T) \cdot \text{vec}(A)
$$
不过这种形式更多用于理论推导，实际计算中元素展开的方式往往更直观。

内容的提问来源于stack exchange，提问作者Ari.stat