本文探讨了多元正态分布中条件分布和边缘分布的性质。对于联合正态分布的变量，条件分布可以表示为特定形式的正态分布，边缘分布则保持为正态分布。证明过程涉及精度矩阵和正态分布密度函数的指数项特性。通过适当操作，可以推导出条件分布和边缘分布的具体形式。
本文总结多元正态分布的条件分布与边缘分布，证明不难，但都比较繁琐，故不做详细证明，有兴趣可以参考Pattern Recognition and Machine Learningy一书。
1 正态分布的条件分布
对于联合正态分布变量x∼N(μ,Σ)x\sim N(\mu,\Sigma)x∼N(μ,Σ)，定义精度矩阵（the precision matrix）为协方差矩阵的逆，即Λ≡Σ−1\Lambda\equiv \Sigma^{-1}Λ≡Σ−1，做分块处理：
x=[xaxb],μ=[μaμb],Σ=[ΣaaΣabΣbaΣbb],Λ=[ΛaaΛabΛbaΛbb] x=\begin{bmatrix} x_a \\ x_b \end{bmatrix}, \mu=\begin{bmatrix} \mu_a \\ \mu_b \end{bmatrix},\Sigma=\begin{bmatrix} \Sigma_{aa} &\Sigma_{ab} \\ \Sigma_{ba}& \Sigma_{bb} \end{bmatrix}, \Lambda=\begin{bmatrix} \Lambda_{aa} &\Lambda_{ab} \\ \Lambda_{ba}& \Lambda_{bb} \end{bmatrix} x=[xaxb],μ=[μaμb],Σ=[Σ
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
