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