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 = [ x a x b ] , μ = [ μ a μ b ] , Σ = [ Σ a a Σ a b Σ b a Σ b b ] , Λ = [ Λ a a Λ a b Λ b a Λ b b ] 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=[μ