我们有一个多元法向向量。考虑将和划分为
将\ Sigma的类似分区划分为
实际上,这些结果也已在Wikipedia中提供,但是我不知道和是如何得出的。这些结果至关重要,因为它们是推导卡尔曼滤波器的重要统计公式。有人能提供我推导和\ overline {\ Sigma}的推导步骤吗?非常感谢你!
我们有一个多元法向向量。考虑将和划分为
将\ Sigma的类似分区划分为
实际上,这些结果也已在Wikipedia中提供,但是我不知道和是如何得出的。这些结果至关重要,因为它们是推导卡尔曼滤波器的重要统计公式。有人能提供我推导和\ overline {\ Sigma}的推导步骤吗?非常感谢你!
Answers:
您可以通过用蛮力显式计算条件密度来证明这一点,如评论中Procrastinator的链接(+1)所示。但是,还有一个定理说多元正态分布的所有条件分布都是正态的。因此,剩下的就是计算均值向量和协方差矩阵。我记得我们是在大学的时间序列课程中通过巧妙地定义第三个变量并使用其属性来得出结果的,而不是通过链接中的强力解决方案(只要您对矩阵代数感到满意),就可以得出该结果。我要从记忆中走出来,但这是这样的:
假设为第一个分区,为第二个分区。现在定义,其中。现在我们可以写
因此和是不相关的,并且由于它们是共同正常的,所以它们是独立的。现在,显然,因此得出
这证明了第一部分。对于协方差矩阵,请注意
现在我们差不多完成了:
这证明了第二部分。
注意:对于不熟悉此处使用的矩阵代数的人,这是一个很好的资源。
编辑:此处使用的一个属性不在矩阵食谱中(好的捕获@FlyingPig)是维基百科页面上有关协方差矩阵的属性6:对于两个随机向量,对于标量,当然,但对于向量,它们在矩阵排列不同的方面有所不同。
Macro的答案很好,但是这是一种甚至更简单的方法,不需要您使用任何外部定理来断言条件分布。它涉及以分隔条件语句的参数变量的形式编写Mahanalobis距离,然后相应地分解法线密度。
重写条件向量的Mahanalobis距离:此推导使用矩阵求逆公式,该公式使用Schur补码 。我们首先使用逐块求逆公式将逆方差矩阵写为:
哪里:
使用这个公式,我们现在可以将马哈纳洛比斯距离写成:
哪里:
注意,该结果是不假定随机向量的正态性的一般结果。它提供了一种重新构造Mahanalobis距离的有用方法,使其相对于分解中的仅一个矢量(另一种被吸收到平均矢量和方差矩阵中)为二次形式。
推导条件分布:现在,我们有了上面的Mahanalobis距离形式,剩下的就很容易了。我们有:
这可以确定条件分布也具有指定的条件均值向量和条件方差矩阵的多元正态分布。