Çok değişkenli normal posterior


18

Bu çok basit bir soru ama türetmeyi internette veya kitapta hiçbir yerde bulamıyorum. Bayesilerin çok değişkenli bir normal dağılımı nasıl güncellediğini görmek isterim. Örneğin: hayal edin

P(x|μ,Σ)=N(μ,Σ)P(μ)=N(μ0,Σ0).

{\ Bf x_1 ... x_n} kümesini gözlemledikten sonra \ mathbb {P} ({\ bf \ mu | x_1 ... x_n})x1...xn hesaplamak istiyorum . Cevabın olduğunu biliyoruz \ mathbb {P} ({\ bf \ mu | x_1 ... X_n}) = N ({\ bf \ mu_n}, {\ bf \ Sigma_n}) buradaP(μ|x1...xn)P(μ|x1...xn)=N(μn,Σn)

μn=Σ0(Σ0+1nΣ)1(1ni=1nxi)+1nΣ(Σ0+1nΣ)1μ0Σn=Σ0(Σ0+1nΣ)11nΣ

Bu sonucun tüm ara matris cebiri ile türetilmesini arıyorum.

Herhangi bir yardım çok takdir edilmektedir.


2
Aynı zamanda Bayesian Core , Chap. 3, Bölüm 3.2, sayfa 54-57 düşündüğümüz şeyle detaylı matris cebiri!
Xi'an

1
OP bunun bir ev ödevi sorunu olmadığını ve neden sorduğunu ve cevabı nasıl kullanmak istediğini açıkladı. Neden başkaları için yayınlamıyorsunuz? Neden bir ev ödevi problem çözme hizmeti sunmak istemediğimizi anlıyorum, ancak bu biraz fazla ileri gidiyor.
Michael R.Chernick

3
@Alex: Üzgünüm, yanlış bağlantı, Bayesian Core demek istedim . Ayrıca , arXiv ile ilgili tüm sorunlara çözüm gönderdiğimizi unutmayın . Yani burada tam bir çözüm göndermek zarar vermez!
Xi'an

1
Yorumların, soruya özel bir cevap paylaşma düzenlemesi olan bireyler arasındaki özel alışverişe karşılık gelen kısmını sildim. Bu tür şeyler tamamen herkese açık sorular ve genel cevaplarla ilgili olan bu siteyi kötüye kullanıyor .
whuber

1
Tıpkı bir FYI gibi, derivasyon Duda, Hart ve Stork tarafından Desen Sınıflandırmasındadır. Ancak, sadece benim için önemli olan bazı adımlarını takip etmekte zorlanıyordum. Eğer bu sadece ödev olsaydı, tam olarak sahip olduklarını yazabilirdi.
Alex,

Yanıtlar:


6

Rastgele vektörlerimizdeki dağılımlarla:

xi|μN(μ,Σ)

μN(μ0,Σ0)

Bayes'in kuralı ile arka dağılım şöyle görünür:

p(μ|{xi})p(μ)i=1Np(xi|μ)

Yani:

lnp(μ|{xi})=12i=1N(xiμ)Σ1(xiμ)12(μμ0)Σ01(μμ0)+const

=12NμΣ1μ+i=1NμΣ1xi12μΣ01μ+μΣ01μ0+const

=12μ(NΣ1+Σ01)μ+μ(Σ01μ0+Σ1i=1Nxi)+const

=12(μ(NΣ1+Σ01)1(Σ01μ0+Σ1i=1Nxi))(NΣ1+Σ01)(μ(NΣ1+Σ01)1(Σ01μ0+Σ1i=1Nxi))+const

Bir Gaussianın günlük yoğunluğu nedir:

μ|{xi}N((NΣ1+Σ01)1(Σ01μ0+Σ1i=1Nxi),(NΣ1+Σ01)1)

Kovaryans matrisi için ifademizde Woodbury kimliğini kullanma:

(NΣ1+Σ01)1=Σ(1NΣ+Σ0)11NΣ0

Hangi kovaryans matrisi OP istediğini sağlar. Bu ifadeyi (ve simetrisini), sahip olduğumuz ortalama ifadede daha fazla kullanmak:

Σ(1NΣ+Σ0)11NΣ0Σ01μ0+1NΣ0(1NΣ+Σ0)1ΣΣ1i=1Nxi

=Σ(1NΣ+Σ0)11Nμ0+Σ0(1NΣ+Σ0)1i=1N(1Nxi)

Hangi OP için ortalama için gereken formdur.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.