Question sur la pondération à variance inverse

9

Supposons que nous voulons faire une inférence sur une réalisation non observée d'une variable aléatoire , qui est normalement distribuée avec la moyenne et la variance . Supposons qu'il existe une autre variable aléatoire (dont nous appellerons également réalisation non observée ) qui est normalement distribuée avec la moyenne et la variance . Soit la covariance de et .xx~μxσx2y~yμyσy2σxyx~y~

Supposons maintenant que nous observons un signal sur , où , et un signal sur , où . Supposons que et sont indépendants.x

a=x+u~,
u~N(0,ϕx2)y
b=y+v~,
v~N(0,ϕy2)u~v~

Quelle est la distribution de conditionnelle à et ?xab

Ce que je sais jusqu'à présent: en utilisant la pondération à variance inverse, et

E(x|a)=1σx2μx+1ϕx2a1σx2+1ϕx2,
Var(x|a)=11σx2+1ϕx2.

Comme et sont dessinés conjointement, devrait contenir des informations sur . À part le réaliser, je suis coincé. Toute aide est appréciée!xybx

bad_at_math
la source
Cela ressemble exactement aux premières étapes de la dérivation d'un filtre de Kalman. Vous pouvez regarder la dérivation et penser au gain de Kalman pour la mise à jour de l'estimation de la covariance d'état. cs.unc.edu/~welch/media/pdf/kalman_intro.pdf
EngrStudent
Merci pour la réponse! J'ai lu le document dans votre lien, mais je ne vois pas le lien avec le filtrage de Kalman. Avez-vous une chance à élaborer? J'apprécie l'aide!
bad_at_math
2
@EngrStudent Si l'OP n'est pas familier avec le filtre de Kalman, je ne vois pas comment cela va être d'une grande aide. Peut-être pourriez-vous plutôt expliquer comment aborder le problème sans invoquer les spécificités (ou le jargon) impliqués avec le KF, tout en utilisant peut-être votre compréhension de celui-ci pour guider une réponse sur les spécificités ici.
Glen_b -Reinstate Monica
Posté sur math.SE ici
Glen_b -Reinstate Monica

Réponses:

2

Je ne sais pas si les formules de pondération à variance inverse s'appliquent ici. Cependant, je pense que vous pourriez calculer la distribution conditionnelle de étant donné et en supposant que , , et suivent une distribution normale multivariée conjointe.xabxyab

Plus précisément, si vous supposez (de manière compatible avec ce qui est spécifié dans la question) que puis, laissant et , vous pouvez trouver que

[xyuv]N([μxμy00],[σx2σxy00σxyσy20000ϕx20000ϕy2])
a=x+ub=y+v
[xab]N([μxμxμy],[σx2σx2σxyσx2σx2+ϕx2σxyσxyσxyσy2+ϕy2]).
(Notez que dans ce qui précède, il est implicitement supposé que et sont indépendants l'un de l'autre et également avec et .)uvxy

À partir de cela, vous pouvez trouver la distribution conditionnelle de étant donné et utilisant les propriétés standard de la distribution normale multivariée (voir ici par exemple: http://en.wikipedia.org/wiki/Multivariate_normal_distribution#Conditional_distributions ).xab

a.arfe
la source