逆威沙特分布

逆威沙特分布的概率密度函数是：

${\displaystyle {\frac {\left|{\mathbf {\Psi } }\right|^{m/2}\left|\mathbf {B} \right|^{-(m+p+1)/2}e^{-\mathrm {trace} ({\mathbf {\Psi } }{\mathbf {B} }^{-1})/2}}{2^{mp/2}\Gamma _{p}(m/2)}},}$ 

其中 ${\displaystyle {\mathbf {B} }}$  和 ${\displaystyle {\mathbf {\Psi } }}$  都是 ${\displaystyle p\times p}$  的正定矩阵，而Γ_p(·) 则是多变量伽马分布（英语：Multivariate gamma function）。函数

${\displaystyle \mathrm {trace} \;:\quad \mathbf {M} \quad \rightarrow \quad \mathrm {trace} (\mathbf {M} )}$ 

指的是迹函数。

威沙特分布矩阵之逆的概率分布

设矩阵${\displaystyle {\mathbf {A} }\sim W({\mathbf {\Sigma } },m)}$  并且 ${\displaystyle {\mathbf {\Sigma } }}$  是${\displaystyle p\times p}$  的矩阵，那么 ${\displaystyle {\mathbf {B} }={\mathbf {A} }^{-1}}$  遵从逆威沙特分布：${\displaystyle {\mathbf {B} }\sim W^{-1}({\mathbf {\Sigma } }^{-1},m)}$ 。它的概率密度函数是：

${\displaystyle p(\mathbf {B} |\mathbf {\Psi } ,m)={\frac {\left|{\mathbf {\Psi } }\right|^{m/2}\left|\mathbf {B} \right|^{-(m+p+1)/2}\exp \left({-\mathrm {tr} ({\mathbf {\Psi } }{\mathbf {B} }^{-1})/2}\right)}{2^{mp/2}\Gamma _{p}(m/2)}}}$ 

其中 ${\displaystyle \mathbf {\Psi } =\mathbf {\Sigma } ^{-1}}$ ，而 ${\displaystyle \Gamma _{p}(\cdot )}$  是多变量伽马分布^[2]。

威沙特分布矩阵之逆的边际与条件分布

设矩阵 ${\displaystyle {\mathbf {A} }\sim W^{-1}({\mathbf {\Psi } },m)}$  遵从逆威沙特分布。并且假设矩阵 ${\displaystyle {\mathbf {A} }}$  和 ${\displaystyle {\mathbf {\Psi } }}$  都有相适合的分块矩阵表示方式：

${\displaystyle {\mathbf {A} }={\begin{bmatrix}\mathbf {A} _{11}&\mathbf {A} _{12}\\\mathbf {A} _{21}&\mathbf {A} _{22}\end{bmatrix}},\;{\mathbf {\Psi } }={\begin{bmatrix}\mathbf {\Psi } _{11}&\mathbf {\Psi } _{12}\\\mathbf {\Psi } _{21}&\mathbf {\Psi } _{22}\end{bmatrix}}}$ 

其中子矩阵 ${\displaystyle {\mathbf {A} _{ij}}}$  和 ${\displaystyle {\mathbf {\Psi } _{ij}}}$  是 ${\displaystyle p_{i}\times p_{j}}$  的矩阵，那么会有：

甲）${\displaystyle {\mathbf {A} _{11}}}$  和 ${\displaystyle {\mathbf {A} }_{11}^{-1}{\mathbf {A} }_{12}}$  与 ${\displaystyle {\mathbf {A} }_{22\cdot 1}}$  相互独立，其中 ${\displaystyle {\mathbf {A} _{22\cdot 1}}={\mathbf {A} }_{22}-{\mathbf {A} }_{21}{\mathbf {A} }_{11}^{-1}{\mathbf {A} }_{12}}$  是子矩阵 ${\displaystyle {\mathbf {A} _{11}}}$  在 ${\displaystyle {\mathbf {A} }}$  中的舒尔补。

乙） ${\displaystyle {\mathbf {A} _{11}}\sim W^{-1}({\mathbf {\Psi } _{11}},m-p_{2})}$ ;

丙） ${\displaystyle {\mathbf {A} }_{11}^{-1}{\mathbf {A} }_{12}|{\mathbf {A} }_{22\cdot 1}\sim MN_{p_{1}\times p_{2}}({\mathbf {\Psi } }_{11}^{-1}{\mathbf {\Psi } }_{12},{\mathbf {A} }_{22\cdot 1}\otimes {\mathbf {\Psi } }_{11}^{-1})}$ ，其中 ${\displaystyle MN_{p\times q}(\cdot ,\cdot )}$  是矩阵正态分布。

丁）${\displaystyle {\mathbf {A} }_{22\cdot 1}\sim W^{-1}({\mathbf {\Psi } }_{22\cdot 1},m)}$ 

共轭分布

假设要求先验分布 ${\displaystyle {p(\mathbf {\Sigma } )}}$  为逆威沙特分布 ${\displaystyle W^{-1}({\mathbf {\Psi } },m)}$  的协方差矩阵${\displaystyle {\mathbf {\Sigma } }}$ 。如果观测值 ${\displaystyle \mathbf {X} =[\mathbf {x} _{1},\ldots ,\mathbf {x} _{n}]}$  是从互相独立的 p-变量正态分布 ${\displaystyle N(\mathbf {0} ,{\mathbf {\Sigma } })}$  的随机变量得到的，那么条件分布 ${\displaystyle {p(\mathbf {\Sigma } |\mathbf {X} )}}$  遵从的是逆威沙特分布：${\displaystyle W^{-1}({\mathbf {A} }+{\mathbf {\Psi } },n+m)}$ 。其中 ${\displaystyle {\mathbf {A} }=\mathbf {X} \mathbf {X} ^{T}}$  是样本协方差矩阵的${\displaystyle n}$ 倍。

因此，逆威沙特矩阵是多变量正态分布的共轭先验分布。

矩相关特性

期望值：^[2]:85

${\displaystyle E(\mathbf {B} )={\frac {\mathbf {\Psi } }{m-p-1}}.}$ 

矩阵 ${\displaystyle \mathbf {B} }$  的每一个系数的方差：

${\displaystyle {\mbox{var}}(b_{ij})={\frac {(m-p+1)\psi _{ij}^{2}+(m-p-1)\psi _{ii}\psi _{jj}}{(m-p)(m-p-1)^{2}(m-p-3)}}}$ 

对角系数的方差是在上式中令 ${\displaystyle i=j}$  得到，化简后变成：

${\displaystyle {\mbox{var}}(b_{ii})={\frac {2\psi _{ii}^{2}}{(m-p-1)^{2}(m-p-3)}}.}$ 

当变量数目减到一个的时候，逆威沙特分布会变成特例：逆伽马分布（英语：Inverse-gamma distribution）。也就是说，当 ${\displaystyle p=1}$ 、${\displaystyle \alpha =m/2}$ 、${\displaystyle \beta =\mathbf {\Psi } /2}$  以及 ${\displaystyle x=\mathbf {B} }$  的时候，逆威沙特分布的概率密度函数是：

${\displaystyle p(x|\alpha ,\beta )={\frac {\beta ^{\alpha }\,x^{-\alpha -1}\exp(-\beta /x)}{\Gamma _{1}(\alpha )}}.}$ 

这正是逆伽马分布。其中 ${\displaystyle \Gamma _{1}(\cdot )}$  是通常的伽马函数。

而逆威沙特分布也有推广，其中一个是正态逆威沙特分布（英语：Normal-inverse-Wishart distribution）。

• 威沙特分布
• 矩阵正态分布