Supongamos que realizar dos experimentos, cada uno mide un subconjunto de los parámetros posibles. Desde experimento #1 yo medir dos parámetros y la estimación de la distribución normal multivariante
$$ \mathbf{X}_1=\left [ x_1,x_2 \right ] $$ $$ \mathbf{X}_1\ \sim\ \mathcal{N}_1(\boldsymbol\mu_1,\, \boldsymbol\Sigma_1) $$ $$ \mu_1=[\mu_1^1,\mu_2^1] $$ $$ \Sigma_1 = \begin{bmatrix} var(x_1^1) & \\ cov(x_2^1,x_1^1) & var(x_2^1)\\ \end{bmatrix} $$ En el experimento #2 me mide tres parámetros y construir una segunda distribución normal multivariante $$ \mathbf{X}_2=\left [ x_2,x_3,x_4 \right ] $$ $$ \mathbf{X}_2\ \sim\ \mathcal{N}_2(\boldsymbol\mu_2,\, \boldsymbol\Sigma_2) $$ $$ \mu_2=[\mu_2^2,\mu_3^2,\mu_4^2] $$ $$ \Sigma_2 = \begin{bmatrix} var(x_2^2)& & \\ cov(x_3^2,x_2^2) & var(x_3^2) & \\ cov(x_4^2,x_2^2) & cov(x_4^2,x_3^2) & var(x_4^2) \end{bmatrix} $$
- Mi pregunta es ¿cómo puedo calcular la distribución de probabilidad conjunta que describe el completar el espacio $ \mathbf{X}=\left [ x_1, x_2,x_3,x_4 \right ]$?
- Mi objetivo es utilizar esta distribución de probabilidad conjunta para calcular la probabilidad de que un conjunto de validación y hacer de selección de modelo.
Las fórmulas para calcular el producto de dos multivariante pdf considerar las mismas dimensiones, por eso estoy confundido.
EDITAR: He estado pensando acerca de esto, y aquí es donde estoy en: Como Ken pone en su respuesta, no hemos observado $x_1$ e $x_3$ juntos así que no tenemos presupuesto para $cov(x_1,x_3)$. Por lo que en ausencia de esta información me parece a mí, es mi mejor opción es asumir que los $cov(x_1,x_3)=0$ ?
Si esta suposición tiene sentido, a continuación, puedo utilizar los siguientes medios y covarianzas para estimar el producto? Aviso que soy yo soy "completar" la matriz de covarianza de experimento #1 con las covarianzas observadas en el experimento #2 y viceversa, donde la $x_i^j$ indica el $i$th parámetro observado en el experimento $j$ $$ \mu_1=[\mu_1^1,\mu_2^1,\mu_3^2,\mu_4^2] $$ $$ \Sigma_1 = \begin{bmatrix} var(x_1^1) & & & \\ cov(x_2^1,x_1^1) & var(x_2^1)& & \\ 0 & cov(x_3^2,x_2^2) & var(x_3^2) & \\ 0 & cov(x_4^2,x_2^2) & cov(x_4^2,x_3^2) & var(x_4^2) \end{bmatrix} $$
Y para el experimento #2
$$ \mu_2=[\mu_1^1,\mu_2^2,\mu_3^2,\mu_4^2] $$ $$ \Sigma_2 = \begin{bmatrix} var(x_1^1) & & & \\ cov(x_2^1,x_1^1) & var(x_2^2)& & \\ 0 & cov(x_3^2,x_2^2) & var(x_3^2) & \\ 0 & cov(x_4^2,x_2^2) & cov(x_4^2,x_3^2) & var(x_4^2) \end{bmatrix} $$