Ce qui est mélangé, c'est la spécification de covariance en termes d' espace ambiant sur lequel le processus gaussien est défini, et l'opération qui transforme une variable aléatoire gaussienne de dimension finie pour produire une distribution de Wishart.
Si est une variable aléatoire gaussienne à dimensions (un vecteur de colonne) avec une moyenne de 0 et une matrice de covariance , la distribution de est une distribution Wishart . Notez que est une matrice . Il s'agit d'un résultat général sur la façon dont la forme quadratique
transforme une distribution gaussienne en distribution Wishart. Il est valable pour tout choix de matrice de covariance définie positive . Si vous avez des observations iidX∼N(0,Σ)pΣW=XXTWp(Σ,1)Wp×p
x↦xxT
ΣX1,…,Xnpuis avec la distribution de
est un Wishart -distribution. En divisant par nous obtenons la matrice de covariance empirique une estimation de .
Wi=XiXTiW1+…+Wn
Wp(Σ,n)n−Σ
Pour les processus gaussiens il y a un espace ambiant, disons à titre d'illustration qu'il est , de sorte que les variables aléatoires considérées sont indexées par des éléments dans l'espace ambiant. Autrement dit, nous considérons un processus . Il est gaussien (et pour simplifier, ici avec la moyenne 0) si ses distributions marginales dimensionnelles finies sont gaussiennes, c'est-à-dire si
pour tous les . Le choix de la fonction de covariance , comme mentionné par l'OP, détermine la matrice de covariance, c'est-à-dire
R(X(x))x∈R
X(x1,…,xp):=(X(x1),…,X(xp))T∼N(0,Σ(x1,…,xp))
x1,…,xp∈Rcov(X(xi),X(xj))=Σ(x1,…,xp)i,j=K(xi,xj).
Sans tenir compte du choix de la distribution de
sera un Wishart -distribution.
KX(x1,…,xp)X(x1,…,xp)T
Wp(Σ(x1,…,xp),1)