Además de la buena respuesta de @DahnJahn, pensé que trataría de decir un poco más sobre el origen de las funciones Bessel y gamma. Un punto de partida para llegar a la función de covarianza es el teorema de Bochner.
Teorema (Bochner) Una función estacionaria continua es positiva definida si y solo si
˜ k es la transformada de Fourier de una medida positiva finita:
˜ k ( t ) = ∫ R e - i ω t d µ ( ω )k(x,y)=k˜(|x−y|)k˜
k˜(t)=∫Re−iωtdµ(ω)
De esto se puede deducir que la matriz de covarianza de Matérn se deriva como la transformada de Fourier de (Fuente). Eso está bien, pero en realidad no nos dice cómo se llega a esta medida positiva finita dada por11(1+ω2)p . Bueno, es la densidad espectral (potencia) de un proceso estocásticof(x).1(1+ω2)pf(x)
¿Qué proceso estocástico? Se sabe que un proceso aleatorio en con una función de covarianza de Matérn es una solución a la ecuación diferencial parcial estocástica (SPDE)
( κ 2 - ∆ ) α / 2 X ( s ) = φ W ( s ) ,
donde W ( s ) es ruido blanco gaussiano con varianza unitaria, Δ = d ∑ i = 1 ∂ 2Rd
(κ2−Δ)α/2X(s)=φW(s),
W(s) es el operador de Laplace, y
α=ν+d/2(creo que esto está en
Cressie y Wikle).
Δ=∑i=1d∂2∂x2i
α=ν+d/2
¿Por qué elegir este proceso SPDE / estocástico en particular? El origen está en las estadísticas espaciales, donde se argumenta que es la covarianza más simple y natural que funciona bien en :R2
La función de correlación exponencial es una correlación natural en una dimensión, ya que corresponde a un proceso de Markov. En dos dimensiones esto ya no es así, aunque la exponencial es una función de correlación común en el trabajo geoestadístico. Whittle (1954) determinó la correlación correspondiente a una ecuación diferencial estocástica de tipo Laplace:
[(∂∂t1)2+(∂∂t2)2−κ2]X(t1,t2)=ϵ(t1,t2)
ϵ
AR(1)AR(p)p
Esta función de covarianza no está relacionada con el proceso de clúster de Matérn.
Referencias
Cressie, Noel y Christopher K. Wikle. Estadísticas para datos espacio-temporales. John Wiley & Sons, 2015.
Guttorp, Peter y Tilmann Gneiting. "Estudios en la historia de probabilidad y estadística XLIX sobre la familia de correlación Matern". Biometrika 93.4 (2006): 989-995.
Rasmussen, CE y Williams, CKI Gaussian Processes for Machine Learning. MIT Press, 2006.