Lo que está mezclado es la especificación de covarianza en términos del espacio ambiente en el que se define el proceso gaussiano, y la operación que transforma una variable aleatoria gaussiana de dimensión finita para producir una distribución Wishart.
Si es una variable aleatoria gaussiana p- dimensional (un vector de columna) con media 0 y matriz de covarianza Σ , la distribución de W = X X T es una distribución de Wishart W p ( Σ , 1 ) . Tenga en cuenta que W es una matriz p × p . Este es un resultado general sobre cómo la forma cuadrática x ↦ x x TX∼N(0,Σ)pΣW=XXTWp(Σ,1)Wp×p
x↦xxT
transforma una distribución gaussiana en una distribución Wishart. Es válido para cualquier elección de matriz de covarianza definida positiva
. Si tiene iid observaciones
X 1 , ... , X n, entonces con
W i = X i X T i la distribución de
W 1 + ... + W n
es una distribución de
Wishart
W p ( Σ , n ) . Dividiendo por
n obtenemos la matriz de covarianza empírica
, una estimación de
ΣΣX1,…,XnWi=XiXTiW1+…+Wn
Wp(Σ,n)n−Σ.
Para los procesos gaussianos hay un espacio ambiental, digamos, por ejemplo, que es , de modo que las variables aleatorias consideradas están indexadas por elementos en el espacio ambiental. Es decir, se considera un proceso ( X ( x ) ) x ∈ R . Es gaussiano (y por simplicidad, aquí con media 0) si sus distribuciones marginales de dimensión finita son gaussianas, es decir, si
X ( x 1 , ... , x p ) : = ( X ( x 1 ) , ... , X ( xR(X(x))x∈R
para todo x 1 , ... , x p ∈ R . La elección de lafuncióndecovarianza, como lo menciona el OP, determina la matriz de covarianza, es decir,
cov ( X ( x i ) , X ( x j ) ) = Σ ( x 1 ,
X(x1,…,xp):=(X(x1),…,X(xp))T∼N(0,Σ(x1,…,xp))
x1,…,xp∈R
Sin tener en cuenta la elección de
K, la distribución de
X ( x 1 , ... , x p ) X ( x 1 , ... , x p ) T
será un Wishart
W p ( Σ ( x 1 , ... , x p )cov(X(xi),X(xj))=Σ(x1,…,xp)i,j=K(xi,xj).
KX(x1,…,xp)X(x1,…,xp)T
-distribución.
Wp(Σ(x1,…,xp),1)