Karıştırılan şey, Gauss işleminin tanımlandığı ortam alanı ve bir Wishart dağılımı elde etmek için sonlu boyutlu Gauss rasgele değişkenini dönüştüren işlem açısından kovaryans spesifikasyonudur .
Eğer a, p , ortalama 0 ve kovaryans matrisi ile boyutlu Gauss rastgele değişken (kolon vektörü) Σ , dağılımı G = X X T bir Wishart dağılımı olan B p ( Σ , 1 ) . W'nin bir p × p matrisi olduğuna dikkat edin . Bu, kuadratik formun x ↦ x x T'nin nasıl olduğu hakkında genel bir sonuçtur. X ∼ N( 0 , Σ )pΣG = X XTWp( Σ , 1 )Wp × p
x ↦ x xT
Gauss dağılımını Wishart dağılımına dönüştürür. Pozitif tanımlanmış kovaryans matrisi
herhangi bir seçimini içerir . Eğer iI gözlemleriniz
X 1 , … , X n ise
W i = X i X T i ile
W 1 + … + W n'nin
dağılımı bir Wishart
W p ( Σ , n ) dağılımıdır. Tarafından bölmek
n biz ampirik kovaryans matrisi olsun
- bir tahminini
ΣΣX1, … , XnWben= XbenXTbenW1+…+Wn
Wp(Σ,n)n−Σ.
Gauss bir çevre alanı olduğundan işleyen için, olduğu gösterim amacıyla sağlar ki olarak rastgele değişkenler ortam alan eleman tarafından dizine, öyle ki. Yani, bir süreci ( X ( x ) ) x ∈ R olarak ele alıyoruz . Sonlu boyutlu marjinal dağılımları Gauss ise, yani X ( x 1 , … , x p ) ise Gauss'dur (ve basitlik için, burada ortalama 0 ile
) : = ( X ( x 1 ) , … , X ( xR(X(x))x∈R
Tüm x 1 , … , x p ∈ R için T ∼ N ( 0 , Σ ( x 1 , … , x p ) ) . OP tarafından belirtildiği gibikovaryans fonksiyonununseçimi, kovaryans matrisini, yani
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∈RK
seçiminin dikkate alınmaması durumunda
X ( x 1 , … , x p ) X ( x 1 , … , x p ) T dağılımı
Wishart
W p ( Σ ( x 1 , … , x p ) olacaktır.cov(X(xi),X(xj))=Σ(x1,…,xp)i,j=K(xi,xj).
KX(x1,…,xp)X(x1,…,xp)T
dağıtım.
Wp(Σ(x1,…,xp),1)