Gauss Süreci ve Wishart dağılımı için kovaryans matrisi


11

Genelleştirilmiş Wishart Processes (GWP) hakkındaki bu makaleyi okuyorum . Kağıt, kareli üstel kovaryans fonksiyonunu kullanarak farklı rasgele değişkenler ( Gauss Süreci sonrasında ) arasındaki kovaryansları, yani . Daha sonra bu kovaryans matrisinin GWP'yi takip ettiğini söylüyor.K(x,x)=exp(|(xx)|22l2)

Doğrusal kovaryans fonksiyonundan ( )K(x,x)=xTx hesaplanan bir kovaryans matrisinin Wishart Dağılımını uygun parametrelerle izlediğini düşünürdüm.

Sorum şu: Kareli üstel kovaryans fonksiyonuna sahip bir Wishart dağılımını takip etmek için kovaryansın nasıl hala varsayabiliriz? Ayrıca, genel olarak, bir Wishart dağıtılmış kovaryans matrisi üretmek için bir kovaryans fonksiyonunun gerekli koşulu nedir?

Yanıtlar:


8

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 xx x T'nin nasıl olduğu hakkında genel bir sonuçtur. XN(0,Σ)pΣW=XXTWp(Σ,1)Wp×p

xxxT
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,,XnWi=XiXiT
W1++Wn
Wp(Σ,n)nΣ.

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))xR Tüm x 1 , , x pR için TN ( 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))TN(0,Σ(x1,,xp))
x1,,xpRK 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).
K
X(x1,,xp)X(x1,,xp)T
dağıtım.Wp(Σ(x1,,xp),1)

Bunu cevapladığınız için teşekkürler. Birkaç sorum var reg. cevabınız -Guussian dist'i Wishart dist'e dönüştüren dönüşümü, + ve kesin cov matrisinin herhangi bir seçeneği için tutarken, bu cov matrisi için ne gibi seçeneklerimiz var? Ayrıca, sadece açıklığa kavuşturmak için - cov işlevi tarafından tanımlanan cov matrisi için, i ve j Gauss Süreci'nin ortam boşluğundaki öğeleri belirtir (örneğin, geçici bir süreçse, o zaman t_1 ve t_2 zaman anları)?
steadyfish

ijxixjΣ ΣΣ

xTx

@steadyfish, oh, anlıyorum. Aslında, aktarımlara ve vektörlerin satır veya sütun vektörleri olup olmadığına özensiz davrandım. Bunu şimdi kesinleştirdim ve ampirik kovaryans matrisi ile teorik kovaryans matrisi arasındaki ilişkiye biraz ekledim. Teorik gözlemler olarak tanımlanmamıştır.
NRH
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.