有限維分布（finite-dimensional distributions）
一個過程有無窮多個時間點，所以你無法一口氣寫下整條無窮路徑「那個」分布。但你可以退而求其次：描述過程在任何有限個選定時刻看起來的樣子。有限維分布正是如此 —— 對每一個有限的時間清單 t_1 < t_2 < ... < t_n，(X_{t_1}, X_{t_2}, ..., X_{t_n}) 的聯合分布。
具體來說，挑任何一組有限的瞬間，比方說時刻 1、5、9。三元組 (X_1, X_5, X_9) 不過是一個有著普通聯合分布的普通三維隨機向量 —— 你可以問 P(X_1 = a, X_5 = b, X_9 = c) 或它的聯合密度。對每一種可能的有限時刻選擇與每一個 n 都這麼做，你就有了整族有限維分布。它們是「一次一個有限視窗」地描述出來的過程。值得注意的是，就大多數實際目的而言，這些有限快照已經決定了過程：若兩個過程在所有有限維分布上一致，它們就有相同的法則。
有一個值得誠實說明的但書。有限維分布釘住了你藉由觀察可數多個時間點所能判定的一切，但某些路徑性質 —— 例如軌跡是否連續 —— 並「不」單由它們決定，因為這類性質一次依賴於不可數多個時刻。這正是連續性假設與選取過程的「良好版本」這類東西所要填補的缺口。
對於有限維分布全為多元常態的過程 —— 每個向量 (X_{t_1}, ..., X_{t_n}) 都是聯合高斯的 —— 這個過程稱為高斯過程，而它完全由一個均值函數 m(t) = E[X_t] 與一個共變異數函數 C(s, t) = Cov(X_s, X_t) 所描述。布朗運動是著名的例子：每個有限快照都是高斯的。
一次以一個有限的時刻視窗去描述過程；所有這類視窗構成的族就是它的有限維分布。
有限維分布決定過程的法則，但「不」決定其路徑的規律性 —— 軌跡的連續性或平滑性對任何可數的快照集合都是看不見的，必須另行假設或證明。