协方差的意义和计算公式
2017-06-09 16:00
316 查看
在概率统计中我们学习的最基本的知识有:均值,方差,标准差。
X¯=1n∑i=1nXi
它表示的是一组数据的集中趋
S2=1n−1∑i=1n(Xi−X¯)2
S=方差−−−−√=S2−−−√
方差和标准差表示一组数据的离散程度
cov(X,Y)=∑ni=1(Xi−X¯)(Yi−Y¯)n−1
从公式我们可以看出:
cov(X,Y)=⎧⎩⎨>0,X和Y正相关<0,X和Y负相关=0,X和Y相互独立
这只是从一维的角度去解释协方差,如果放到高维空间又会怎样?
当然我们会使用协方差矩阵,且协方差矩阵的定义如下:
Cn×n=(ci,j,cj,i=cov(Dimi,Dimj))
我们用一个3维的例子来表示
C=⎛⎝⎜cov(x,x)cov(y,x)cov(z,x)cov(x,y)cov(y,y)cov(z,y)cov(x,z)cov(y,z)cov(z,z)⎞⎠⎟
均值 |
它表示的是一组数据的集中趋
方差 |
标准差 |
方差和标准差表示一组数据的离散程度
协方差 |
协方差表示的意义是什么呢? |
cov(X,Y)=⎧⎩⎨>0,X和Y正相关<0,X和Y负相关=0,X和Y相互独立
协方差矩阵 |
当然我们会使用协方差矩阵,且协方差矩阵的定义如下:
Cn×n=(ci,j,cj,i=cov(Dimi,Dimj))
我们用一个3维的例子来表示
C=⎛⎝⎜cov(x,x)cov(y,x)cov(z,x)cov(x,y)cov(y,y)cov(z,y)cov(x,z)cov(y,z)cov(z,z)⎞⎠⎟