重要的统计量（期望、方差、协方差、相关系数、矩）的概念和性质

原创最新推荐文章于 2026-05-17 05:53:16 发布 1w 阅读 AI写同款

收录于

机器学习入门

Answerlzd

码龄9年墨衍会员 · AI 创作全网分发

67粉丝119篇原创

关注

什么是协方差(covariance)？（延伸到 协方差矩阵、多元高斯分布、PCA） 协方差是一个统计量，是对一个样本的某一统计特性给出的一个估算量。常见统计量 阅读详情

AI摘要

本文介绍了统计学中的核心概念，包括期望、方差、协方差、Pearson相关系数及矩等，详细解释了这些概念的定义、性质及其在机器学习中的应用。

一、期望

1、定义

在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。

离散型：

$E(X)=\sum_{i}x_{i}p_{i}$

连续型

$E(X)=\int_{-\infty }^{\infty}xf(x)dx$

即：概率加权下的“平均值”。

2、无条件成立

$E(kX)=kE(X)$

$E(X+Y)=E(X)+E(Y)$

3、X和Y相互独立

$E(XY)=E(X)E(Y)$

反正不成立。事实上，若 $E(XY)=E(X)E(Y)$ ，只能说明X和Y不相关。（不相关的定义来自下面协方差部分?）

关于相关和独立（摘自一只快乐小胖）：

相关性是指两个随机变量之间的线性关系，不相关只是说明它们之间不具有线性关系，但是可以有别的关系，所以不一定相互独立。
如果两个随机变量独立，就是说它们之间没有任何关系，自然也不会有线性关系，所以它们不相关。反过来说如果两个随机变量相关，也就是说它们之间有线性关系，自然不独立。

独立： $P(AB)=P(A)P(B)$
互斥： $P(AB)=0$ ， $P(A+B)=P(A)+P(B)$

二、方差

1、定义

方差是衡量源数据和期望值相差的度量值。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。

$Var(X)=E\left \{ [X-E(X)]^{2} \right \}=E(X^{2})-E^{2}(X)$

2、无条件成立

$Var(c)=0$

$Var(X+c)=Var(X)$

$Var(kX)=k^{2}Var(X)$

3、X和Y独立

$Var(X+Y)=Var(X)+Var(Y)$

方差的平方根称为标准差。

三、协方差

1、定义

在有限的二阶矩的情况下，两个共同分布的实值随机变量X和Y之间的协方差被定义为它们偏离各自期望值的期望乘积。但协方差的计算有多种形式，和定义的一般格式有所区别。

$Cov(X,Y)=E\left \{ [X-E(X)][Y-E(Y)] \right \}$

$=E[XY-XE(Y)-E(X)Y+E(X)(Y)]$

$=E(XY)-E(X)E(Y)-E(X)E(Y)+E(X)E(Y)$

$=E(XY)-E(X)E(Y)$

2、性质

$Cov(X,Y)=Cov(Y,X)$

$Cov(aX+b,cY+d)=acCov(X,Y)$

$Cov(X_{1}+X_{2},Y)=Cov(X_{1},Y)+Cov(X_{2},Y)$

3、协方差和独立、不相关

X和Y独立时， $E(XY)=E(X)E(Y)$

而 $Cov(X,Y)=E(XY)-E(X)E(Y)$

从而，当X和Y独立时， $Cov(X,Y)=0$

但X和Y独立这个前提太强，我们定义若 $Cov(X,Y)=0$ ，则称X和Y不相关。

4、协方差的意义

（1）协方差是两个随机变量具有相同方向变化趋势的度量：

若 $Cov(X,Y)>0$ ，它们的变化趋势相同；
若 $Cov(X,Y)<0$ ，它们的变化趋势相反；
若 $Cov(X,Y)=0$ ，称X和Y不相关。

对应到机器学习，可利用协方差来筛选特征（降维）。

（2）协方差有没有上界？

若 $Var(X)=\sigma _{1}^{2},Var(Y)=\sigma _{2}^{2}$

则 $\left | Cov(X,Y) \right |\leqslant \sigma _{1}\sigma _{2}$

当且仅当X和Y之间有线性关系时，等号成立。

5、协方差矩阵

对于n个随机向量（ $X_{1},X_{2}\cdots X_{n}$ ）任意两个元素 $X_{i}$ 和 $X_{j}$ 都可以得到一个协方差，从而形成n*n的矩阵，协方差矩阵是一个对称阵。

$c_{ij}=E\left \{ [X_{i}-E(X_{i})][X_{j}-E(X_{j})] \right \}=Cov(X_{i},Y_{j})$

将随机向量 $X_{i}$ 写成列向量，则 $X=(X_{1},X_{2}\cdots X_{n})$ 为n列矩阵，将X的列分别去均值后，得到矩阵 $\widetilde{X}$ ，则协方差矩阵为：

$C=\frac{1}{n}(\widetilde{X}^{T}\cdot \widetilde{X})$

所以，可基于协方差矩阵筛选特征。

四、Pearson相关系数

1、定义

也就是把上面的 $\sigma _{1}\sigma _{2}$ 除过去。

$\rho _{XY}=\frac{Cov(X,Y)}{\sqrt{Var(X)Var(Y)}}$

2、性质

由协方差上界定理可知： $\left | \rho \right |\leqslant 1$
当且仅当X和Y之间有线性关系时，等号成立。
容易看到，相关系数是标准尺度下的协方差。上面关于协方差与XY相互关系的结论，完全适用于相关系数和XY的相互关系。

3、相关系数矩阵

类似于协方差矩阵，相关系数矩阵中每个元素的范围在[-1,1]之间，更方便进行比较。相关系数矩阵可以发现特征之间的相关性。如果两个特征之间比较接近或相反（数值在-1或1之间），说明这两个特征比较相似，所以可以剔除其中一个特征。

五、矩

对于随机变量X，X的k阶圆点矩为 $E(X^{k})$

X的k阶中心距为 $E\left \{ [X-E(X)]^{k} \right \}$

六、统计参数总结

期望（一阶原点矩）

方差（标准差，二阶中心矩）

变异系数（Coefficient of Variation)：标准差与均值的比值，记为C·V

偏度（Skewness) 三阶

峰度（Kurtosis）四阶

标签

#概率论 #统计量 #期望 #方差 #协方差、相关系数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

二维随机向量的数学期望E与协方差σ 二维随机向量的数学期望E与方差σ 阅读详情

0

Answerlzd

博客等级

码龄9年 67粉丝 119原创

+ 关注专栏目录订阅专栏

评论

成就一亿技术人!

拼手气红包6.0元

还能输入1000个字符

插入表情

表情包

代码片

HTML/XML
objective-c
Ruby
PHP
C
C++
JavaScript
Python
Java
CSS
SQL
其它

条评论被折叠查看

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。