方差,均方差,协方差,标准差


【全文大纲】 : https://blog.youkuaiyun.com/Engineer_LU/article/details/135149485


概要

简述常规方差

解析

1 . 方差(Var)

1 N − 1 ∑ i N ( x i − x ˉ ) 2 \frac 1{N-1}\sum_i^N(x_i-\bar{x})² N11iN(xixˉ)2

2 . 均方误差(MSE)

1 N − 1 ∑ i N ( x i − x ^ ) 2 \frac 1{N-1}\sum_i^N(x_i-\hat{x})² N11iN(xix^)2

3 . 标准差(SD)

1 N − 1 ∑ i N ( x i − x ˉ ) 2 \sqrt { \frac 1{N-1}\sum_i^N(x_i-\bar{x})² } N11iN(xixˉ)2

4 . 协方差(Cov)

1 N − 1 ∑ i N ( x i − x ˉ ) ( y i − y ˉ ) \frac 1{N-1}\sum_i^N(x_i-\bar{x})(y_i-\bar{y}) N11iN(xixˉ)(yiyˉ)

解释

  • 方差(Var) : 整体离均值偏差的数据
  • 均方误差(MSE) : 整体离实际偏差的数据
  • 标准差(SD) : 基于方差开根
  • 协方差(Cov) : 多维度整体均值偏差的数据

小结

全文以简约方式进行讲述,谢谢观看。

技术交流QQ群 : 745662457
群内专注问题答疑,项目外包,技术研究

### 方差 (Variance) #### 概念 方差用于衡量一组数据与其均值之间的偏离程度。它是各个数据与均值差的平方的平均数。 #### 计算公式 总体方差: $$ \sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)^2 $$ 样本方差(无偏估计): $$ s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2 $$ #### 应用场景 - 评估数据的离散程度。 - 在金融领域中,用于衡量投资风险。 - 是计算标准差协方差相关系数的基础[^2]。 --- ### 标准差 (Standard Deviation) #### 概念 标准差方差的平方根,表示数据与其均值之间的平均距离,其单位与原始数据一致。 #### 计算公式 $$ \sigma = \sqrt{\sigma^2} $$ #### 应用场景 - 数据标准化(例如Z-score标准化): $$ z = \frac{x - \mu}{\sigma} $$ - 描述正态分布的特征(如68-95-99.7法则)。 - 更直观地反映数据的波动性。 --- ### 协方差 (Covariance) #### 概念 协方差衡量两个变量如何一起变化。正值表示两个变量同向变化,负值表示反向变化。 #### 计算公式 $$ \text{Cov}(X, Y) = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y}) $$ #### 应用场景 - 衡量两个变量的线性关系强度。 - 在投资组合管理中,用于分析不同资产的风险联动性。 - 作为构建相关系数矩阵的基础[^4]。 --- ### 相关系数 (Correlation Coefficient) #### 概念 相关系数是标准化后的协方差,消除了变量尺度的影响,取值范围在[-1, 1]之间。绝对值越大,线性相关性越强。 #### 计算公式 $$ r_{XY} = \frac{\text{Cov}(X, Y)}{\sigma_X \cdot \sigma_Y} $$ #### 应用场景 - 比较不同变量对之间的相关性强度。 - 用于统计模型(如回归分析)中评估变量间的关系。 - 避免因变量尺度差异导致的误解[^1]。 --- ### 区别总结 | 特征 | 方差 | 标准差 | 协方差 | 相关系数 | |--------------|--------------------|--------------------|--------------------|--------------------| | **用途** | 衡量单个变量波动性 | 衡量单个变量波动性 | 衡量两个变量共变性 | 衡量两个变量相关性 | | **单位** | 原始单位平方 | 原始单位 | 原始单位乘积 | 无量纲 | | **取值范围** | [0, ∞) | [0, ∞) | (-∞, ∞) | [-1, 1] | --- ### Python 实现示例 ```python import numpy as np data = [2, 4, 6, 8] # 方差 var_pop = np.var(data) # 总体方差 → 5.0 var_sample = np.var(data, ddof=1) # 样本方差 → 6.666... # 标准差 std_pop = np.std(data) # 总体标准差 → 2.236... std_sample = np.std(data, ddof=1) # 样本标准差 → 2.581... # 协方差 x = [1, 2, 3] y = [4, 5, 6] cov_matrix = np.cov(x, y) cov_value = cov_matrix[0, 1] # 协方差值 → 1.0 # 相关系数 corr_matrix = np.corrcoef(x, y) corr_value = corr_matrix[0, 1] # 相关系数值 → 1.0 ``` ---
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

极客 - L U

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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。

余额充值