convariance协方差

本文详细介绍了统计学中的方差和协方差概念,包括它们的计算公式和应用,进一步解释了协方差矩阵的概念及其在多元正态分布中的作用,帮助读者深入理解这些基本统计量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1 方差和协方差

在统计学中,方差是用来度量单个随机变量的离散程度,而协方差则一般用来刻画两个随机变量的相似程度,其中,方差的计算公式为

方差

σ x 2 = 1 n − 1 Σ i = 1 n ( x i − x ˉ ) 2 \sigma_x^2 = \frac 1 {n-1} \Sigma_{i=1}^n (x_i - \bar{x})^2 σx2=n11Σi=1n(xixˉ)2

协方差

σ ( x , y ) = 1 n − 1 Σ i = 1 n ( x i − x ˉ ) ( y i − y ˉ ) \sigma(x,y) = \frac 1 {n-1} \Sigma_{i=1}^n (x_i - \bar{x}) (y_i - \bar{y}) σ(x,y)=n11Σi=1n(xixˉ)(yiyˉ)

2 协方差矩阵

多个随机变量的方差

σ ( x k , x k ) = 1 n − 1 Σ i = 1 n ( x k i − x ˉ ) 2 \sigma(x_k,x_k) = \frac 1 {n-1} \Sigma_{i=1}^n (x_{ki} - \bar{x})^2 σ(xk,xk)=n11Σi=1n(xkixˉ)2

两两之间的协方差

σ ( x m , x k ) = 1 n − 1 Σ i = 1 n ( x m i − x m ˉ ) ( x k i − x k ˉ ) \sigma(x_m,x_k) = \frac 1 {n-1} \Sigma_{i=1}^n (x_{mi} - \bar{x_m}) (x_{ki} - \bar{x_k}) σ(xm,xk)=n11Σi=1n(xmixmˉ)(xkixkˉ)

协方差矩阵
Σ = [ σ ( x 1 , x 1 ) . . . σ ( x 1 , x d ) . . . . . . . . . σ ( x d , x 1 ) . . . σ ( x d , x d ) ] \Sigma = \begin{bmatrix} \sigma(x_1,x_1) & ... & \sigma(x_1, x_d)\\ ... & ... & ... \\ \sigma(x_d,x_1) & ... & \sigma(x_d, x_d) \end{bmatrix} Σ=σ(x1,x1)...σ(xd,x1).........σ(x1,xd)...σ(xd,xd)

对角线上的元素为各个随机变量的方差,非对角线上的元素为两两随机变量之间的协方差,根据协方差的定义,我们可以认定:矩阵 Σ \Sigma Σ 为对称矩阵(symmetric matrix),其大小为 d × d d \times d d×d

3 多元正态分布

假设一个向量 x ⃗ \vec x x 服从均值向量为 μ ⃗ \vec\mu μ ,协方差矩阵为 Σ \Sigma Σ 的多元正态分布。

p ( x ) = 1 2 π Σ e x p ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) p(x) = \frac{1}{\sqrt{2\pi \Sigma}} exp(-\frac12(x-\mu)^T\Sigma^{-1}(x-\mu)) p(x)=2πΣ 1exp(21(xμ)TΣ1(xμ))

μ \mu μ=0 ,
p ( x ) ∝ e x p ( − 1 2 x T Σ − 1 x ) p(x)\propto exp(-\frac12 x^T\Sigma^{-1}x) p(x)exp(21xTΣ1x)

参考

评论
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

张欣-男

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