标准差、方差、协方差三者的表示意义

本文详细解释了统计学中的三个核心概念:方差、标准差和协方差,并阐述了它们之间的联系与区别。通过具体定义及数学公式,读者能够理解这些概念如何描述数据集的特征,包括离散程度与相关性。

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

三者都是统计学中,对于样本的集合描述。

定义公式

标准差:

方差:

协方差:

协方差相关系数:

数学实际含义

方差(Variance):用来度量随机变量和其数学期望(即均值)之间的偏离程度。

标准差:方差开根号。

协方差:衡量两个变量之间的变化方向关系。

方差、标准差、和协方差之间的联系与区别:

  • 方差和标准差都是对一组(一维)数据进行统计的,反映的是一维数组的离散程度;而协方差是对2维数据进行的,反映的是2组数据之间的相关性。
  • 标准差和均值的量纲(单位)是一致的,在描述一个波动范围时标准差比方差更方便。
  • 方差可以看成是协方差的一种特殊情况,即2组数据完全相同。
  • 协方差只表示线性相关的方向,取值正无穷到负无穷。
  • 协方差只是说明了线性相关的方向,说不能说明线性相关的程度,若衡量相关程度,则使用相关系数

Python numpy 代码实现:

点击打开链接


方差-协方差阵D是测量平差中一个核心工具,用于评估观测向量的精度。其对角线元素提供了每个观测值的方差信息,而非对角线元素则描述了观测值之间的协方差。通过这个矩阵,我们可以得到观测值的统计特性,并对整个观测系统的精度进行量化分析。 参考资源链接:[测量平差中的方差-协方差阵与精度分析](https://wenku.youkuaiyun.com/doc/3c0ui0y7cb) 在实际应用中,比如在地理信息系统(GIS)测量中,使用GNSS(全球导航卫星系统)进行定位时,会得到一系列的观测数据。这些数据包括卫星的位置、信号的传播时间以及相应的误差项。为了评估这些数据的精度,测量者会计算方差-协方差阵。假设我们有三个观测值,其方差-协方差阵D可以表示为: \[ D = \begin{bmatrix} \sigma^2(x) & \sigma(x,y) & \sigma(x,z) \\ \sigma(x,y) & \sigma^2(y) & \sigma(y,z) \\ \sigma(x,z) & \sigma(y,z) & \sigma^2(z) \\ \end{bmatrix} \] 在这个矩阵中,\(\sigma^2(x)\)、\(\sigma^2(y)\) 和 \(\sigma^2(z)\) 分别代表在x、y、z方向上的方差,而\(\sigma(x,y)\)、\(\sigma(x,z)\) 和 \(\sigma(y,z)\) 则代表不同方向观测值之间的协方差。 通过方差-协方差阵,我们可以计算出每个观测值的标准差,即方差的平方根,这是评估单个观测值精度的直接方式。此外,还可以通过协方差矩阵的逆矩阵,即精度矩阵P,来得到观测值权重矩阵的量度。权重矩阵越大,表明观测值的精度越高。 例如,假设我们有一个简单的线性观测方程组,观测向量为\(L\),未知数为\(X\),系数矩阵为\(A\),则可以得到改正数方程: \[ V = A \hat{X} - L \] 这里的\(V\)表示残差向量,我们可以通过最小二乘法求得\(\hat{X}\)的估计值,并计算方差-协方差阵D,最终通过精度矩阵P来评估每个观测值的权重,进而确定整体的测量精度。 为了深入理解和应用这些概念,推荐查阅《测量平差中的方差-协方差阵与精度分析》。这本书详尽地介绍了方差-协方差阵在测量平差中的应用,特别强调了其在精度评估和误差分析方面的作用,并提供了丰富的实例,帮助读者更好地掌握实际操作技巧。 参考资源链接:[测量平差中的方差-协方差阵与精度分析](https://wenku.youkuaiyun.com/doc/3c0ui0y7cb)
评论 1
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
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