协方差

概率论统计学中,协方差(Covariance)用於衡量两个随机变量的联合变化程度。而方差是协方差的一种特殊情況,即变量与自身的协方差。

期望值分别为的两个具有有限二阶实数随机变量XY 之间的协方差定义为:

协方差表示的是两个变量的总体的误差,这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致,也就是说如果其中一个大于自身的期望值,另外一个也大于自身的期望值,那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反,即其中一个大于自身的期望值,另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值。

如果XY统计独立的,那么二者之间的协方差就是0,这是因为

但是反过来并不成立,即如果XY 的协方差为0,二者并不一定是统计独立的。

取决于协方差的相关性η

更准确地说是线性相关性,是一个衡量线性独立的无量纲数,其取值在[-1, 1]之间。相关性η = 1时称为“完全线性相关”(相关性η = -1时称为“完全线性负相关”),此时将Yi对Xi作Y-X 散点图,将得到一组精确排列在直线上的点;相关性数值介于-1到1之间时,其绝对值越接近1表明线性相关性越好,作散点图得到的点的排布越接近一条直线。

相关性为0(因而协方差也为0)的两个随机变量又被称为是不相关的,或者更准确地说叫作“线性无关”、“线性不相关”,这仅仅表明XY 两随机变量之间没有线性相关性,并非表示它们之间一定没有任何内在的(非线性)函数关系,和前面所说的“X、Y二者并不一定是统计独立的”说法一致。

属性

如果XY 是实数随机变量,ab 是常数,那么根据协方差的定义可以得到:

对于随机变量序列X1, ..., XnY1, ..., Ym,有

对于随机变量序列X1, ..., Xn,有

协方差矩阵

分别为mn标量元素的列向量随机变量XY,二者对应的期望值分别为μ与ν,这两个变量之间的协方差定义为m×n 矩阵

两个向量变量的协方差cov(X, Y)与cov(Y, X)互为转置矩阵

协方差有时也称为是两个随机变量之间“线性独立性”的度量,但是这个含义与线性代数中严格的线性独立性线性独立不同。

参见

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.