MATH相关概念

来源：互联网发布：软件对比分析编辑：程序博客网时间：2024/06/05 22:20

X

----------------------------------

1:协方差（Covariance）

协方差（Covariance）在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。

期望值分别为 $E(X)=\mu$ 与 $E(Y)=\nu$ 的两个实数随机变量X 与Y 之间的协方差定义为：

\operatorname{cov}(X, Y) = \operatorname{E}((X - \mu) (Y - \nu))

，

其中E是期望值。它也可以表示为：

\operatorname{cov}(X, Y) = \operatorname{E}(X \cdot Y) - \mu \nu

，

直观上来看，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X 与Y 是统计独立的，那么二者之间的协方差就是0，这是因为

E(X \cdot Y)=E(X) \cdot E(Y)=\mu\nu,

但是反过来并不成立，即如果X 与Y 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

\eta = \left| \dfrac{\operatorname{cov}(X, Y)}{\sqrt{\operatorname{var}(X) \cdot \operatorname{var}(Y)}} \right| ,

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[0,+1]之间。相关性η = 1时称为“完全线性相关”，此时将Y_i对X_i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0到1之间时，其越接近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X 与Y 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。

References:

1：http://zh.wikipedia.org/wiki/%E5%8D%8F%E6%96%B9%E5%B7%AE

======================================================================================================

0 0