協方差
什么是協方差
在概率論和統計學中,協方差用於衡量兩個變量的總體誤差。而方差是協方差的一種特殊情況,即當兩個變量是相同的情況。
期望值分別爲E(X) = μ 與 E(Y) = ν 的兩個實數隨機變量X與Y之間的協方差定義爲:
其中,E是期望值。它也可以表示爲:
直觀上來看,協方差表示的是兩個變量總體的誤差,這與只表示一個變量誤差的方差不同。
如果兩個變量的變化趨勢一致,也就是說如果其中一個大於自身的期望值,另外一個也大於自身的期望值,那么兩個變量之間的協方差就是正值。
如果兩個變量的變化趨勢相反,即其中一個大於自身的期望值,另外一個卻小於自身的期望值,那么兩個變量之間的協方差就是負值。
如果X與Y是統計獨立的,那么二者之間的協方差就是0。這是因爲
但是,反過來並不成立。即如果X與Y的協方差爲0,二者並不一定是統計獨立的。
協方差cov(X,Y)的度量單位是X的協方差乘以Y的協方差。而取決於協方差的相關性,是一個衡量线性獨立的無量綱的數。
協方差爲0的兩個隨機變量稱爲是不相關的。
協方差屬性
如果X與Y是實數隨機變量,a與b不是隨機變量,那么根據協方差的定義可以得到:
對於隨機變量序列X1, ..., Xn 與 Y1, ..., Ym,有
對於隨機變量序列 X1, ..., Xn,有
分別爲m與n個標量元素的列向量隨機變量X與Y,二者對應的期望值分別爲μ與ν,這兩個變量之間的協方差定義爲m×n矩陣。
兩個向量變量的協方差cov(X,Y)與cov(Y,X)互爲轉置矩陣。
協方差有時也稱爲是兩個隨機變量之間“线性獨立性”的度量,但是這個含義與线性代數中嚴格的线性獨立性线性獨立不同。
在概率論和統計學中,協方差用於衡量兩個變量的總體誤差。而方差是協方差的一種特殊情況,即當兩個變量是相同的情況。
期望值分別爲E(X) = μ 與 E(Y) = ν 的兩個實數隨機變量X與Y之間的協方差定義爲:
其中,E是期望值。它也可以表示爲:
直觀上來看,協方差表示的是兩個變量總體的誤差,這與只表示一個變量誤差的方差不同。
如果兩個變量的變化趨勢一致,也就是說如果其中一個大於自身的期望值,另外一個也大於自身的期望值,那么兩個變量之間的協方差就是正值。
如果兩個變量的變化趨勢相反,即其中一個大於自身的期望值,另外一個卻小於自身的期望值,那么兩個變量之間的協方差就是負值。
如果X與Y是統計獨立的,那么二者之間的協方差就是0。這是因爲
但是,反過來並不成立。即如果X與Y的協方差爲0,二者並不一定是統計獨立的。
協方差cov(X,Y)的度量單位是X的協方差乘以Y的協方差。而取決於協方差的相關性,是一個衡量线性獨立的無量綱的數。
協方差爲0的兩個隨機變量稱爲是不相關的。
協方差屬性
如果X與Y是實數隨機變量,a與b不是隨機變量,那么根據協方差的定義可以得到:
對於隨機變量序列X1, ..., Xn 與 Y1, ..., Ym,有
對於隨機變量序列 X1, ..., Xn,有
分別爲m與n個標量元素的列向量隨機變量X與Y,二者對應的期望值分別爲μ與ν,這兩個變量之間的協方差定義爲m×n矩陣。
兩個向量變量的協方差cov(X,Y)與cov(Y,X)互爲轉置矩陣。
協方差有時也稱爲是兩個隨機變量之間“线性獨立性”的度量,但是這個含義與线性代數中嚴格的线性獨立性线性獨立不同。
熱門資訊更多
2024,去哪上市?
04/28 11:00
投資人說
NZD/JPY 當日內: 看漲,當 93.50 爲支撐位。
04/27 01:50
KVB昆侖國際
NZD/JPY 當日內: 看漲,當 93.50 爲支撐位。
04/27 01:50
KVB昆侖國際
美元/日元 當日內: 看漲,當 157.37 爲支撐位。
04/27 01:49
KVB昆侖國際
GBP/AUD 當日內: 有上漲的可能,目標價位定在 1.9216 。
04/27 01:49
KVB昆侖國際
英鎊/美元 當日內: 看跌,在 1.2510 之下。
04/27 01:49
KVB昆侖國際