期望、方差、协方差、协方差函数、期望函数、方差函数
文章目录
- 期望
- 方差
- 协方差
- 协方差矩阵
- 相关系数
- 自协方差
- 协方差函数 / 核函数
- 期望函数,方差函数
期望
对离散型随机变量X,其概率分布函数(probability density function,PMF)为P(X)P(X)P(X),则:
E(X)=μ=∑i=1nXiP(Xi)E(X)=\mu=\sum\limits^{n}_{i=1}X_{i}P(X_{i})E(X)=μ=i=1∑nXiP(Xi)
如果等概,就退化成我们从小就接触到的平均值E(X)=∑i=1nXinE(X)=\frac{\sum\limits^{n}_{i=1}X_{i}}{n}E(X)=ni=1∑nXi。
对连续性随机变量X,其概率密度函数(probability mass function,PDF)为f(x)f(x)f(x),则:
E(X)=μ=∫−∞+∞xf(x)dxE(X)=\mu=\int^{+\infty}_{-\infty} xf(x)dxE(X)=μ=∫−∞+∞xf(x)dx
附带说一下,累计分布函数(cumulative distribution function,CDF)是PDF的积分形式,设其为F(x)F(x)F(x),则:
F(x)=∫−∞xf(x)dxF(x)=\int ^{x}_{-\infty}f(x)dxF(x)=∫−∞xf(x)dx
方差
对离散型随机变量X,其概率分布函数为P(X)P(X)P(X),则:
Var(X)=D(X)=σ2=E((X−E(X))2)=∑i=1n(Xi−E(X))2P(Xi)Var(X)=D(X)=\sigma^{2}=E((X-E(X))^{2})=\sum\limits^{n}_{i=1}(X_{i}-E(X))^{2}P(X_{i})Var(X)=D(X)=σ2=E((X−E(X))2)=i=1∑n(Xi−E(X))2P(Xi)
=∑i=1nXi2P(Xi)−E(X)2=E(Xi2)−E(X)2=\sum\limits^{n}_{i=1}X_{i}^{2}P(X_{i})-E(X)^{2}=E(X_{i}^{2})-E(X)^{2}=i=1∑nXi2P(Xi)−E(X)2=E(Xi2)−E(X)2
如果等概,就退化成我们从小就接触到的方差公式D(X)=∑i=1n(Xi−E(X))2nD(X)=\frac{\sum\limits^{n}_{i=1}(X_{i}-E(X))^{2}}{n}D(X)=ni=1∑n(Xi−E(X))2。
需要说明的是,以上的方差计算公式是在我们得到的n就是总体个数的情况下,直接计算总体的方差,例如要统计一个班的高中生的身高的方差,这个班总共40人,n=40;如果X是样本统计量,也就是说,没有得到总体的数据,只有采样样本数据,就要考虑无偏估计,例如我们要统计一个省的高中生的身高的方差,只有采样的一些高中生的身高数据,此时方差公式应为D(X)=∑i=1n(Xi−E(X))2n−1D(X)=\frac{\sum\limits^{n}_{i=1}(X_{i}-E(X))^{2}}{n-1}D(X)=n−1i=1∑n(Xi−E(X))2,其实就是分母变为n-1,如果还用总体方差公式对样本求方差,求得的方差要小于实际的总体方差(有偏估计),关于这一点可以看blog:https://blog.csdn.net/Hearthougan/article/details/77859173。
对连续性随机变量X,其概率密度函数为f(x)f(x)f(x),则:
Var(X)=D(X)=σ2=E((X−E(X))2)=∫−∞+∞(x−E(X))2f(x)dxVar(X)=D(X)=\sigma^{2}=E((X-E(X))^{2})=\int^{+\infty}_{-\infty} (x-E(X))^{2}f(x)dxVar(X)=D(X)=σ2=E((X−E(X))2)=∫−∞+∞(x−E(X))2f(x)dx
=∫−∞+∞x2f(x)dx−E(X)2=E(X2)−E(X)2=\int^{+\infty}_{-\infty} x^{2}f(x)dx-E(X)^{2}=E(X^{2})-E(X)^{2}=∫−∞+∞x2f(x)dx−E(X)2=E(X2)−E(X)2
协方差
对于单一的随机变量,我们考虑其期望与方差,当想比较两个随机变量,我们引入了协方差(两个随机变量可以对应数据分析中的两个字段)。协方差,看名字就知道,其定义来源于方差。对两个随机变量X和Y,其协方差就是:
cov(X,Y)=E[(X−E(X))(Y−E(Y))]=E(XY)−E(X)E(Y)cov(X,Y)=E[(X-E(X))(Y-E(Y))]=E(XY)-E(X)E(Y)cov(X,Y)=E[(X−E(X))(Y−E(Y))]=E(XY)−E(X)E(Y)
如果等概,就退化成我们从小就接触到的协方差公式cov(X,Y)=∑i=1n(xi−xˉ)(yi−yˉ)n−1cov(X,Y)=\frac{\sum\limits_{i=1}^{n}(x_{i}-\bar{x})(y_{i}-\bar{y})}{n-1}cov(X,Y)=n−1i=1∑n(xi−xˉ)(yi−yˉ),这个公式考虑了无偏估计。
- 当X=Y,cov(X,Y)=cov(X,X)=D(X)cov(X,Y)=cov(X,X)=D(X)cov(X,Y)=cov(X,X)=D(X)。
- 当X,Y独立,cov(X,Y)=0cov(X,Y)=0cov(X,Y)=0,因为E(XY)=E(X)E(Y)E(XY)=E(X)E(Y)E(XY)=E(X)E(Y),但是cov(X,Y)=0cov(X,Y)=0cov(X,Y)=0,不一定X,Y独立,此时称为不相关。
- 协方差为正,两者正相关,协方差为负,两者负相关。
协方差是会受到单位的影响的,而相关系数就是消除了量纲的影响,来看两者的相关性。
协方差矩阵
协方差只能处理两个随机变量,当有多个随机变量,就引出了协方差矩阵。以三个随机变量X,Y,Z为例:
cov=[cov(X,X)cov(X,Y)cov(X,Z)cov(Y,X)cov(Y,Y)cov(Y,Z)cov(Z,X)cov(Z,Y)cov(Z,Z)]cov= \left[ \begin{matrix} cov(X,X) & cov(X,Y) & cov(X,Z) \\ cov(Y,X) & cov(Y,Y) & cov(Y,Z) \\ cov(Z,X) & cov(Z,Y) & cov(Z,Z) \end{matrix} \right] cov=⎣⎡cov(X,X)cov(Y,X)cov(Z,X)cov(X,Y)cov(Y,Y)cov(Z,Y)cov(X,Z)cov(Y,Z)cov(Z,Z)⎦⎤
相关系数
ρX,Y=cov(X,Y)σXσY\rho_{X,Y} = \frac{cov(X,Y)}{\sigma_{X}\sigma_{Y}}ρX,Y=σXσYcov(X,Y)
- ρX,Y=0\rho_{X,Y}=0ρX,Y=0,与cov(X,Y)=0cov(X,Y)=0cov(X,Y)=0等价,均表示不相关。
- ρX,Y≤1\rho_{X,Y}\leq 1ρX,Y≤1。
- ρX,Y=1\rho_{X,Y}= 1ρX,Y=1的充要条件是P(Y=aX+b)=1P(Y=aX+b)=1P(Y=aX+b)=1,即X,Y线性相关。
自协方差
一般指时间序列或者信号,经过时间平移后,与自己的协方差,在随机过程中体现较多。
协方差函数 / 核函数
设随机过程为X(t),定义域为D,t1,t2∈Dt_{1},t_{2}\in Dt1,t2∈D,定义协方差函数CX(t1,t2)C_{X}(t_{1},t_{2})CX(t1,t2)为t1t_{1}t1与t2t_{2}t2的协方差,形成的函数。
CX(t1,t2)=E{[X(t1)−μX(t1)][X(t2)−μX(t2)]}C_{X}(t_{1},t_{2})=E\{[X(t_{1})-\mu_{X}(t_{1})][X(t_{2})-\mu_{X}(t_{2})]\}CX(t1,t2)=E{[X(t1)−μX(t1)][X(t2)−μX(t2)]}
其中μ(t)\mu(t)μ(t)为期望函数。
可以看出,协方差函数默认指的是随机过程的自协方差函数。若考虑互协方差函数,就需要考虑两个随机过程X(t)与Y(t),互协方差函数定义如下。
CX,Y(t1,t2)=E{[X(t1)−μX(t1)][Y(t2)−μY(t2)]}C_{X,Y}(t_{1},t_{2})=E\{[X(t_{1})-\mu_{X}(t_{1})][Y(t_{2})-\mu_{Y}(t_{2})]\}CX,Y(t1,t2)=E{[X(t1)−μX(t1)][Y(t2)−μY(t2)]}
期望函数,方差函数
对随机过程X(t)而言,期望函数定义如下:
μX(t)=E[X(t)]\mu_{X}(t)=E[X(t)]μX(t)=E[X(t)]
其实就是随机过程每个点的期望,形成的函数。
对随机过程X(t)而言,方差函数定义如下:
σX2(t)=E{[X(t)−μX(t)]2}\sigma^{2}_{X}(t)=E\{[X(t)-\mu_{X}(t)]^{2}\}σX2(t)=E{[X(t)−μX(t)]2}
其实就是随机过程每个点的方差,形成的函数。
参考资料:
https://blog.csdn.net/wzgbm/article/details/51680540
https://www.cnblogs.com/hyb221512/p/8975624.html
https://wenku.baidu.com/view/c272331f5f0e7cd18425366e.html
期望、方差、协方差、协方差函数、期望函数、方差函数相关推荐
- php 方差函数,方差与协方差(示例代码)
-----------------------------------------------------------------------方差--------------------------- ...
- 样本均值的期望等于总体期望,样本方差的期望等于总体方差。
设,为总体的一个样本,且其样本均值为,样本方差为,总体方差为σ²,总体期望为μ. 证明1:为什么样本均值的期望等于总体的期望? 因为对于简单随机抽样的样本: 与总体是同分布的,所以各样本的期望均为总体 ...
- 概论第6章_正态总体的抽样分布_样本均值的期望与样本方差的期望__方差的期望
下面的定理给出 样本均值的期望, 方差的期望, 样本方差的期望, 它 不依赖于总体的分布形式. 一. 定理: 假设有总体X, 均值 μ\muμ, E(X)=μ\muμ, 有方差 σ2\sigma^2σ ...
- 通过(半高宽FWHM)方差sigma生成二维高斯函数(PSF)
给定点扩散函数半高宽,可求出高斯函数方差: FWHM = 2 × sqrt(2×ln2) × σ : 再由matlab内置函数fspecial,PSF = fspecial('gaussian',h ...
- 概率统计与机器学习:期望,方差,数学期望,样本均值,样本方差之间的区别
1.样本均值:我们有n个样本,每个样本的观测值为Xi,那么样本均值指的是 1/n * ∑x(i),求n个观测值的平均值 2.数学期望:就是样本均值,是随机变量,即样本数其实并不是确定的 PS:从概率论 ...
- 神经网络学习笔记(4)——期望与算术平均值的区别、方差与均方误差的区别
本来说直接看BP算法的代码的,但是看书的时候又确实遇到了这两个东西,所以就先记上这么一个学习笔记. 虽然这种纯数学的东西放在神经网络的学习笔记中好像也不太对,但是确实是学习神经网络的时候遇到的,所以就 ...
- python计算样本方差_Python计算库numpy进行方差/标准方差/样本标准方差/协方差的计算...
使用numpy可以做很多事情,在这篇文章中简单介绍一下如何使用numpy进行方差/标准方差/样本标准方差/协方差的计算. variance: 方差 方差(Variance)是概率论中最基础的概念之一, ...
- 一起啃PRML - 1.2.2 Expectations and covariances 期望和协方差
一起啃PRML - 1.2.2 Expectations and covariances 期望和协方差 @copyright 转载请注明出处 http://www.cnblogs.com/chxer/ ...
- python方差的计算公式_Python计算库numpy进行方差/标准方差/样本标准方差/协方差的计算...
使用numpy可以做很多事情,在这篇文章中简单介绍一下如何使用numpy进行方差/标准方差/样本标准方差/协方差的计算. variance: 方差 方差(Variance)是概率论中最基础的概念之一, ...
- 协方差公式性质证明过程_论文推荐 | 刘志平:等价条件平差模型的方差-协方差分量最小二乘估计方法...
<测绘学报> 构建与学术的桥梁 拉近与权威的距离 等价条件平差模型的方差-协方差分量最小二乘估计方法 刘志平1, 朱丹彤1, 余航1, 张克非1,2 1. 中国矿业大学环境与测绘学院, 江 ...
最新文章
- 黑客渗透入门教程 第一课:粗暴的端口扫描
- kafka与zookeeper关系
- mongodb分片介绍—— 基于范围(数值型)的分片 或者 基于哈希的分片
- 【数据库】Kingbase金仓数据库工程维护简明手册
- Oracle调用接口(OCI)源码剖析(2):执行SQL语句并获取结果
- ASP.NET中Server与Request对象的方法
- 微信小程序初始化 operateWXData:fail invalid scope
- 【语义分割】评价指标:PA、CPA、MPA、IoU、MIoU详细总结和代码实现(零基础从入门到精通系列!)
- KVM的安装和配置命令详解
- 文字加减前后缀lisp_日本搞笑艺人催泪讲授汉字课堂告诉你文字背后的意义!...
- 转载几篇看过的几篇使用技术博文
- OpenCV-图像处理(29、凸包-Convex Hull)
- 华为数通HCIA学习笔记之数据通信与网络基础(一)
- 56个民族下拉选择框
- Scrapy爬取天眼查首页热门公司信息,可视化分析这些热门公司
- java跨域问题Response to preflight request doesn‘t pass access control check: No ‘Access-Control-Allow-Or
- c语言的一颗会变色的圣诞树
- 2020-MyBatis面试题
- [小游戏] 微信小游戏开发源码_教程_工具_资源最新集合
- cf不能全屏win7的解决方法_Win10运行DNF全屏后黑屏怎么办|DNF全屏后黑屏解决方法...
热门文章
- 基于对比学习的目标检测预训练方法
- 第一章 人工智能的研究和发展《2022年斯坦福AI指数报告》中文全解读
- ST公司 Lis2dh12 三轴加速度传感器,计算加速度值转成角度值
- matlab蒙特卡洛计算报童,马尔可夫链蒙特卡罗模拟(MCMC)-基于MATLAB操作
- Duilib介绍-2
- UE4-地形材质函数创建及使用
- springboot拦截器和过滤器的区别与使用
- python程序打包为exe,并压缩体积最小!
- spss打开oracle,零基础到数据挖掘精通(SPSS MODELER、EXCEL、ORACLE)
- 【模拟IC】模拟集成电路面试题分享(1)