协方差，协方差矩阵，相关系数_协方差cov与方差var公式

1.协方差

定义：

    X,Y为两个随机变量，则它们的协方差值为：

    

这个公式的推导很简单，                                                                                                                                                                                                                                                                    

在特定的样本数据下，E(X),E(Y)都是常值，又由方差的性质E(A+B)=E(A)+E(B)可以展开为:

Cov(X,Y) = E(XY+E[X]E[Y]-E[X]Y-E[Y]X)

              =E(XY)+E(E[X]E[Y])-E(E[X]Y)-E(E[Y]X)

              =E(XY)+E[X]E[Y]-E[X]E[Y]-E[X]E[Y]

             = E[XY] - E[X]E[Y]

直观理解：

      如果两个变量的协方差为正，说明它们的变化方向相同

      如果两个变量的协方差为负，说明它们的变化方向相反

        如果两个变量的协方差为0，说明两个变量不相关

       

2.协方差矩阵

    假如有X1，X2，X3，...Xn一组变量，

那么协方差矩阵，矩阵中的第i行第j列的元素X[i,j]表示变量Xi和Xj的协方差

容易知道协方差矩阵是对称矩阵，因为X[i,j] = X[j,i]

3.协方差/协方差矩阵的作用

协方差可以用来衡量两个变量间的相似性，如果协方差越大（正数）两个变量越相似，如果协方差越小（负数），两个变量越相反，如果协方差为0，说明两个变量不相关

在机器学习中，往往一个样本数据有很多个特征，基于协方差可以用来筛选特征，也就是剔除掉那些很相似的特征

4.相关系数

  协方差的上界：

    有X，Y变量，直观的我们可以理解，变量X和自己本身的协方差肯定要大于等于变量X和Y的协方差，因为变量X和自己本身的变化趋势是完全一样的，所以给出下面的式子：var(X)代表X变量的方差

cov(X,Y) = |E(XY) - E(X)E(Y)| <=cov(X,X) = E(X^2) - E(X)*E(X)=var(X)=delta1^2    记为T1

cov(X,Y) = |E(XY) - E(X)E(Y)| <=cov(Y,Y) = E(Y^2) - E(Y)*E(Y)=var(Y)=delat2^2     记为T2

当X和Y线性相关时取得等号

因为T1，T2左右两边都是正数，我们同时对这两个式子左右两边取根号然后乘起来，可以得到

cov(X,Y) <=delta1*delta2，delta就是方差开方得到的

这就是协方差的上界

相关系数：

定义相关系数为

由协方差的上界很容易得到：

 <= 1

相关系数实际上也是用来衡量两个变量之间的变化趋势是否相似，只是相关系数的值限定到<1

4.相关系数矩阵

和协方差矩阵的定义类似，只是矩阵中元素的值变位相关系数而已

下面看一个相关系数矩阵

可以看出主对角线上的相关系数为1，因为对角线上就是某个变量和变量本身的相关系数

在机器学习中特征数较多时（比如图像处理），可以用相关系数矩阵来筛选特征