numpy中cov()的计算

最新推荐文章于 2021-05-26 23:52:47 发布

fadvancer

最新推荐文章于 2021-05-26 23:52:47 发布

阅读量3.7k

点赞数 1

分类专栏： numpy 文章标签： numpy cov() 协方差矩阵

本文链接：https://blog.csdn.net/fadvancer/article/details/90714172

版权

numpy 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

协方差公式：

$cov(X,Y)=E(X-E(X))(Y-E(Y))=E\left (XY)-E(X)E(Y) \left ( 1\right )$

上面的公式计算协方差的一般公式

对于样本矩阵 $X=(X_{1},X_{2},....,X_{N})^{T}$ ，有N个分量 $E(X_{i})=\mu _{i}$ , 则 $E(X)=\begin{bmatrix} \mu _{1}\\ \mu _{2}\\ ...\\ \mu _{N}\end{bmatrix}=\mu$

样本矩阵X的协方差矩阵为

$\sum =cov(X,X)=E(X-EX)(X-EX)^{T} =\begin{bmatrix} cov(X_{1},X_{1})&cov(X_{1},X_{2})&...&cov(X_{1},X_{N}) & & & \\ cov(X_{2},X_{1})& cov(X_{2},X_{2}) & ...&cov(X_{2},X_{N}) \\ . &. &...&.\\ cov(X_{N},X_{1})& cov(X_{N},X_{2}) & ...&cov(X_{N},X_{N})\end{bmatrix}$

下面按照例子进行代码计算，代码如下：

import numpy as np
x = np.array([[0, 2], [1, 1], [2, 0]]).T
x
array([[0, 1, 2], [2, 1, 0]])
np.cov(x)
array([[ 1., -1.],
       [-1.,  1.]])

再根据前文的公式进行计算，首先计算 $cov(X_{1},X_{1})$ 即为X1的方差。带入公式（1）得2/3。（代码结果为1）

再根据前文的公式进行计算，首先计算 $cov(X_{1},X_{2})$ 即为X1的方差。带入公式（1）得-2/3。（代码结果为-1）

发现，代码运算和公式运算的结果不一样。

为什么会出现这样的结果呢？

numpy中cov是一种无偏估计。即 $cov(X,Y)=\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-x_{i})(Y{i}-y{i})$

其中 $X_{i}$ 是X中第i个数， $Y_{i}$ 是X中第i个数， $x_{i},y_{i}$ 分别为 $X_{i},Y_{i}$ 的均值。n为样本数量。

公式（1）中的cov的公式为 $cov(X,Y)=\frac{1}{n}\sum_{i=1}^{n}(X_{i}-x_{i})(Y{i}-y{i})$

无偏估计的由来可以参考《概率论与数理统计教程》(茆诗松版)

fadvancer

关注

1
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
numpy中cov()的计算

协方差公式：上面的公式计算协方差的一般公式对于样本矩阵，有N个分量, 则样本矩阵X的协方差矩阵为下面按照例子进行代码计算，代码如下：import numpy as npx = np.array([[0, 2], [1, 1], [2, 0]]).Txarray([[0, 1, 2], [2, 1, 0]])np.cov(x)array([[ 1., -...
复制链接

扫一扫