【期望，方差，象，核】

期望

随机变量$\xi$的一切可能值与对应概率的乘积的和叫做随机变量$\xi$的期望，记作$E(\xi )$
$$E(\xi )=\sum _i{x}_{i}P(\xi =x_i)$$

离差

$\xi -E(\xi )$叫做随机变量$\xi$的离差

方差

随机变量$\xi$的离差的平方的数学期望叫做随机变量$\xi$的方差，记作$D(\xi )$或$var(\xi )$即：
$$var(\xi )=E((\xi -E(\xi ){)}^2)$$
方差总是一个非负数，当随机变量的可能值集中在期望附近时，方差较小。所以，由方差的大小可以推断随机变量分布的分散程度，方差能反映随机变量的一切可能值在数学期望周围的分散程度。

协方差

协方差用来刻画两个随机变量之间的相关性， 反应变量之间的二阶统计特性。

n维随机变量的协方差矩阵

显然，协方差矩阵是对称矩阵。
协方差矩阵对角线元素表示方差，非对角线元素表示n维随机变量不同分量之间的协方差,协方差在一定程度上体现了线性相关性，因此协方差矩阵可以作为不同分量之间线性相关性的度量；
若不同分量之间的线性相关性越小，则协方差矩阵的非对角线元素越小；
若不同分量彼此不相关，则协方差矩阵为对角阵；
注意，我们并不能得到协方差矩阵的真实值，只能根据所提供的X的样本数据对其进行估计；
因此，这样算出来的协方差矩阵是依赖样本数据的，通常提供的样本数越多，协方差矩阵越可靠。

协方差矩阵的计算

n个随机变量，m个样本

独立→不相关=协方差为零

象，核,秩零定理

linear_map
codomain
if$L:V\to W$ is linear
k e r ( L ) = { x ∈ V : L ( x ) = 0 } ker(L)=\{x\in V:L(x)=0\} ker(L)={x∈V:L(x)=0}
i m g ( L ) = { w ∈ W : w = L ( x ) , x ∈ V } img(L)=\{w\in W:w=L(x),x\in V\} img(L)={w∈W:w=L(x),x∈V}

秩零定理：
$$dim(V)=dim(img(L))+dim(ker(L))$$
the dimension of the domain of a linear map is the sum of its rank (the dimension of its image) and its nullity (the dimension of its kernel

image：
红色是domain，黄色是image，蓝色是codomain（共域）
The codomain affects whether a function is a surjection, in that the function is surjective if and only if its codomain equals its image.

$ker$

矩阵

矩阵的秩与两个线性空间线性变换是否满射

举例

codomain