cov matlab,方差var、协方差cov、协方差矩阵（浅谈）-（二）_函数var

看完了三个概念之后，我们对三个概念有了一定了解(最起码公式要好好看看吧

)

下面，我们来进入正题，说说matlab中的方差函数var 还有 协方差函数cov ,对于这两个函数，当然我们可以通过

matlab中help两下解决，但无奈对于英语是心有余而力不足

，假如看官自认为英语还不错的话，你可以去help matlab去了。

好了，忠诚的小鸟们，开始上课：

这节咱们讲的是matlab中的方差函数var的用法及具体分析 ， var

是用来求方差的，但是首先我们应该清楚的区分两个概念，即方差和样本方差的无偏估计,简要来说(你要是不想简要，详细细内容可以看上一篇

)就是，方差公式中分母上是N，而样本方差无偏估计公式中分母上是N-1

(N为样本个数)。

OK！正题！

函数名称： var

函数功能：求解方差

函数用法：var(X) %与var(X,0)相同

var(X,W)

var(X,W,dim)

注：var(X,W) %

W可以取0或1，取0求样本方差的无偏估计值(除以N-1；对应取1求得的是方差(除以N)，

W也可以是向量，但必须与X中的第一个维度数相同，即length(W)=

size(X,1) 所以还存在： var(X ,0 ,dim) % 除以N

dim =1 对每列操作 dim = 2 对每行操作

var(X ,1 ,dim) % 除以N-1 dim =1 对每列操作 dim = 2

对每行操作

var(X,W,dim) %

关于W取向量时，把Ｗ看做Ｘ中观察值发生的次数(或者说概率也行)

下面详细介绍秘籍：

.........................................................

对于X是向量时，把向量中每个元素看做一个样本

var(X)或者var(X，0)函数输出这个向量中元素的样本方差的无偏估计值，var(X,1)输出的是样本方差

例1：

>> a = [1 6 1 4];

>> aa = var(a)

aa =

6

>> a_var = var(a,1)

a_var =

4.5000

>>

(sum((a-mean(a)).^2))/(length(a))

ans =

4.5000

............................................................

对于X是矩阵时

把每行看做一个观察值，每列看做一个变量，函数输出一个行向量，每个元素计算的是该列的方差

例2：

>> X= [1 6 6;4 2 5;7 2 3]

X =

1 6 6

4 2 5

7 2 3

>> XX=var(X)

XX =

9.0000 5.3333 2.3333

>> (sum((X-repmat(mean(X),3,1)).^2))/(size(X,1)-1) %验证

ans =

9.0000 5.3333 2.3333

>> X_var = var(X,1)

X_var =

6.0000 3.5556 1.5556

>>

(sum((X-repmat(mean(X),3,1)).^2))/(size(X,1)) %验证

ans =

6.0000 3.5556 1.5556

——————————————————————————————

对于var(X ,0 ,dim) 或者 var(X ,1 ,dim) 前面已说 0 对应 除以N-1；

1对应除以N； dim 指维度信息，默认为1，dim =1 就指对每列操作； dim =2

就指对每行操作。

下面以 var(X ,0 ,dim) 为例进行试验验证：

参考结果：默认为1情况↑(往上看)

>> var(X ,0 ,2)

ans =

8.3333

2.3333

7.0000

>> Y = X';

>> var(Y)

ans =

8.3333 2.3333 7.0000 (一样吧)

...............................................................

对于 var(X,W)、var(X,W,dim) 中W为向量的情况：

把Ｗ看做Ｘ中对应观察值发生的次数(或者说概率也行)处理，为了清除，现粘贴matlab部分源代码(笔者好心已加注释)如下：

function y = var(x,w,dim)

% The weighted variance for a

vector X is defined as

%

% VAR(X,W) = SUM(W.*RESID.*CONJ(RESID)) / SUM(W)

%

% where now RESID is computed

using a weighted mean.

wresize =

ones(1,max(ndims(x),dim)); wresize(dim) = n;

w =

reshape(w ./ sum(w),

wresize);

% w 看做是x中每个观察值的出现次数，这样w ./

sum(w)即使每个观察样本出现的概率，

x0 =

bsxfun(@times, w,

x);

%根据这个概率权重求出期望值或者平均值sum(x0, dim)

x =

bsxfun(@minus, x, sum(x0,

dim));

%where now RESID is computed

using a weighted mean. 这儿就是那个RESID

y =

sum(bsxfun(@times, w, abs(x).^2),

dim);

逐行验证：

>> clear

>> x= [1 6 6;4 2 5;7 2 3]

x =

1 6 6

4 2 5

7 2 3

>> w = [1 2 3];

>> dim = 1 ;

>> n = size(x ,dim)

n =

3

>> wresize =

ones(1,max(ndims(x),dim))

wresize =

1 1

>> wresize(dim) = n

wresize =

3 1

>> w = reshape(w ./ sum(w),

wresize)

w =

0.1667

0.3333

0.5000

>> x0 = bsxfun(@times, w, x)

x0 =

0.1667 1.0000 1.0000

1.3333 0.6667 1.6667

3.5000 1.0000 1.5000

>> x = bsxfun(@minus, x, sum(x0,

dim));

>> y =

sum(bsxfun(@times, w, abs(x).^2), dim)

y =

5.0000 2.2222 1.4722

>> var (x,w) %验证下成果

ans =

5.0000 2.2222 1.4722

你要是还感觉晕的话(

)，下面以第一列为例说明W作用

>> X= [1 6 6;4 2 5;7 2 3];

>> a =

X(:,1); %取出第一列

>> b = w ./

sum(w); %求出概率矩阵

>>

a0=a.*b; >>

a1=sum(a0); %求出第一列在W概率加权下的平均值

>> a2=a -a1;

>> c =

w.*(a2.^2) %W看做是每个观察值的出现次数，求出在此加权下的方差

>> sum(c)

ans =

5

注意： 需要注意的是，这种情况下求出的是样本的统计方差(也就是除以N的那种，因为式中w ./

sum(w))，并非样本方差无偏估计值

当然对于var(X,W,dim)中dim=1(对每列求方差)dim=2(对每行求方差)也可以进行验证，由于方式基本与之前的相同，在此不再赘述

二师兄，快到了！

↘

↘

↘

↘

↘

↘

................................................................................