大家好，又见面了，我是全栈君，祝每个程序员都可以多学几门语言。
协方差的意义
转载于：http://bbs.mathchina.com/cgi-bin/topic.cgi?forum=5&topic=14444（感谢原作者）
在概率论中，两个随机变量 X 与 Y 之间相互关系，大致有下列3种情况：
当 X, Y 的联合分布像上图那样时，我们能够看出，大致上有： X 越大 Y 也越大， X 越小 Y 也越小，这样的情况，我们称为“正相关”。
当X, Y 的联合分布像上图那样时，我们能够看出，大致上有：X 越大Y 反而越小，X 越小 Y 反而越大，这样的情况，我们称为“负相关”。
不相关”。
如何将这3种相关情况，用一个简单的数字表达出来呢？
在图中的区域（1）中，有 X>EX ，Y-EY>0 ，所以(X-EX)(Y-EY)>0；
在图中的区域（2）中，有 X<EX ，Y-EY>0 ，所以(X-EX)(Y-EY)<0；
在图中的区域（3）中，有 X<EX ，Y-EY<0 ，所以(X-EX)(Y-EY)>0；
在图中的区域（4）中，有 X>EX ，Y-EY<0 ，所以(X-EX)(Y-EY)<0。
当X 与Y 正相关时，它们的分布大部分在区域（1）和（3）中，小部分在区域（2）和（4）中，所以平均来说，有E(X-EX)(Y-EY)>0 。
当 X与 Y负相关时，它们的分布大部分在区域（2）和（4）中，小部分在区域（1）和（3）中，所以平均来说，有(X-EX)(Y-EY)<0 。
当 X与 Y不相关时，它们在区域（1）和（3）中的分布，与在区域（2）和（4）中的分布差点儿一样多，所以平均来说，有(X-EX)(Y-EY)=0 。
所以，我们能够定义一个表示X, Y 相互关系的数字特征，也就是
协方差
。
当 cov(X, Y)>0时，表明 X与Y 正相关；
当 cov(X, Y)<0时，表明X与Y负相关；
当 cov(X, Y)=0时，表明X与Y不相关。
这就是协方差的意义。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/118305.html原文链接：https://javaforall.net
![[python]解析通达信盘后数据获取历史日线数据[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
