大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
除了数学期望外，方差、均方差、协方差也是重要的数字特征。
方差
方差的代数意义很简单，两个数的方差就是两个数差值的平方，作为衡量实际问题的数字特征，方差有代表了问题的波动性。
方差的意义
甲、乙二人是射击队最优秀的两名选手，教练组用每一枪的得分作为成绩，根据历史数据计算出二人的平均成绩，也就是数学期望，结果是二人的实力相当，平均成绩都是9.5。比赛的日子快要到了，但是本次比赛只有一个名额，派谁出战呢？
一个简单的方法是让二人比赛一次，谁赢了选谁。但是二者实力相当，一场比赛无法评判孰强孰弱，这样做充满了随机性，丧失了考量的综合性，因此教练组不考虑这种方法。
本次比赛夺金的政治意义重大，需要慎重考虑，稳定性成了教练组判断的另一指标。成绩稳定性是通过另一个数字特征判断的，这个特数字特征就是方差。
下表示甲、乙二人在一次比赛中的成绩：
甲是发挥型选手，成绩波动较大，可以打出“超级环”，也会打出大失水准的“低级环”；相反，乙的发挥比较稳定，总是与平均成绩接近。
二者的平均成绩是已经提前计算出来的9.5，这个成绩已经与随机性无关，我们在这里也不去追究9.5是怎么算出来的，只需要借助这个数字特征给出一个供教练组参考指标，该指标描述了谁的波动大，谁更稳定。
每一次射击的成绩均会产生波动，用每一次射击的得分减去平均成绩表示本次波动，得到了下面的数据：
把每次波动累加起来就是整体的波动。由于有正有负，如果直接相加的话会正负抵消，最后二人的波动都是-0.1，得出二人同样稳定的结论，这显然是荒谬的。解决这个问题的一个方法是每次波动都取绝对值，另一个方法是取波动的平方，平方不用考虑符号的问题，因此比绝对值更简单。现在用(X-E(X))2表示波动，得到了下面的数据：
现在可以计算出二人的总体波动了：
可以看出，乙的波动远远小于甲的波动，说明乙的稳定性更高。
至于具体选择谁出赛，从不同的方面考虑会得出不同的答案，我们的在这里仅仅是将方差作为一个指标给教练组参考。数学本身描述了问题的客观规律，但如何利用客观规律评判是人的事情。
方差与数学期望的关系
在计算方差时，数学期望是必须的，用D(X)表示某个随机变量的方差：
我们注意到E(X)已经是一个具体的数字，是加权平均值，已经事先通过计算去掉了随机性（比如选手的平均成绩，这是一个稳定的概念，不会因为输掉某场比赛就认为这名选手不行了）；X是某个特定的随机变量，也是一个具体的数值，D(X)仅仅是将x=X放置在了一个函数里，最终也可以对得出定值。根据数学期望的特征，常数的数学期望仍是常数，因此：
因此我们说，某一个随机变量的方差就是该随机变量函数的数学期望。我们可以利用数学期望的性质继续向下计算：
所以说某一个变量的方差等于平方的期望减去期望的平方：
虽然D(X)代表某个特定随机变量的方差，E(D(X)) = D(X)，但E(X2) ≠X2，E(X2)表示的是随机变量函数g(X)=( X2)的数学期望。
我们可以借助数学期望的计算公式计算随机变量的整体方差（参考上一章内容）：
均方差（标准差）
由于方差是数据的平方，与检测值本身相差太大，人们难以直观地衡量，所以常用均方差代替方差判断数据的波动。
所有样本的方差之和除以样本的个数，再把所得值开根号，所得之数就是这组数据的均方差，也叫标准差，常见的离散型公式：
其中r就是随机变量的数学期望，也就是加权平均值，N是样本空间中的一部分数据。
协方差
当舞台转向了多维随机变量时，方差就变成了协方差，这里的“协”是指几个变量的协同相关性。
如果(X, Y)是二维随机变量，且D(X)>0, D(Y)>0，则X,Y的协方差的定义是：
和方差类似，E(X)E(Y)是确定的数学期望，对于某一组确定的变量x=X, y=Y来说，X和Y也是定值，因此协方差可进一步转换为：
由于E(X)E(Y)是定值，因此可以根据数学期望的性质进一步计算：
从直观上来看，协方差表示的是两个变量总体误差的期望。
如果两个变量的变化趋势一致，也就是说如果两个变量都大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。
当两个变量完全一致时，协方差就变成了方差：
这相当于同一个变量的协方差等于方差，自己与自己一定同步，无所谓协同。
协方差的性质：
协方差矩阵
协方差只能处理二维问题，对于三维以上数据，就需要计算多个协方差，然后用矩阵将其组织起来，这就是协方差矩阵。
以三维随机变量(X,Y,Z)为例，其协方差矩阵用∑表示：
需要注意的是，协方差矩阵计算的是不同维度之间的协方差，而不是不同样本之间的。
简单来说，协方差矩阵就是两两计算各维度之间的协方差，看看每两个维度之间的相关情况。如果各个变量之间相互独立，那么两个不同维度变量的协方差是0，协方差矩阵就是一个对角矩阵，并且对角线上的每个元素都是该维度的方差：
作者：我是8位的
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/168043.html原文链接：https://javaforall.net
![静态iP与权限更改[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
