超全面的协方差矩阵介绍

全栈程序员-站长 • 2025年6月12日下午6:15 • 未分类 • 阅读 7

阅读本文需要具备一定的线性代数基础，通过本文，你将对协方差矩阵有全面的理解。

定义

一组随机变量，共n个：
$\mathbf{X}=(X_1,X_2,…,X_n)^T$

两个随机变量的协方差：
$cov[X_i,X_j]=E[(X_i-E[X_i])(X_j-E[X_j])]$

由n*n个协方差组成的协方差矩阵
$cov[\mathbf{X,X}]={\begin{bmatrix} cov[X_1,X_1]& cov[X_1,X_2] & \cdots & cov[X_1,X_n]\\ cov[X_2,X_1] & cov[X_2,X_2] & \cdots & cov[X_2,X_n]\\ \vdots & \vdots & \ddots & \vdots\\ cov[X_n,X_1] & cov[X_n,X_2] & \cdots & cov[X_n,X_n] \end{bmatrix}}$

直观理解

协方差表示两个随机变量之间的线性相关性
协方差矩阵中的每个元素代表了两个随机变量之间的协方差
协方差矩阵表示一组随机变量之间的两两线性相关性

例子

图片和示例来源（点击进入图片来源）

有二维随机变量x和y，简便期间，我们对x和y做了去均值处理（ $\bar x=\bar y = 0$ ），所以x和y之间的协方差： $E[(x-\bar x)(y-\bar y)]=E[x\cdot y]$

如果x和y的联合分布多分布在一三象限， $x\cdot y$ 多为正数，则协方差为正，x和y正相关。

如果x和y的联合分布多分布在二四象限， $x\cdot y$ 多为负数，则协方差为负，x和y负相关。

如果x和y的几乎均匀地分散在所有象限中，则 $x\cdot y$ 有正有负，均值接近于0，说明x和y之间没有相关性（只是说没有线性相关）。

线性相关与非线性相关

若两个向量的协方差为0，则两个向量不具备线性相关性，但它们仍然可能不独立，因为可能存在非线性的相关性。

具体的，协方差为0但不独立的原因在于：随机向量x和随机向量y之间的关系没有一阶分量，只有二阶或高阶分量（关于一阶分量、二级分量等详见泰勒公式）。

举个例子（来自知乎匿名用户）：对于随机变量x和随机变量y，有 $x^2+y^2=1$ ，其几何关系如下图：

性质

协方差矩阵是半正定矩阵

半正定矩阵的定义:
设A是实对称矩阵。如果对任意的实非零列向量x有 $x^TAx≥0$ ，就称A为半正定矩阵。
半正定矩阵的性质：

半正定矩阵的行列式是非负的
半正定矩阵的特征值都是非负的
…

延伸：
实对称矩阵一定是半正定矩阵
证明：协方差矩阵是半正定的
对任意向量y:
$y^T\Sigma y = y^TE[(X-\mu)(X-\mu)^T]y \\ \ \ \ \ \ \ \ \ \ \ \ =E[y^T(X-\mu)(X-\mu)^Ty] \\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ =E[((X-\mu)^Ty)^T((x-\mu)^Ty)] \\ \ \ \ \ \ =E[||(X-\mu)^Ty||^2] \geq 0$

正定矩阵的定义：
A是n阶方阵，如果对任何非零向量x，都有 $x^TAx>0$ ，其中 $x^T$ 表示x的转置，就称A正定矩阵
正定矩阵的性质：

正定矩阵的行列式恒为正

正定矩阵的特征值均为正

…

协方差矩阵是实对称矩阵

实对称矩阵的性质：

实对称矩阵的不同特征值对应的特征向量时正交的
实对称矩阵的特征值是实数，特征向量是实向量
实对称矩阵必可对角化，且其相似对角矩阵的对角线元素为n个特征值

实对称矩阵的对角化：
$P^{-1}AP = P^{-1}P \wedge=\wedge$

其中对角矩阵 $\wedge$ 的对角元素为矩阵A的n个特征值（n个特征值中可能重复的），P由矩阵A的特征向量组成。

与其他统计量的关系

与协方差的关系：

协方差矩阵的第i行第j列的元素是第i个随机向量和第j个随机向量之间的协方差
从协方差到协方差矩阵是从标量随机变量到高维随机向量的推广

与相关系数矩阵的关系：
相关系数矩阵为 $corr(\mathbf{X})$
$\operatorname {corr} (\mathbf {X} )={\big (}\operatorname {diag} (cov({\mathbf {X} \mathbf {X} })){\big )}^{-{\frac {1}{2}}}\,cov({\mathbf {X} \mathbf {X}) }\,{\big (}\operatorname {diag} (cov({\mathbf {X} \mathbf {X}) }){\big )}^{-{\frac {1}{2}}}$

延伸：PCA中对协方差矩阵的应用

详见《图文并茂的PCA教程》

Python实战

import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]) y = np.array([9, 8, 7, 6, 5, 4, 3, 2, 1]) Sigma = np.cov(x, y) print(Sigma) '''输出： [[ 7.5 -7.5] [-7.5 7.5]] '''

发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/233900.html原文链接：https://javaforall.net

超全面的协方差矩阵介绍

定义

直观理解