協方差矩陣是什麼_協方差矩陣計算公式_如何計算協方差矩陣

2021-01-11 電子發燒友
打開APP
協方差矩陣是什麼_協方差矩陣計算公式_如何計算協方差矩陣

發表於 2017-12-05 15:58:43

  協方差矩陣是什麼

  在統計學與概率論中,協方差矩陣的每個元素是各個向量元素之間的協方差,是從標量隨機變量到高維度隨機向量的自然推廣。

  矩陣中的數據按行排列與按列排列求出的協方差矩陣是不同的,這裡默認數據是按行排列。即每一行是一個observation(or sample),那麼每一列就是一個隨機變量。

  

  協方差矩陣:

  

  協方差矩陣的維度等於隨機變量的個數,即每一個 observation 的維度。在某些場合前邊也會出現 1 / m,而不是 1 / (m - 1)。

  協方差矩陣計算公式

  在統計學與概率論中,協方差矩陣是一個矩陣,其每個元素是各個向量元素之間的協方差。這是從標量隨機變量到高維度隨機向量的自然推廣。

  

  如何計算協方差矩陣

  舉個例子,矩陣 X 按行排列:

  

  1. 求每個維度的平均值

  

  2. 將 X 的每一列減去平均值

  

  其中:

  3. 計算協方差矩陣

  

  注意:

  有時候在書上或者網上會看到這樣的公式,協方差矩陣 Σ:

  

  這裡之所以會是 X * X『 是因為原始數據集 X 是按列排列的,即:

  

  另外在 opencv 文檔中關於計算協方差矩陣的 calcCovarMatrix 函數的說明我覺得是有問題的,

  在正常的 CV_COVAR_NORMAL 狀態下它給出的 cov = scale * X * X』,而這個定義僅僅是在數據按列排列下才有的,即 CV_COVAR_COLS.

  URL:http://docs.opencv.org/modules/core/doc/operations_on_arrays.html?highlight=calccovarmatrix#cv.CalcCovarMatrix

  這裡有一個按列排列的 PCA 教程,可以參考一下:

  http://ufldl.stanford.edu/wiki/index.php/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90

  matlab 代碼:

  clear; clc;

  % data are stored as rows.

  X = [1 2 3;

  3 1 1];

  Y = X;

  [rows, cols] = size(X);

  % get mean of each dimension(each column)。

  meanMatrix = mean(X);

  % X - mean.

  X = X - ones(rows, 1) * meanMatrix;

  % get the cov matrix.

  covMatrix = 1 / (rows - 1) * (X『 * X)

  % the given 』cov『 function

  cov(Y)

打開APP閱讀更多精彩內容

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容圖片侵權或者其他問題,請聯繫本站作侵刪。 侵權投訴

相關焦點

  • ML基礎:協方差矩陣!
    協方差來度量兩個隨機變量關係的統計量,它描述的意義是:如果結果為正值,則說明兩者是正相關的,否則是負相關的。需要注意的是,協方差是計算不同特徵之間的統計量,不是不同樣本之間的統計量。協方差基本知識:協方差公式:設n個隨機向量:從公式上看,協方差是兩個變量與自身期望做差再相乘, 然後對乘積取期望。
  • 基於FPGA的複數浮點協方差矩陣實現
    O 引言 協方差矩陣的計算是信號處理領域的典型運算,是實現多級嵌套維納濾波器、空間譜估計、相干源個數估計以及仿射不變量模式識別的關鍵部分,廣泛應用於雷達、聲吶、數字圖像處理等領域。
  • 基於協方差矩陣的目標特徵提取與跟蹤
    摘要: 如何在較複雜環境下對視頻中的運動目標進行有效跟蹤,是目前研究的熱點問題。本文提出了基於協方差矩陣建模的改進跟蹤中心點的確定方法。該方法在確定融合了LBP紋理特徵的目標特徵向量基礎上,建立目標區域協方差矩陣作為模板矩陣,並從下一幀中提取協方差矩陣,與模板矩陣進行矩陣相似性度量,形成相似度矩陣,使用閾值進行矩陣元素的選擇,並計算剩餘元素的權值,再按重心公式確定跟蹤中心點。實驗結果表明:在較複雜環境中,可以對目標的旋轉、遮擋和形狀變化進行具有更高準確度的跟蹤,驗證了該方法的有效性。
  • 教程| 從特徵分解到協方差矩陣:詳細剖析和實現PCA算法
    只不過數學上定義了一些矩陣間的運算,矩陣運算的法則和實際內部的值並沒有什麼關係,只不過定義了在運算時哪些位置需要進行哪些操作。因為矩陣相當於定義了一系列運算法則的表格,那麼其實它就相當於一個變換,這個變換(物理運動)可以由特徵向量(方向)和特徵值(速度)完全描述出來。線性變換在解釋線性變換前,我們需要先了解矩陣運算到底是什麼。
  • 基於複數浮點運算的協方差矩陣的FPGA實現
    引言本文引用地址:http://www.eepw.com.cn/article/201706/349296.htm  協方差矩陣的計算是信號處理領域的典型運算,是實現多級嵌套維納濾波器、空間譜估計、相干源個數估計以及仿射不變量模式識別的關鍵部分,廣泛應用於雷達、聲吶、數字圖像處理等領域。
  • 方差-協方差法VaR計量模型選擇
    在假設  的條件下,對於一個資產組合的VaR計算的基本公式為:                                                                            (1)     其中Za為置信水平為1-a時的百分位點,W為權重向量,Ht為時變的協方差矩陣。在單一資產中,協方差矩陣就退化為方差。
  • 期望、方差與協方差
    方差用于衡量隨機變量或一組數據的離散程度,方差在在統計描述和概率分布中有不同的定義和計算公式。①概率論中方差用來度量隨機變量和其數學期望(即均值)之間的偏離程度;②統計中的方差(樣本方差)是每個樣本值與全體樣本均值之差的平方值的平均數,代表每個變量與總體均值間的離散程度。
  • 【華泰金工林曉明團隊】不同協方差估計方法對比分析
    投資者通常採用樣本協方差作為對真實協方差矩陣的估計,該方法需要估計的參數眾多,誤差較大,為此學者們提出了包括稀疏矩陣、因子模型、壓縮估計在內的一系列改進算法。  樣本協方差是真實協方差的漸進無偏估計,但觀測樣本較少時估計誤差大  多元正態分布假設下,樣本協方差是真實協方差矩陣的漸進、無偏估計量,當觀測樣本足夠長時,樣本協方差會收斂到真實協方差矩陣;只有當觀測長度相比於資產維度不夠時,才需要引入複雜協方差估計方法。
  • 協方差與相關係數
    協方差協方差這個玩意兒,好多同學仍舊是一頭霧水,而後面再加上相關係數更是讓人一臉懵逼,今天我們就來認認真真研究下。在此之前呢,我們來看一下方差。方差總該知道是啥吧?假設有這麼兩個集合:[0,8,12,20]和[8,9,11,12]兩個集合呢,均值都是10,但顯然兩者的差別還是蠻大的,我們通過計算方差即可得出二者的差異:第一個集合表現的比較動蕩(不是放蕩),第二個集合表現比較平穩,方差就是衡量這個的。好啦,既然有了方差,問題又來了。假設你統計了兩組樣本:
  • 使用R計算方差與標準差
    概述描述樣本值的離散程度,最常用的指標是方差和標準差,它們與前面所說的全距(極差)只使用了兩個極值情況不同,它們利用了樣本的全部信息去描述數據取值的分散性。計算方差的公式方差是各樣本相對均值的偏差平方和的平均。
  • 矩陣與矩陣乘積簡介
    讓我們來看矩陣的第一行,在向量(值3和4)和行(值1和2)之間進行點積。第一行的第一個值的與第一列的第一個值(13)和第一行第二個值與第一列的第二個值(24),它計算的矩陣的第一個元素是(13 + 24 = 11)。你可以看到矩陣乘積與點積相關,就像把矩陣A分成三行並應用點積(如數據科學的基本數學)。看看它是如何與numpy一起工作的。
  • 協方差(covariance)與相關係數(2)
    相關係數的計算公式:從上面的公式中可以看出:相關係數的計算公式中包括x與y的協方差、x的方差和y的方差。故計算x與y的協方差是計算相關係數的基礎。分母的作用是將協方差的結果調整至[-1,1],故相關係數不受數據scale的影響。
  • spss協方差分析
    什麼是協方差分析?協方差分析又稱「共變量分析」,是方差分析的引申和擴大。基本原理是將線性回歸與方差分析結合起來,調整各組平均數和 F 檢驗的實驗誤差項,檢驗兩個或多個調整平均數有無顯著差異,以便控制在實驗中影響實驗效應(因變量)而無法人為控制的協變量(與因變量有密切回歸關係的變量)在方差分析中的影響。好吧,聽不懂。簡單舉個例子來說:有一項研究,想知道男生和女生在跑步後的心率是否有差異。
  • 從協方差分析看回歸與方差分析的聯繫
    因此,在這種情況下,「收入」這個變量就被稱為「協變量」,可以記為「Z」。納入協變量的方差分析,即稱協方差分析。一般而言,進行協方差分析的協變量為「定量變量」,比如本例中的「人均月收入」,它一般不是研究者重點研究的變量(本例中重點研究的是教育程度和性別),但因為它會對分析結果造成幹擾,因此在分析過程中必須要將其納入。
  • 如何看懂SPSS重複測量方差分析的一系列結果
    之前的方差分析是對一個變量的變異進行分解(即所謂的離均差平方和);重複測量的方差分析則是針對多個變量進行的,也可以叫做變異分解,但此時它有了一個新名字,叫方差-協方差矩陣的變異分解。什麼叫協方差?什麼又叫矩陣?
  • 【學習記·第31期】單因素、雙因素方差分析VS協方差分析
    方差分析的基本思想•  方差分析是對數據變異量的分析,將總變異分解為由自變量(或稱實驗處理)引起的變異和誤差因素引起的變異,如果由自變量產生的變異顯著多於誤差造成的變異,那麼我們可以有把握的推斷自變量對因變量確實產生了影響。在這裡就涉及方差分析的邏輯基礎,即方差的可分解性。用公式表示即:。
  • 重複測量方差分析的操作教程及結果解讀
    重複測量方差分析與單變量方差分析思路的不同之處在於:單變量方差分析是對某一變量的方差進行分解,而重複測量數據存在多個時間點的測量結果,並不僅有1個變量,而有多個變量,從而形成多個變量的方差-協方差矩陣。
  • 如何在黎曼意義下定義相關矩陣的內均值?
    這兩個黎曼矩陣在非常相似的空間(高斯分布的密度是用相同的均值進行參數化,協方差可以識別到協方差矩陣中)上的這種聯繫通過Fréchet-Darmois-Cramér-Rao不等式給出了很好的統計解釋:黎曼矩陣引起的協方差矩陣空間的曲率是統計估計不確定性的簡單函數。
  • 如何理解mantel檢驗-就知道矩陣和單列變量數據的相關
    ,所以今天就之前的文檔,來告訴大家如何理解mantel並且在一些文章中的運用做一個解釋。計算原理x矩陣中的每個元素與均值的差與y矩陣每個元素與均值的差的乘積與像個矩陣的的標準差之乘積的商。這樣標準化之後整個數值就會在1到-1之間。
  • 快速處理數據分析之協方差分析
    如果方差分析時需要考慮幹擾項,此時就稱之為協方差分析,而幹擾項也稱著「協變量」。前提條件(1) 協方差分析中,X是定類數據,Y是定量數據;協變量通常為定量數據;如果協變量是定類數據,可考慮將其納入X即自變量中,或者將協變量做虛擬變量處理。