协方差和协相关(Covariance and Correlation)

2024-04-20 19:12

本文主要是介绍协方差和协相关(Covariance and Correlation),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文主要是记录与这两个概念相关的概念。看中文或者英文时,尝尝容易弄混。

内容

    • 1 covariance和correleation
    • 2 covariance matrix和correlation matrix
    • 3 cross-covariance和cross-correlation
    • 4 autocovariance和autocorrelation

对于两个随机信号X, Y

1 covariance和correleation

covariance:
c o v X Y = σ X Y = E [ ( X − μ X ) ( Y − μ Y ) ] cov_{XY}=\sigma _{XY}=E\left[ \left( X-\mu _X \right) \left( Y-\mu _Y \right) \right] covXY=σXY=E[(XμX)(YμY)]

correlation:
c o r r X Y = ρ X Y = E [ ( X − μ X ) ( Y − μ Y ) ] / ( σ X σ Y ) corr_{XY}=\rho _{XY}=E\left[ \left( X-\mu _X \right) \left( Y-\mu _Y \right) \right] /\left( \sigma _X\sigma _Y \right) corrXY=ρXY=E[(XμX)(YμY)]/(σXσY)

因此
ρ X Y = σ X Y / ( σ X σ Y ) \rho _{XY}=\sigma _{XY}/\left( \sigma _X\sigma _Y \right) ρXY=σXY/(σXσY)

如果Y=X,那么 σ X Y = σ X X = ( σ X ) 2 \sigma _{XY}=\sigma _{XX}=(\sigma_{X})^2 σXY=σXX=(σX)2, ρ X Y = 1 \rho_{XY}=1 ρXY=1

2 covariance matrix和correlation matrix

这个是对于多维随机变量来说的,也就是 X = [ X 1 , X 2 , . . . , X m ] X=[X_1,X_2,...,X_m] X=[X1,X2,...,Xm], Y = [ Y 1 , Y 2 , . . . , Y n ] Y=[Y_1,Y_2,...,Y_n] Y=[Y1,Y2,...,Yn],那么
c o v X Y = [ c o v X i Y j ] ( m , n ) c o r r X Y = [ c o r r X i Y j ] ( m , n ) cov_{XY}=\left[ cov_{X_iY_j} \right] _{\left( m,n \right)} \\ corr_{XY}=\left[ corr_{X_iY_j} \right] _{\left( m,n \right)} covXY=[covXiYj](m,n)corrXY=[corrXiYj](m,n)

3 cross-covariance和cross-correlation

这是对于平稳随机信号来说的,也就是信号的平均值和方差随时间是不变的
E ( X n ) = E ( x n + m ) E(X_n)=E(x_{n+m}) E(Xn)=E(xn+m), V a r ( X n ) = V a r ( X n + m ) Var(X_n)=Var(X_{n+m}) Var(Xn)=Var(Xn+m)

cross-covariance
σ X Y ( m ) = E [ ( X n − μ X ) ( Y n + m − μ Y ) ] \sigma _{XY}(m)=E\left[ \left( X_n-\mu _X \right) \left( Y_{n+m}-\mu _Y \right) \right] σXY(m)=E[(XnμX)(Yn+mμY)]

cross-correlation
ρ X Y ( m ) = E [ ( X n − μ X ) ( Y n + m − μ Y ) ] / ( σ X σ Y ) \rho _{XY}(m)=E\left[ \left( X_n-\mu _X \right) \left( Y_{n+m}-\mu _Y \right) \right] /\left( \sigma _X\sigma _Y \right) ρXY(m)=E[(XnμX)(Yn+mμY)]/(σXσY)

cross-covariance, cross-correlation与n的位置无关,只与时刻之间的间隔m有关

4 autocovariance和autocorrelation

autocovariance
σ X X ( m ) = E [ ( X n − μ X ) ( X n + m − μ X ) ] \sigma _{XX}\left( m \right) =E\left[ \left( X_n-\mu _X \right) \left( X_{n+m}-\mu _X \right) \right] σXX(m)=E[(XnμX)(Xn+mμX)]
autocorrelation
ρ X X ( m ) = E [ ( X n − μ X ) ( X n + m − μ X ) ] / ( σ X 2 ) \rho _{XX}\left( m \right) =E\left[ \left( X_n-\mu _X \right) \left( X_{n+m}-\mu _X \right) \right] /\left( \sigma _{X}^{2} \right) ρXX(m)=E[(XnμX)(Xn+mμX)]/(σX2)

这篇关于协方差和协相关(Covariance and Correlation)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/921088

相关文章

sqlite3 相关知识

WAL 模式 VS 回滚模式 特性WAL 模式回滚模式(Rollback Journal)定义使用写前日志来记录变更。使用回滚日志来记录事务的所有修改。特点更高的并发性和性能;支持多读者和单写者。支持安全的事务回滚,但并发性较低。性能写入性能更好,尤其是读多写少的场景。写操作会造成较大的性能开销,尤其是在事务开始时。写入流程数据首先写入 WAL 文件,然后才从 WAL 刷新到主数据库。数据在开始

两个月冲刺软考——访问位与修改位的题型(淘汰哪一页);内聚的类型;关于码制的知识点;地址映射的相关内容

1.访问位与修改位的题型(淘汰哪一页) 访问位:为1时表示在内存期间被访问过,为0时表示未被访问;修改位:为1时表示该页面自从被装入内存后被修改过,为0时表示未修改过。 置换页面时,最先置换访问位和修改位为00的,其次是01(没被访问但被修改过)的,之后是10(被访问了但没被修改过),最后是11。 2.内聚的类型 功能内聚:完成一个单一功能,各个部分协同工作,缺一不可。 顺序内聚:

log4j2相关配置说明以及${sys:catalina.home}应用

${sys:catalina.home} 等价于 System.getProperty("catalina.home") 就是Tomcat的根目录:  C:\apache-tomcat-7.0.77 <PatternLayout pattern="%d{yyyy-MM-dd HH:mm:ss} [%t] %-5p %c{1}:%L - %msg%n" /> 2017-08-10

Node Linux相关安装

下载经编译好的文件cd /optwget https://nodejs.org/dist/v10.15.3/node-v10.15.3-linux-x64.tar.gztar -xvf node-v10.15.3-linux-x64.tar.gzln -s /opt/node-v10.15.3-linux-x64/bin/npm /usr/local/bin/ln -s /opt/nod

git ssh key相关

step1、进入.ssh文件夹   (windows下 下载git客户端)   cd ~/.ssh(windows mkdir ~/.ssh) step2、配置name和email git config --global user.name "你的名称"git config --global user.email "你的邮箱" step3、生成key ssh-keygen

zookeeper相关面试题

zk的数据同步原理?zk的集群会出现脑裂的问题吗?zk的watch机制实现原理?zk是如何保证一致性的?zk的快速选举leader原理?zk的典型应用场景zk中一个客户端修改了数据之后,其他客户端能够马上获取到最新的数据吗?zk对事物的支持? 1. zk的数据同步原理? zk的数据同步过程中,通过以下三个参数来选择对应的数据同步方式 peerLastZxid:Learner服务器(Follo

rtmp流媒体编程相关整理2013(crtmpserver,rtmpdump,x264,faac)

转自:http://blog.163.com/zhujiatc@126/blog/static/1834638201392335213119/ 相关资料在线版(不定时更新,其实也不会很多,也许一两个月也不会改) http://www.zhujiatc.esy.es/crtmpserver/index.htm 去年在这进行rtmp相关整理,其实内容早有了,只是整理一下看着方

枚举相关知识点

1.是用户定义的数据类型,为一组相关的常量赋予有意义的名字。 2.enum常量本身带有类型信息,即Weekday.SUN类型是Weekday,编译器会自动检查出类型错误,在编译期间可检查错误。 3.enum定义的枚举类有什么特点。         a.定义的enum类型总是继承自java.lang.Enum,且不能被继承,因为enum被编译器编译为final修饰的类。         b.只能定义

java计算机毕设课设—停车管理信息系统(附源码、文章、相关截图、部署视频)

这是什么系统? 资源获取方式在最下方 java计算机毕设课设—停车管理信息系统(附源码、文章、相关截图、部署视频) 停车管理信息系统是为了提升停车场的运营效率和管理水平而设计的综合性平台。系统涵盖用户信息管理、车位管理、收费管理、违规车辆处理等多个功能模块,旨在实现对停车场资源的高效配置和实时监控。此外,系统还提供了资讯管理和统计查询功能,帮助管理者及时发布信息并进行数据分析,为停车场的科学

一些数学经验总结——关于将原一元二次函数增加一些限制条件后最优结果的对比(主要针对公平关切相关的建模)

1.没有分段的情况 原函数为一元二次凹函数(开口向下),如下: 因为要使得其存在正解,必须满足,那么。 上述函数的最优结果为:,。 对应的mathematica代码如下: Clear["Global`*"]f0[x_, a_, b_, c_, d_] := (a*x - b)*(d - c*x);(*(b c+a d)/(2 a c)*)Maximize[{f0[x, a, b,