在分析多變數資料，e.g：x=[x1,x2,x3],這是乙個三維資料，可以想象x1,x2,x3分別代表某物體的長寬高。
在某次實驗環境下，我們測得幾組物體的長寬高的資料，x1=[1,2,3]，x2=[1.5,1.9,2.8],x3=[0.9,2.1,3.2].
此時分析平均值向量和協方差矩陣，可以幫助我們分析三個變數（i.e 長，寬，高，不是x1,x2和x3）之間
的相關性。
首先我們採用matlab計算協方差矩陣，之後進行詳細解釋：
x=[1,2,3;1.5,1.9,2.8;0.9,2.1,3.2] %構造輸入矩陣
cov(x)%計算協方差
c =0.1033 -0.0300 -0.0600
-0.0300 0.0100 0.0200
-0.0600 0.0200 0.0400 %結果
我們首先認識到，c是乙個對稱矩陣。
接下來，我們首先分析x陣
x =第一維（長） 第二維（寬） 第三維（高）
資料1 1.0000 2.0000 3.0000
資料2 1.5000 1.9000 2.8000
資料3 0.9000 2.1000 3.2000
我們取樣了三組資料，分別刻畫了物體的長寬高（三維），為求協方差，首先
求出三組資料各自維度上的均值（i.e:長寬高的均值）
mean(x)=[1.13 , 2 , 3],接下來我們刻畫資料之間的相關性，即，長寬高之間
i.e:
矩陣中的第
標量隨機變數
方差的一般化推廣。
因此我們得到
cov(x)=
0.1033 -0.0300 -0.0600
-0.0300 0.0100 0.0200
-0.0600 0.0200 0.0400
舉幾個資料的例子：0.1033.0.0100.0.0400分別刻畫的是長，寬，高資料的自相關性，-0.0300刻畫的是長和寬的相關性（寬和長的相關性）。所以協方差矩陣的維數
等於輸入資料的維數，
協方差矩陣
協方差 協方差矩陣
期望 離散型隨機變數的一切可能的取值xi與對應的概率pi xi 之積的和稱為該離散型隨機變數的數學期望 設級數絕對收斂 記為 e x 隨機變數最基本的數學特徵之一。它反映隨機變數平均取值的大小。又稱期望或均值。求法 設離散型隨機變數x的取值為 方差 方差是各個資料與平均數之差的平方的平均數。在概率論...
期望 方差 協方差 協方差矩陣
方差pearson相關係數 協方差矩陣與相關係數矩陣 我們將隨機實驗e的一切可能基本結果 或實驗過程如取法或分配法 組成的集合稱為e的樣本空間，記為s。樣本空間的元素，即e的每乙個可能的結果，稱為樣本點。這樣思考一下，如果某個資料集x xx滿足它是某個分布的隨機取樣，那麼在取樣過程中最可能出現的值是...
協方差和協方差矩陣
協方差的定義 對於一般的分布，直接代入e x 之類的就可以計算出來了，但真給你乙個具體數值的分布，要計算協方差矩陣，根據這個公式來計算，還真不容易反應過來。網上值得參考的資料也不多，這裡用乙個例子說明協方差矩陣是怎麼計算出來的吧。記住，x y是乙個列向量，它表示了每種情況下每個樣本可能出現的數。比如...