【精选】协方差、样本协方差、协方差矩阵、相关系数详解（python代码）

对于一个随机变量的分布特征，可以由均值、方差、标准差等进行描述。而对于两个随机变量的情况，有协方差和相关系数来描述两个随机变量的相互关系。

本文主要参考概率论与数理统计的教科书，整理了协方差、样本协方差、协方差矩阵、相关系数的概念解释和代码。

协方差的概念来自概率论，实际应用中的样本协方差则与统计学概念有关。

协方差反应了随机变量 X 、 Y X、Y X、Y之间“协同”变化的关系。也可以说，协方差在某种意义上给出了两个变量线性相关性的强度以及这些变量的尺度。

当 Y Y Y就是 X X X时， c o v ( X , Y ) = c o v ( X ) = v a r ( X ) cov(X,Y)=cov(X)=var(X) cov(X,Y)=cov(X)=var(X)协方差即为方差，这就是我们称其为协方差的原因。1

协方差定义： c o v ( X , Y ) = E { [ X − E ( X ) ] [ Y − E ( Y ) ] } = E ( X Y ) − E ( X ) E ( Y ) cov(X,Y)=E\{[X-E(X)][Y-E(Y)]\} =E(XY)-E(X)E(Y) cov(X,Y)=E{[X−E(X)][Y−E(Y)]}=E(XY)−E(X)E(Y)

直观解释

若 c o v ( X , Y ) > 0 cov(X,Y)>0 cov(X,Y)>0，即事件 { X > E ( X ) } ∩ { Y > E ( Y ) } \{X>E(X)\}\cap\{Y>E(Y)\} {X>E(X)}∩{Y>E(Y)}或 { X < E ( X ) } ∩ { Y < E ( Y ) } \{XY0时，称X与Y正线性相关；当 ρ X Y ρ_{XY} ρXY​