本文共 2377 字，大约阅读时间需要 7 分钟。
最近在看主成分分析（PCA），其中有一步是计算样本各维度的协方差矩阵。以前在看算法介绍时，也经常遇到，现找了些资料复习，总结如下。
通常，在提到协方差的时候，需要对其进一步区分。
（1）随机变量的协方差。跟数学期望、方差一样，是分布的一个总体参数。 （2）样本的协方差。是样本集的一个统计量，可作为联合分布总体参数的一个估计。 在实际中计算的通常是样本的协方差。在概率论和统计中，协方差是对两个随机变量联合分布线性相关程度的一种度量。两个随机变量越线性相关，协方差越大，完全线性无关，协方差为零。定义如下。
cov(X,Y)=E[(X−E[X])(Y−E[Y])]
当X，Y是同一个随机变量时，X与其自身的协方差就是X的方差，可以说方差是协方差的一个特例。cov(X,X)=E[(X−E[X])(X−E[X])]
或var(X)=cov(X,X)=E[(X−E[X])2]
由于随机变量的取值范围不同，两个协方差不具备可比性。如X，Y，Z分别是三个随机变量，想要比较X与Y的线性相关程度强，还是X与Z的线性相关程度强，通过cov(X,Y)与cov(X,Z)无法直接比较。定义相关系数η为η=cov(X,Y)var(X)⋅var(Y)‾‾‾‾‾‾‾‾‾‾‾‾‾‾√
通过X的方差var(X)与Y的方差var(Y)对协方差cov(X,Y)归一化，得到相关系数η，η的取值范围是[−1,1]。1表示完全线性相关，−1表示完全线性负相关，0表示线性无关。线性无关并不代表完全无关，更不代表相互独立。
在实际中，通常我们手头会有一些样本，样本有多个属性，每个样本可以看成一个多维随机变量的样本点，我们需要分析两个维度之间的线性关系。协方差及相关系数是度量随机变量间线性关系的参数，由于不知道具体的分布，只能通过样本来进行估计。
设样本对应的多维随机变量为X=[X1,X2,X3,...,Xn]T
，样本集合为{x⋅j=[x1j,x2j,...,xnj]T|1⩽j⩽m}，m为样本数量。与样本方差的计算相似，a和b两个维度样本的协方差公式为，其中1⩽a⩽n，1⩽b⩽n，n为样本维度
qab=∑mj=1(xaj−x¯a)(xbj−x¯b)m−1
这里分母为m−1是因为随机变量的数学期望未知，以样本均值代替，自由度减一。
对多维随机变量X=[X1,X2,X3,...,Xn]T
，我们往往需要计算各维度两两之间的协方差，这样各协方差组成了一个n×n的矩阵，称为协方差矩阵。协方差矩阵是个对称矩阵，对角线上的元素是各维度上随机变量的方差。我们定义协方差矩阵为Σ，这个符号与求和∑相同，需要根据上下文区分。矩阵内的元素Σij为
Σij=cov(Xi,Xj)=E[(Xi−E[Xi])(Xj−E[Xj])]
这样这个矩阵为Σ=E[(X−E[X])(X−E[X])T]
=⎡⎣⎢⎢⎢⎢cov(X1,X1)cov(X2,X1)⋮cov(Xn,X1)cov(X1,X2)cov(X2,X2)⋮cov(Xn,X2)⋯⋯⋱⋯cov(X1,Xn)cov(X2,Xn)⋮cov(Xn,Xn)⎤⎦⎥⎥⎥⎥
=⎡⎣⎢⎢⎢⎢⎢E[(X1−E[X1])(X1−E[X1])]E[(X2−E[X2])(X1−E[X1])]⋮E[(Xn−E[Xn])(X1−E[X1])]E[(X1−E[X1])(X2−E[X2])]E[(X2−E[X2])(X2−E[X2])]⋮E[(Xn−E[Xn])(X2−E[X2])]⋯⋯⋱⋯E[(X1−E[X1])(Xn−E[Xn])]E[(X2−E[X2])(Xn−E[Xn])]⋮E[(Xn−E[Xn])(Xn−E[Xn])]⎤⎦⎥⎥⎥⎥⎥
与上面的协方差矩阵相同，只是矩阵内各元素以样本的协方差替换。样本集合为{x⋅j=[x1j,x2j,...,xnj]T|1⩽j⩽m}
，m为样本数量，所有样本可以表示成一个n×m的矩阵。我们以Σ̂ 表示样本的协方差矩阵，与Σ区分。
Σ̂ =⎡⎣⎢⎢⎢⎢q11q21⋮qn1q12q21⋮qn2⋯⋯⋱⋯q1nq2n⋮qnn⎤⎦⎥⎥⎥⎥
=1m−1⎡⎣⎢⎢⎢⎢⎢∑mj=1(x1j−x¯1)(x1j−x¯1)∑mj=1(x2j−x¯2)(x1j−x¯1)⋮∑mj=1(xnj−x¯n)(x1j−x¯1)∑mj=1(x1j−x¯1)(x2j−x¯2)∑mj=1(x2j−x¯2)(x2j−x¯2)⋮∑mj=1(xnj−x¯n)(x2j−x¯2)⋯⋯⋱⋯∑mj=1(x1j−x¯1)(xnj−x¯n)∑mj=1(x2j−x¯2)(xnj−x¯n)⋮∑mj=1(xnj−x¯n)(xnj−x¯n)⎤⎦⎥⎥⎥⎥⎥
=1m−1∑j=1m(x⋅j−x¯)(x⋅j−x¯)T
公式中m为样本数量，x¯为样本的均值，是一个列向量，x⋅j为第j个样本，也是一个列向量。
在写程序计算样本的协方差矩阵时，我们通常用后一种向量形式计算。一个原因是代码更紧凑清晰，另一个原因是计算机对矩阵及向量运算有大量的优化，效率高于在代码中计算每个元素。
需要注意的是，协方差矩阵是计算样本不同维度之间的协方差，而不是对不同样本计算，所以协方差矩阵的大小与维度相同。
很多时候我们只关注不同维度间的线性关系，且要求这种线性关系可以互相比较。所以，在计算协方差矩阵之前，通常会对样本进行归一化，包括两部分：
- y⋅j=x⋅j−x¯
- 的标准差。这样消除了数值大小的影响。
这样，协方差矩阵Σ̂
可以写成Σ̂ =1m−1∑j=1mz⋅jzT⋅j
该矩阵内的元素具有可比性。转载地址：http://hwdab.baihongyu.com/