一组数据的协方差怎么算
协方差公式？
协方差公式？
协方差计算式为COV(X，Y)E(XY)-E(X)E(Y)。这里的E[X]代表变量X的期。
协方差用于表示变量间的相互关系，变量间的相互关系一般有三种：正相关，负相关和不相关。
正相关：假设有两个变量x和y，若x越大y越大；x越小y越小则x和y为正相关。
负相关：假设有两个变量x和y，若x越大y越小；x越小y越大则x和y为负相关。
不相关：假设有两个变量x和y，若x和y变化无关联则x和y为负相关。
协方差在农业上的应用：
农业科学实验中，经常会出现可以控制的质量因子和不可以控制的数量因子同时影响实验结果的情况，这时就需要采用协方差分析的统计处理方法，将质量因子与数量因子（也称协变量）综合起来加以考虑。
比如，要研究3种肥料对苹果产量的实际效应，而各棵苹果树头年的“基础产量”不一致，但对试验结果又有一定的影响。要消除这一因素带来的影响，就需将各棵苹果树第1年年产量这一因素作为协变量进行协方差分析，才能得到正确的实验结果。
二维向量协方差怎么算？
cov(x,y)EXY－EX*EY
协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)EXY－EX*EY
协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论
举例：
Xi 1.1 1.9 3
Yi 5.0 10.4 14.6
E(X) (1.1 1.9 3)/32
E(Y) (5.0 10.4 14.6)/310
E(XY)(1.1×5.0 1.9×10.4 3×14.6)/323.02
Cov(X,Y)E(XY)-E(X)E(Y)23.02-2×103.02
此外：还可以计算：D(X)E(X^2)-E^2(X)(1.1^2 1.9^2 3^2)/3 - 44.60-40.6 σx0.77
D(Y)E(Y^2)-E^2(Y)(5^2 10.4^2 14.6^2)/3-10015.44 σy3.93
X,Y的相关系数：
r(X,Y)Cov(X,Y)/(σxσy)3.02/(0.77×3.93) 0.9979
表明这组数据X,Y之间相关性很好!
扩展资料：
协方差（Covariance）在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。
协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。
如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。
若两个随机变量X和Y相互独立，则E[(X-E(X))(Y-E(Y))]0，因而若上述数学期望不为零，则X和Y必不是相互独立的，亦即它们之间存在着一定的关系。
协方差与方差之间有如下关系：
D(X Y)D(X) D(Y) 2Cov(X，Y)
D(X-Y)D(X) D(Y)-2Cov(X，Y)
协方差与期望值有如下关系：
Cov(X，Y)E(XY)-E(X)E(Y)。
协方差的性质：
（1）Cov(X，Y)Cov(Y，X)；
（2）Cov(aX，bY)abCov(X，Y)，（a，b是常数）；
（3）Cov(X1 X2，Y)Cov(X1，Y) Cov(X2，Y)。
由协方差定义，可以看出Cov(X，X)D(X)，Cov(Y，Y)D(Y)。
协方差作为描述X和Y相关程度的量，在同一物理量纲之下有一定的作用，但同样的两个量采用不同的量纲使它们的协方差在数值上表现出很大的差异。为此引入如下概念：
定义
称为随机变量X和Y的(Pearson)相关系数。
方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。
方差是衡量源数据和期望值相差的度量值。
方差在统计描述和概率分布中各有不同的定义，并有不同的公式。
在统计描述中，方差用来计算每一个变量（观察值）与总体均数之间的差异。为避免出现离均差总和为零，离均差平方和受样本含量的影响，统计学采用平均离均差平方和来描述变量的变异程度。总体方差计算公式：
为总体方差，
为变量，
为总体均值，
为总体例数。
实际工作中，总体均数难以得到时，应用样本统计量代替总体参数，经校正后，样本方差计算公式：S^2 ∑（X-
） ^2 / （n-1）
S^2为样本方差，X为变量，
为样本均值，n为样本例数