协方差相关系数如何通俗理解“协方差”和“相关系数”

协方差（相关系数）有答案，不知道怎么算出来的

连加符号你肯定知道吧,对应的（x,y）与其均值之差再相乘，逐项展开就是 协方差=[(1-3.5)(3-13)]*[(2-3.5)(6-13)]*[(3-3.5)(9-13)]*[(4-3.5)(15-13)]*[(5-3.5)(20-13)]*[(6-3.5)(25-13)]/6=你画红线的那个式子

方差 期望 协方差 相关系数 各描述了什么

方差描述了一组数列的波动情况，如果一个数列都是1种数，如1，1，1，1，1，1 那么它的方差为0 期望其实就是一组数的平均值 协方差是建立在方差分析和回归分析基础之上的一种统计分析方法 两个不同参数之间的方差就是协方差 相关系数r 相关系数是变量之间相关程度的指标。

样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1]。

|r|值越大，误差Q越小，变量之间的线性相关程度越高；|r|值越接近0，Q越大，变量之间的线性相关程度越低。

相关系数 又称皮（尔生）氏积矩相关系数，说明两个现象之间相关关系密切程度的统计分析指标。

相关系数用希腊字母γ表示，γ值的范围在-1和+1之间。

γ＞0为正相关，γ＜0为负相关。

γ＝0表示不相关； γ的绝对值越大，相关程度越高。

两个现象之间的相关程度，一般划分为四级： 如两者呈正相关，r呈正值，r=1时为完全正相关；如两者呈负相关则r呈负值，而r=-1时为完全负相关。

完全正相关或负相关时，所有图点都在直线回归线上；点子的分布在直线回归线上下越离散，r的绝对值越小。

当例数相等时，相关系数的绝对值越接近1，相关越密切；越接近于0，相关越不密切。

当r=0时，说明X和Y两个变量之间无直线关系。

通常|r|大于0.75时，认为两个变量有很强的线性相关性。

相关系数的计算公式为： 其中xi为自变量的标志值；i＝1，2，…n；■为自变量的平均值， 为因变量数列的标志值；■为因变量数列的平均值。

为自变量数列的项数。

对于单变量分组表的资料，相关系数的计算公式为： 其中fi为权数，即自变量每组的次数。

在使用具有统计功能的电子计算机时，可以用一种简捷的方法计算相关系数，其公式为： 使用这种计算方法时，当计算机在输入x、y数据之后，可以直接得出n、■、∑xi、∑yi、∑■、∑xiy1、γ等数值，不 必再列计算表。

相关系数概念问题。。方差为0时，相关系数怎么算。协方差为0，相关系数就是0吗？

1。

X、Y 如果是随机变量的话就不该有DX或DY=0的情况，否则那就是常数而不是随机变量了。

因此，你所说的情况并不存在。

2。

当cov（X,Y）=0，那么相关系数ρ（X,Y) 确实为零。

如何通俗理解“协方差”和“相关系数”

相关系数概念在评价图像的处理效果方面很有用，因为很多时候我们需要只要处理后图像与原图像的关系。

一、协方差： ?可以通俗的理解为：两个变量在变化过程中是同方向变化？还是反方向变化？同向或反向程度如何？? 你变大，同时我也变大，说明两个变量是同向变化的，这时协方差就是正的。

? 你变大，同时我变小，说明两个变量是反向变化的，这时协方差就是负的。

? 从数值来看，协方差的数值越大，两个变量同向程度也就越大。

反之亦然。

? 咱们从公式出发来理解一下： ? ?公式简单翻译一下是：如果有X,Y两个变量，每个时刻的“X值与其均值之差”乘以“Y值与其均值之差”得到一个乘积，再对这每时刻的乘积求和并求出均值（其实是求“期望”，但就不引申太多新概念了，简单认为就是求均值了）。

? ? 期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差Cov(X,Y)定义为： 从直观上来看，协方差表示的是两个变量总体误差的期望。

二、相关系数： ?对于相关系数，我们从它的公式入手。

一般情况下，相关系数的公式为： ? 翻译一下：就是用X、Y的协方差除以X的标准差和Y的标准差。

?所以，相关系数也可以看成协方差：一种剔除了两个变量量纲影响、标准化后的特殊协方差。

? ?既然是一种特殊的协方差，那它： ?1、也可以反映两个变量变化时是同向还是反向，如果同向变化就为正，反向变化就为负。

?2、由于它是标准化后的协方差，因此更重要的特性来了：它消除了两个变量变化幅度的影响，而只是单纯反应两个变量每单位变化时的相似程度。

? 为了能准确的研究两个变量在变化过程中的相似程度，我们就要把变化幅度对协方差的影响，从协方差中剔除掉。

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差