❶ 協方差的公式是什麼 有什麼性質
Cov(aX+bY,cW+dZ)=acCov(X,W)+bcCov(Y,M)+adCov(X,z)+bdCov(Y,Z) 這個對不對？
❷ 協方差怎樣計算
由協方差性質Cov(X1+X2，Y)=Cov(X1，Y)+Cov(X2，Y)得
Cov(Z,A)=Cov(Z,2X+Y-1)=2Cov(Z,X)+Cov(Z,Y)-0=25
不懂再問
還望採納
❸ 協方差計算公式怎麼推導的
均值描述的是樣本集合的中間點，它告訴我們的信息是很有限的，而標准差給我們描述的則是樣本集合的各個樣本點到均值的距離之平均。以這兩個集合為例，[0，8，12，20]和[8，9，11，12]，兩個集合的均值都是10，但顯然兩個集合差別是很大的，計算兩者的標准差，前者是8.3，後者是1.8，顯然後者較為集中，故其標准差小一些，標准差描述的就是這種「散布度」。之所以除以n-1而不是除以n，是因為這樣能使我們以較小的樣本集更好的逼近總體的標准差，即統計上所謂的「無偏估計」。而方差則僅僅是標准差的平方。
❹ ★協方差★協方差計算公式推導過程。謝謝
協方差：協方差表示的是兩個變數的總體的誤差。 如果兩個變數的變化趨勢一致，也就是說如果其中一個大於自身的期望值，另外一個也大於自身的期望值，那麼兩個變數之間的協方差就是正值。 如果兩個變數的變化趨勢相反，即其中一個大於自身的期望值，另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。
協方差公式:X,Y為兩個隨機變數；COV(X，Y)=E[(X-E(X))(Y-E(Y))]
❺ 協方差怎麼計算，請舉例說明
cov(x,y)=EXY－EX*EY
協方差的定義，EX為隨機變數X的數學期望，同理，EXY是XY的數學期望，挺麻煩的，建議你看一下概率論cov(x,y)=EXY－EX*EY
協方差的定義，EX為隨機變數X的數學期望，同理，EXY是XY的數學期望，挺麻煩的，建議你看一下概率論
舉例：
Xi 1.1 1.9 3
Yi 5.0 10.4 14.6
E(X) = (1.1+1.9+3)/3=2
E(Y) = (5.0+10.4+14.6)/3=10
E(XY)=(1.1×5.0+1.9×10.4+3×14.6)/3=23.02
Cov(X,Y)=E(XY)-E(X)E(Y)=23.02-2×10=3.02
此外：還可以計算：D(X)=E(X^2)-E^2(X)=(1.1^2+1.9^2+3^2)/3 - 4=4.60-4=0.6 σx=0.77
D(Y)=E(Y^2)-E^2(Y)=(5^2+10.4^2+14.6^2)/3-100=15.44 σy=3.93
X,Y的相關系數：
r(X,Y)=Cov(X,Y)/(σxσy)=3.02/(0.77×3.93) = 0.9979
表明這組數據X,Y之間相關性很好!
為樣本均值，n為樣本例數。
❻ 協方差cov計算公式是什麼
協方差的計算公式為cov(X,Y)=E[(X-E[X])(Y-E[Y])]，這里的E[X]代表變數X的期望。
從直觀上來看，協方差表示的是兩個變數總體誤差的期望。如果其中一個大於自身的期望值時另外一個也大於自身的期望值，兩個變數之間的協方差就是正值。
如果其中一個變數大於自身的期望值時另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。如果X與Y是統計獨立的，那麼二者之間的協方差就是0，因為兩個獨立的隨機變數滿足E[XY]=E[X]E[Y]。
協方差的特點
協方差差出了一萬倍，只能從兩個協方差都是正數判斷出兩種情況下X、Y都是同向變化，但是，一點也看不出兩種情況下X、Y的變化都具有相似性這一特點。
相關系數是協方差除以標准差，當X,Y的波動幅度變大的時候，協方差變大，標准差也會變大，相關系數的分母都變大，其實變化的趨勢是可以抵消的，協方差的取值范圍是 正無窮到負無窮，相關系數則是+1 到-1之間。
❼ 協方差的計算方法
cov(x,y)=EXY－EX*EY
協方差的定義，EX為隨機變數X的數學期望，同理，EXY是XY的數學期望，挺麻煩的，建議你看一下概率論cov(x,y)=EXY－EX*EY
協方差的定義，EX為隨機變數X的數學期望，同理，EXY是XY的數學期望，挺麻煩的，建議你看一下概率論
舉例：
Xi 1.1 1.9 3
Yi 5.0 10.4 14.6
E(X) = (1.1+1.9+3)/3=2
E(Y) = (5.0+10.4+14.6)/3=10
E(XY)=(1.1×5.0+1.9×10.4+3×14.6)/3=23.02
Cov(X,Y)=E(XY)-E(X)E(Y)=23.02-2×10=3.02
此外：還可以計算：D(X)=E(X^2)-E^2(X)=(1.1^2+1.9^2+3^2)/3 - 4=4.60-4=0.6 σx=0.77
D(Y)=E(Y^2)-E^2(Y)=(5^2+10.4^2+14.6^2)/3-100=15.44 σy=3.93
X,Y的相關系數：
r(X,Y)=Cov(X,Y)/(σxσy)=3.02/(0.77×3.93) = 0.9979
表明這組數據X,Y之間相關性很好!
如果兩個變數的變化趨勢一致，也就是說如果其中一個大於自身的期望值時另外一個也大於自身的期望值，那麼兩個變數之間的協方差就是正值；如果兩個變數的變化趨勢相反，即其中一個變數大於自身的期望值時另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。
如果X與Y是統計獨立的，那麼二者之間的協方差就是0，因為兩個獨立的隨機變數滿足E[XY]=E[X]E[Y]。
但是，反過來並不成立。即如果X與Y的協方差為0，二者並不一定是統計獨立的。
協方差Cov(X,Y)的度量單位是X的協方差乘以Y的協方差。而取決於協方差的相關性，是一個衡量線性獨立的無量綱的數。
協方差為0的兩個隨機變數稱為是不相關的。
❽ 協方差公式
協方差的性質（1）COV(X，Y)=COV(Y，X)； （2）COV(aX，bY)=abCOV(X，Y)，（a，b是常數）； （3）COV(X1+X2，Y)=COV(X1，Y)+COV(X2，Y)。
由性質（3）展開
cov(x-2y,2x+3y)
=cov(x-2y,2x)+cov（x-2y,3y)
=cov(x,2x)-cov(2y,2x)+cov(x,3y)-cov(2y,3y)
又有COV(X，Y)=E(XY)-E(X)E(Y)。以上四式可分別寫成
cov(x,2x)=E(2x^2)-E(x)E(2x)=2Ex^2-2ExEx=2Dx --1
cov(2y,3y)=E(6y^2)-E(2y)E(3y)=6Ey^2-6EyEy=6Dy --2
cov(2y,2x)=E(4xy)-E(2y)E(2x)=4Exy-4ExEy --3
cov(x,3y)=E(3xy)-E(x)E(3y)=3Exy-3ExEy --4
（x^2的意思是 x的二次方
y^2的意思是 y的二次方）
由以上四式得
cov(x-2y,2x+3y)=2Dx-（4Exy-4ExEy）+ （3Exy-3ExEy）-6Dy
=2Dx-6Dy-(Exy-ExEy)
=2Dx-cov(x,y)-6Dy
協方差性質 參考http://ke..com/view/121095.htm
❾ 方差和協方差的計算方法是什麼
協方差分析是建立在方差分析和回歸分析基礎之上的一種統計分析方法。即ρXY=0的充分必要條件是COV(X，Y)=0，亦即不相關和協方差為零是等價的
cov(x,y)=EXY－EX*EY
協方差的定義，EX為隨機變數X的數學期望，同理，EXY是XY的數學期望，挺麻煩的，建議你看一下概率論cov(x,y)=EXY－EX*EY
方差公式：
❿ 財務管理中協方差的計算公式
COV（X，Y）=E（XY）-E（X）E（Y）
協方差cov（x，y）=相關系數r×兩項資產標准差乘積。
拓展資料：
在財務管理上，協方差是一個用於測量資產組合中某一具體投資項目相對於另一個投資項目風險的統計指標。
我們需要記住這個公式，兩項資產收益率的協方差=兩項資產收益率之間的相關系數×第一種資產收益率的標准差×第二種資產收益率的標准差。
協方差（Covariance）在概率論和統計學中用於衡量兩個變數的總體誤差。而方差是協方差的一種特殊情況，即當兩個變數是相同的情況。
協方差表示的是兩個變數的總體的誤差，這與只表示一個變數誤差的方差不同。如果兩個變數的變化趨勢一致，也就是說如果其中一個大於自身的期望值，另外一個也大於自身的期望值，那麼兩個變數之間的協方差就是正值。如果兩個變數的變化趨勢相反，即其中一個大於自身的期望值，另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。 [1] 在概率論和統計學中，協方差用於衡量兩個變數的總體誤差。而方差是協方差的一種特殊情況，即當兩個變數是相同的情況。 [1]
定義：
期望值分別為E[X]與E[Y]的兩個實隨機變數X與Y之間的協方差Cov(X，Y)定義為：
從直觀上來看，協方差表示的是兩個變數總體誤差的期望。
如果兩個變數的變化趨勢一致，也就是說如果其中一個大於自身的期望值時另外一個也大於自身的期望值，那麼兩個變數之間的協方差就是正值；如果兩個變數的變化趨勢相反，即其中一個變數大於自身的期望值時另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。
如果X與Y是統計獨立的，那麼二者之間的協方差就是0，因為兩個獨立的隨機變數滿足E[XY]=E[X]E[Y]。
但是，反過來並不成立。即如果X與Y的協方差為0，二者並不一定是統計獨立的。
協方差Cov(X，Y)的度量單位是X的協方差乘以Y的協方差。
協方差為0的兩個隨機變數稱為是不相關的。