在上一篇中，我们探讨了方差的性质，了解了如何衡量随机变量自身的离散程度。这篇文章将继续讨论概率论中的重要内容：协方差与相关性。它们是研究随机变量之间关系的重要工具，尤其在机器学习和数据分析中具有广泛的应用。

协方差的定义

协方差是用来描述两个随机变量之间的线性关系的度量。设有随机变量 $X$ 和 $Y$，它们的协方差可以表示为：

$$\text{Cov}(X, Y) = \mathbb{E}[(X - \mathbb{E}[X])(Y - \mathbb{E}[Y])]$$

有了这个公式，我们可以更直观地理解协方差的意义。协方差计算的是一个变量偏离其期望值的程度，如何影响另一个变量的偏离程度。

协方差的性质

1. 符号意义：

   • 如果 $\text{Cov}(X, Y) > 0$，则 $X$ 和 $Y$ 在整体上是正相关的，即一个变量增大时，另一个变量倾向于增大。
   • 如果 $\text{Cov}(X, Y) < 0$，则 $X$ 和 $Y$ 是负相关。
   • 如果 $\text{Cov}(X, Y) = 0$，则不存在线性关系。

2. 单位问题：

   • 协方差的单位是两个变量单位的积，因此不容易解释。

示例

假设我们有两个随机变量 $X$ 和 $Y$，表示一个学生的学习时间（小时）与考试得分（分数）。我们记录了一些数据，如下表所示：

学习时间 ($X$)	考试得分 ($Y$)
1	50
2	55
3	60
4	70
5	75

我们先计算 $X$ 和 $Y$ 的期望值：

$$\mathbb{E}[X] = \frac{1 + 2 + 3 + 4 + 5}{5} = 3$$ $$\mathbb{E}[Y] = \frac{50 + 55 + 60 + 70 + 75}{5} = 62$$

然后，根据公式计算协方差：

$$\text{Cov}(X, Y) = \frac{1}{5} \sum_{i=1}^{5} (X_i - \mathbb{E}[X])(Y_i - \mathbb{E}[Y])$$

import numpy as np

X = np.array([1, 2, 3, 4, 5])
Y = np.array([50, 55, 60, 70, 75])

cov_xy = np.cov(X, Y)[0][1]  # 获取两个变量的协方差
cov_xy
复制

通过计算，我们得到协方差 Cov(X, Y) 大于 0，说明学习时间和考试得分之间存在正相关性。

相关性的定义与计算

相关性是对协方差进行标准化之后的结果，主要用来消除单位的影响。相关性用 相关系数 来表示，通常用皮尔逊相关系数（Pearson correlation coefficient）来衡量，定义为：

$$r_{XY} = \frac{\text{Cov}(X, Y)}{\sqrt{\text{Var}(X) \cdot \text{Var}(Y)}}$$

其中 $\text{Var}(X)$ 和 $\text{Var}(Y)$ 分别为 $X$ 和 $Y$ 的方差。

相关性的性质

1. 范围：
   • 相关系数的取值范围在 $[-1, 1]$ 之间。
   • $r_{XY} = 1$ 表示完全正相关，$r_{XY} = -1$ 表示完全负相关，$r_{XY} = 0$ 表示无相关性。

示例

继续使用之前的示例，我们可以计算学习时间和考试得分的相关系数。

# 计算方差
var_x = np.var(X)
var_y = np.var(Y)

# 计算相关系数
correlation = cov_xy / (np.sqrt(var_x) * np.sqrt(var_y))
correlation
复制

通过这段代码，我们可以求得 $X$ 和 $Y$ 的相关系数。假设计算得到的相关系数 r 为 0.95，则可以说学习时间与考试成绩之间具有很高的正相关性。

总结

在这一篇中，我们讨论了协方差与相关性，它们是研究两个随机变量之间关系的重要工具。通过计算协方差和相关系数，我们能够更好地理解数据的内在联系。这为下一篇中关于大数法则的内容打下了基础，帮助我们在更大的数据规模下，理解数据的分布和变化。

在下一篇中，我们将深入探讨大数法则，了解如何在样本量增大时，样本平均数趋向于总体均值。希望大家在后续学习中，能够运用这些概念分析实际问题！