Συνδιακύμανση

Το πρόσημο της συνδιακύμανσης δύο τυχαίων μεταβλητών Χ και Υ

Στη θεωρία πιθανοτήτων και τη στατιστική, η συνδιακύμανση είναι ένα μέτρο της κοινής μεταβλητότητας δύο τυχαίων μεταβλητών.

Το πρόσημο της συνδιακύμανσης, επομένως, δείχνει την τάση στη γραμμική σχέση μεταξύ των μεταβλητών. Εάν οι μεγαλύτερες τιμές της μιας μεταβλητής αντιστοιχούν κυρίως σε μεγαλύτερες τιμές της άλλης μεταβλητής και το ίδιο ισχύει και για τις μικρότερες τιμές (δηλαδή οι μεταβλητές τείνουν να παρουσιάζουν παρόμοια συμπεριφορά), η συνδιακύμανση είναι θετική. Στην αντίθετη περίπτωση, όταν οι μεγαλύτερες τιμές της μιας μεταβλητής αντιστοιχούν κυρίως σε μικρότερες τιμές της άλλης (δηλαδή οι μεταβλητές τείνουν να παρουσιάζουν αντίθετη συμπεριφορά), η συνδιακύμανση είναι αρνητική. Το μέγεθος της συνδιακύμανσης είναι ο γεωμετρικός μέσος όρος των αποκλίσεων που είναι κοινές για τις δύο τυχαίες μεταβλητές. Ο συντελεστής συσχέτισης κανονικοποιεί τη συνδιακύμανση διαιρώντας με το γεωμετρικό μέσο των συνολικών αποκλίσεων για τις δύο τυχαίες μεταβλητές.

Πρέπει να γίνει διάκριση μεταξύ (1) της συνδιακύμανσης δύο τυχαίων μεταβλητών, η οποία είναι μια πληθυσμιακή παράμετρος που μπορεί να θεωρηθεί ως ιδιότητα της κοινής κατανομής πιθανοτήτων, και (2) της δειγματικής συνδιακύμανσης, η οποία εκτός από περιγραφικό στοιχείο του δείγματος χρησιμεύει και ως εκτιμώμενη τιμή της πληθυσμιακής παραμέτρου.

Ορισμός

Για δύο από κοινού κατανεμημένες τυχαίες μεταβλητές πραγματικής αξίας $X$ και $Y$ με πεπερασμένες δεύτερες ροπές, η συνδιακύμανση ορίζεται ως η αναμενόμενη τιμή (ή μέση τιμή) του γινομένου των αποκλίσεών τους από τις επιμέρους αναμενόμενες τιμές τους Πρότυπο:Rp

$\mathrm{cov}(X,Y)=\mathrm{E}[(X-\mathrm{E}[X])(Y-\mathrm{E}[Y])]$

όπου $\mathrm{E}[X]$ είναι η αναμενόμενη τιμή του $X$, γνωστή και ως μέση τιμή του $X$. Η συνδιακύμανση μερικές φορές συμβολίζεται επίσης ως ${\sigma }_{XY}$ ή $\sigma (X,Y)$, κατ' αναλογία με τη διακύμανση. Χρησιμοποιώντας την ιδιότητα γραμμικότητας των προσδοκιών, αυτό μπορεί να απλοποιηθεί στην αναμενόμενη τιμή του γινομένου τους μείον το γινόμενο των αναμενόμενων τιμών τους:

$\begin{array}{cc}\mathrm{cov}(X,Y)& =\mathrm{E}\left[(X-\mathrm{E}\left[X\right])(Y-\mathrm{E}\left[Y\right])\right]\\ & =\mathrm{E}[XY-X\mathrm{E}\left[Y\right]-\mathrm{E}\left[X\right]Y+\mathrm{E}\left[X\right]\mathrm{E}\left[Y\right]]\\ & =\mathrm{E}\left[XY\right]-\mathrm{E}\left[X\right]\mathrm{E}\left[Y\right]-\mathrm{E}\left[X\right]\mathrm{E}\left[Y\right]+\mathrm{E}\left[X\right]\mathrm{E}\left[Y\right]\\ & =\mathrm{E}\left[XY\right]-\mathrm{E}\left[X\right]\mathrm{E}\left[Y\right],\end{array}$

αλλά η εξίσωση αυτή είναι επιρρεπής σε ακύρωση (βλέπε το τμήμα για τον αριθμητικό υπολογισμό παρακάτω).

Οι μονάδες μέτρησης της συνδιακύμανσης $\mathrm{cov}(X,Y)$ είναι εκείνες του $X$ επί εκείνες του $Y$. Αντίθετα, οι συντελεστές συσχέτισης, οι οποίοι εξαρτώνται από τη συνδιακύμανση, είναι ένα μέτρο γραμμικής εξάρτησης χωρίς διαστάσεις. (Στην πραγματικότητα, οι συντελεστές συσχέτισης μπορούν απλώς να κατανοηθούν ως μια κανονικοποιημένη εκδοχή της συνδιακύμανσης).

Σύνθετες τυχαίες μεταβλητές

Η συνδιακύμανση μεταξύ δύο σύνθετων τυχαίων μεταβλητών $Z,W$ ορίζεται ως εξής Πρότυπο:Rp

$\mathrm{cov}(Z,W)=\mathrm{E}[(Z-\mathrm{E}[Z])\overline{(W-\mathrm{E}[W])}]=\mathrm{E}\left[Z\bar{W}\right]-\mathrm{E}[Z]\mathrm{E}\left[\bar{W}\right]$

Προσέξτε την μιγαδική συζυγία του δεύτερου παράγοντα στον ορισμό.

Μια σχετική ψευδο-συνδιακύμανση μπορεί επίσης να οριστεί.

Διακριτές τυχαίες μεταβλητές

Αν το ζεύγος (πραγματικών) τυχαίων μεταβλητών $(X,Y)$ μπορεί να πάρει τις τιμές $(x_i,y_i)$ για $i=1,\dots ,n$, με ίσες πιθανότητες $p_i=1/n$, τότε η συνδιακύμανση μπορεί να γραφεί ισοδύναμα ως προς τους μέσους $\mathrm{E}[X]$ και $\mathrm{E}[Y]$ ως εξής

$\mathrm{cov}(X,Y)=\frac{1}{n}\sum _{i=1}^n(x_i-E(X))(y_i-E(Y)).$

Μπορεί επίσης να εκφραστεί ισοδύναμα, χωρίς άμεση αναφορά στο μέσο, ως εξής

$\mathrm{cov}(X,Y)=\frac{1}{n^2}\sum _{i=1}^n\sum _{j=1}^n\frac{1}{2}(x_i-x_j)(y_i-y_j)=\frac{1}{n^2}\sum _i\sum _{j>i}(x_i-x_j)(y_i-y_j).$

Γενικότερα, αν υπάρχουν $n$ πιθανές πραγματοποιήσεις της $(X,Y)$, δηλαδή $(x_i,y_i)$ αλλά με πιθανώς άνισες πιθανότητες $p_i$ για $i=1,\dots ,n$, τότε η συνδιακύμανση είναι

$\mathrm{cov}(X,Y)=\sum _{i=1}^n{p}_i(x_i-E(X))(y_i-E(Y)).$

Στην περίπτωση που δύο διακριτές τυχαίες μεταβλητές $X$ και $Y$ έχουν κοινή κατανομή πιθανοτήτων, η οποία αντιπροσωπεύεται από τα στοιχεία $p_{i,j}$ που αντιστοιχούν στις κοινές πιθανότητες της $P(X=x_i,Y=y_j)$, η συνδιακύμανση υπολογίζεται με διπλό άθροισμα επί των δεικτών του πίνακα:

$\mathrm{cov}(X,Y)=\sum _{i=1}^n\sum _{j=1}^n{p}_{i,j}(x_i-E[X])(y_j-E[Y]).$

Παραδείγματα

Θεωρήστε τρεις ανεξάρτητες τυχαίες μεταβλητές $A,B,C$ και δύο σταθερές $q,r$.

$\begin{array}{cc}X& =qA+B\\ Y& =rA+C\\ \mathrm{cov}(X,Y)& =qr\mathrm{var}(A)\end{array}$

Στην ειδική περίπτωση, $q=1$ και $r=1$, η συνδιακύμανση μεταξύ $X$ και $Y$ είναι απλώς η διακύμανση του $A$ και η ονομασία συνδιακύμανση είναι απολύτως κατάλληλη.

Γεωμετρική ερμηνεία του παραδείγματος της συνδιακύμανσης. Πρότυπο:Nowrap ευθυγραμμισμένο με τους άξονες πλαίσιο οριοθέτησης του σημείου του Πρότυπο:Nowrap και οι Πρότυπο:Nowrap (πορφυρό σημείο). Πρότυπο:Nowrap είναι το άθροισμα των όγκων των κυβοειδών στο 1ο και 3ο τεταρτημόριο (κόκκινο) και στο 2ο και 4ο (μπλε).

Ας υποθέσουμε ότι τα $X$ και $Y$ έχουν την ακόλουθη κοινή συνάρτηση μάζας πιθανότητας, στην οποία τα έξι κεντρικά κελιά δίνουν τις διακριτές κοινές πιθανότητες $f(x,y)$ των έξι υποθετικών πραγματώσεων Πρότυπο:Nowrap

$f(x,y)$		x				$f_Y(y)$
		5	6	7
y	8	0	0.4	0.1		0.5
	9	0.3	0	0.2		0.5
$f_X(x)$		0.3	0.4	0.3	1

Το $X$ μπορεί να πάρει τρεις τιμές (5, 6 και 7), ενώ το $Y$ μπορεί να πάρει δύο (8 και 9). Οι μέσοι όροι τους είναι ${\mu }_X=5(0,3)+6(0,4)+7(0,1+0,2)=6$ και ${\mu }_Y=8(0,4+0,1)+9(0,3+0,2)=8,5$. Τότε,

$\begin{array}{cc}\mathrm{cov}(X,Y)=& {\sigma }_{XY}=\sum _{(x,y)\in S}f(x,y)(x-{\mu }_X)(y-{\mu }_Y)\\ =& (0)(5-6)(8-8.5)+(0.4)(6-6)(8-8.5)+(0.1)(7-6)(8-8.5)+\\ & (0.3)(5-6)(9-8.5)+(0)(6-6)(9-8.5)+(0.2)(7-6)(9-8.5)\\ =& -0.1.\end{array}$

Ιδιότητες

Συνδιακύμανση με τον εαυτό της

Η διακύμανση είναι μια ειδική περίπτωση της συνδιακύμανσης στην οποία οι δύο μεταβλητές είναι ταυτόσημες:Πρότυπο:Rp

$\mathrm{cov}(X,X)=\mathrm{var}(X)\equiv {\sigma }^2(X)\equiv {\sigma }_X^2.$

Συνδιακύμανση γραμμικών συνδυασμών

Αν $X$, $Y$, $W$ και $V$ είναι τυχαίες μεταβλητές πραγματικής τιμής και $a,b,c,d$ είναι σταθερές πραγματικής τιμής, τότε τα ακόλουθα γεγονότα είναι συνέπεια του ορισμού της συνδιακύμανσης:

$\begin{array}{cc}\mathrm{cov}(X,a)& =0\\ \mathrm{cov}(X,X)& =\mathrm{var}(X)\\ \mathrm{cov}(X,Y)& =\mathrm{cov}(Y,X)\\ \mathrm{cov}(aX,bY)& =ab\mathrm{cov}(X,Y)\\ \mathrm{cov}(X+a,Y+b)& =\mathrm{cov}(X,Y)\\ \mathrm{cov}(aX+bY,cW+dV)& =ac\mathrm{cov}(X,W)+ad\mathrm{cov}(X,V)+bc\mathrm{cov}(Y,W)+bd\mathrm{cov}(Y,V)\end{array}$

Για μια ακολουθία $X_1,\dots ,X_n$ τυχαίων μεταβλητών σε πραγματικές τιμές και σταθερές $a_1,\dots ,a_n$, έχουμε

$\mathrm{var}\left(\sum _{i=1}^n{a}_i{X}_i\right)=\sum _{i=1}^n{a}_i^2{\sigma }^2(X_i)+2\sum _{i,j:i<j}{a}_i{a}_j\mathrm{cov}(X_i,X_j)=\sum _{i,j}{a}_i{a}_j\mathrm{cov}(X_i,X_j)$

Ταυτότητα συνδιακύμανσης του Χόεφντινγκ

Μια χρήσιμη ταυτότητα για τον υπολογισμό της συνδιακύμανσης μεταξύ δύο τυχαίων μεταβλητών $X,Y$ είναι η ταυτότητα συνδιακύμανσης του Χόεφντινγκ:

$\mathrm{cov}(X,Y)=\underset{ℝ}{\int }\underset{ℝ}{\int }(F_{(X,Y)}(x,y)-F_X(x)F_Y(y))dxdy$ όπου $F_{(X,Y)}(x,y)$ είναι η κοινή αθροιστική συνάρτηση κατανομής του τυχαίου διανύσματος $(X,Y)$ και $F_X(x),F_Y(y)$ είναι τα περιθωριακά.

Αντισυσχέτιση και ανεξαρτησία

Κύριο άρθρο: Συσχέτιση και εξάρτηση

Οι τυχαίες μεταβλητές των οποίων η συνδιακύμανση είναι μηδέν ονομάζονται ασυσχέτιστεςΠρότυπο:Rp Ομοίως, οι συνιστώσες τυχαίων διανυσμάτων των οποίων ο πίνακας συνδιακύμανσης είναι μηδέν σε κάθε εγγραφή εκτός της κύριας διαγωνίου ονομάζονται επίσης ασυσχέτιστες.

Αν $X$ και $Y$ είναι ανεξάρτητες τυχαίες μεταβλητές, τότε η συνδιακύμανσή τους είναι μηδέν.Πρότυπο:Rp Αυτό προκύπτει επειδή υπό την ανεξαρτησία,

$\mathrm{E}[XY]=\mathrm{E}[X]\cdot \mathrm{E}[Y].$

Το αντίστροφο, ωστόσο, δεν ισχύει γενικά. Για παράδειγμα, έστω $X$ ομοιόμορφα κατανεμημένο στο $[-1,1]$ και έστω $Y=X^2$. Προφανώς, τα $X$ και $Y$ δεν είναι ανεξάρτητα, αλλά

$\begin{array}{cc}\mathrm{cov}(X,Y)& =\mathrm{cov}(X,X^2)\\ & =\mathrm{E}[X\cdot X^2]-\mathrm{E}[X]\cdot \mathrm{E}\left[X^2\right]\\ & =\mathrm{E}\left[X^3\right]-\mathrm{E}[X]\mathrm{E}\left[X^2\right]\\ & =0-0\cdot \mathrm{E}[X^2]\\ & =0.\end{array}$

Στην περίπτωση αυτή, η σχέση μεταξύ $Y$ και $X$ είναι μη γραμμική, ενώ η συσχέτιση και η συνδιακύμανση είναι μέτρα γραμμικής εξάρτησης μεταξύ δύο τυχαίων μεταβλητών. Αυτό το παράδειγμα δείχνει ότι αν δύο τυχαίες μεταβλητές είναι ασυσχέτιστες, αυτό δεν σημαίνει γενικά ότι είναι ανεξάρτητες. Ωστόσο, εάν δύο μεταβλητές είναι από κοινού κανονικά κατανεμημένες (αλλά όχι εάν είναι απλώς μεμονωμένα κανονικά κατανεμημένες), η ασυσχέτιστη σχέση συνεπάγεται ανεξαρτησία.

Οι $X$ και $Y$ των οποίων η συνδιακύμανση είναι θετική ονομάζονται θετικά συσχετισμένες, πράγμα που σημαίνει ότι αν $X>E[X]$ τότε πιθανότατα $Y>E[Y]$. Αντίθετα, τα $X$ και $Y$ με αρνητική συνδιακύμανση είναι αρνητικά συσχετισμένα, και αν $X>E[X]$ τότε πιθανότατα $Y<E[Y]$.

Σχέση με τα εσωτερικά γινόμενα

Πολλές από τις ιδιότητες της συνδιακύμανσης μπορούν να εξαχθούν κομψά παρατηρώντας ότι ικανοποιεί παρόμοιες ιδιότητες με εκείνες ενός εσωτερικού γινομένου:

1. διγραμμική: για σταθερές $a$ και $b$ και τυχαίες μεταβλητές $X,Y,Z,$ $\mathrm{cov}(aX+bY,Z)=a\mathrm{cov}(X,Z)+b\mathrm{cov}(Y,Z)$
2. συμμετρική:$\mathrm{cov}(X,Y)=\mathrm{cov}(Y,X)$
3. θετική ημι-οριστική:${\sigma }^2(X)=\mathrm{cov}(X,X)\ge 0$ για όλες τις τυχαίες μεταβλητές $X$, και $\mathrm{cov}(X,X)=0$ συνεπάγεται ότι $X$ είναι σταθερή σχεδόν σίγουρα.

Στην πραγματικότητα, αυτές οι ιδιότητες συνεπάγονται ότι η συνδιακύμανση ορίζει ένα εσωτερικό γινόμενο πάνω στο πηλίκο του διανυσματικού χώρου που προκύπτει από τη λήψη του υποχώρου των τυχαίων μεταβλητών με πεπερασμένη δεύτερη στιγμή και την ταυτοποίηση οποιωνδήποτε δύο που διαφέρουν κατά μια σταθερά. (Αυτή η ταύτιση μετατρέπει την παραπάνω θετική ημι-οριστικότητα σε θετική οριστικότητα). Αυτό το πηλίκο του διανυσματικού χώρου είναι ισομορφικό με τον υποχώρο των τυχαίων μεταβλητών με πεπερασμένη δεύτερη στιγμή και μέσο μηδέν- σε αυτόν τον υποχώρο, η συνδιακύμανση είναι ακριβώς το εσωτερικό γινόμενο L² των συναρτήσεων πραγματικών τιμών στον δειγματικό χώρο.

Ως αποτέλεσμα, για τυχαίες μεταβλητές με πεπερασμένη διακύμανση, η ανισότητα

$|\mathrm{cov}(X,Y)|\le \sqrt{{\sigma }^2(X){\sigma }^2(Y)}$

ισχύει μέσω της ανισότητας Κωσύ-Σβάρτς.

Απόδειξη: Αν ${\sigma }^2(Y)=0$, τότε ισχύει τετριμμένα. Διαφορετικά, έστω η τυχαία μεταβλητή

$Z=X-\frac{\mathrm{cov}(X,Y)}{{\sigma }^2(Y)}Y.$

Τότε έχουμε

$\begin{array}{cc}0\le {\sigma }^2(Z)& =\mathrm{cov}(X-\frac{\mathrm{cov}(X,Y)}{{\sigma }^2(Y)}Y,X-\frac{\mathrm{cov}(X,Y)}{{\sigma }^2(Y)}Y)\\ & ={\sigma }^2(X)-\frac{(\mathrm{cov}(X,Y){)}^2}{{\sigma }^2(Y)}\\ ⟹(\mathrm{cov}(X,Y){)}^2& \le {\sigma }^2(X){\sigma }^2(Y)\\ |\mathrm{cov}(X,Y)|& \le \sqrt{{\sigma }^2(X){\sigma }^2(Y)}\end{array}$

Υπολογισμός της συνδιακύμανσης του δείγματος

Οι δειγματικές συνδιακυμάνσεις μεταξύ $K$ μεταβλητών με βάση $N$ παρατηρήσεις της καθεμιάς, που προέρχονται από έναν κατά τα άλλα μη παρατηρούμενο πληθυσμό, δίνονται από τον $K\times K$ πίνακα $\overline{𝐪}=\left[q_{jk}\right]$ με τις εγγραφές

$q_{jk}=\frac{1}{N-1}\sum _{i=1}^N(X_{ij}-{\overline{X}}_j)(X_{ik}-{\overline{X}}_k),$

η οποία είναι μια εκτίμηση της συνδιακύμανσης μεταξύ της μεταβλητής $j$ και της μεταβλητής $k$.

Ο δειγματικός μέσος όρος και ο δειγματικός πίνακας συνδιακύμανσης είναι αμερόληπτες εκτιμήσεις του μέσου όρου και του πίνακα συνδιακύμανσης του τυχαίου διανύσματος $𝐗$, ενός διανύσματος του οποίου το j στοιχείο $(j=1,\dots ,K)$ είναι μία από τις τυχαίες μεταβλητές. Ο λόγος που ο πίνακας συνδιακύμανσης του δείγματος έχει στον παρονομαστή $N-1$ και όχι $N$ είναι ουσιαστικά ότι ο μέσος όρος του πληθυσμού $\mathrm{E}(𝐗)$ δεν είναι γνωστός και αντικαθίσταται από τον δειγματικό μέσο όρο $\overline{𝐗}$. Εάν ο μέσος όρος του πληθυσμού $\mathrm{E}(𝐗)$ είναι γνωστός, η ανάλογη αμερόληπτη εκτίμηση δίνεται από τη σχέση

$q_{jk}=\frac{1}{N}\sum _{i=1}^N(X_{ij}-\mathrm{E}\left(X_j\right))(X_{ik}-\mathrm{E}\left(X_k\right))$.

Γενικεύσεις

Πίνακας αυτοσυνδιακύμανσης πραγματικών τυχαίων διανυσμάτων

Για ένα διάνυσμα $𝐗={\left[\begin{array}{cccc}{X}_1& X_2& \dots & X_m\end{array}\right]}^{\mathrm{T}}$ από $m$ από κοινού κατανεμημένες τυχαίες μεταβλητές με πεπερασμένες δεύτερες ροπές, ο πίνακας αυτοσυνδιακύμανσής του (επίσης γνωστός ως πίνακας διακύμανσης-συνδιακύμανσης ή απλά πίνακας συνδιακύμανσης) ${\mathrm{K}}_{𝐗𝐗}$ (συμβολίζεται επίσης με $\mathrm{\Sigma }(𝐗)$ ή $\mathrm{cov}(𝐗,𝐗)$) ορίζεται ως εξήςΠρότυπο:Rp

$\begin{array}{cc}{\mathrm{K}}_{𝐗𝐗}=\mathrm{cov}(𝐗,𝐗)& =\mathrm{E}[(𝐗-\mathrm{E}[𝐗])(𝐗-\mathrm{E}[𝐗]{)}^{\mathrm{T}}]\\ & =\mathrm{E}\left[{𝐗𝐗}^{\mathrm{T}}\right]-\mathrm{E}[𝐗]\mathrm{E}[𝐗{]}^{\mathrm{T}}.\end{array}$

Έστω $𝐗$ ένα τυχαίο διάνυσμα με πίνακα συνδιακύμανσης Πρότυπο:Math}, και έστω Πρότυπο:Math ένας πίνακας που μπορεί να δράσει στο $𝐗$ στα αριστερά. Ο πίνακας συνδιακύμανσης του γινομένου πίνακα-διανύσματος Πρότυπο:Math είναι:

$\begin{array}{cc}\mathrm{cov}(𝐀𝐗,𝐀𝐗)& =\mathrm{E}\left[𝐀𝐗\mathbf{(}𝐀{𝐗\mathbf{)}}^{\mathrm{T}}\right]-\mathrm{E}[𝐀𝐗]\mathrm{E}[(𝐀𝐗{)}^{\mathrm{T}}]\\ & =\mathrm{E}\left[{𝐀𝐗𝐗}^{\mathrm{T}}{𝐀}^{\mathrm{T}}\right]-\mathrm{E}[𝐀𝐗]\mathrm{E}\left[{𝐗}^{\mathrm{T}}{𝐀}^{\mathrm{T}}\right]\\ & =𝐀\mathrm{E}\left[{𝐗𝐗}^{\mathrm{T}}\right]{𝐀}^{\mathrm{T}}-𝐀\mathrm{E}[𝐗]\mathrm{E}\left[{𝐗}^{\mathrm{T}}\right]{𝐀}^{\mathrm{T}}\\ & =𝐀(\mathrm{E}\left[{𝐗𝐗}^{\mathrm{T}}\right]-\mathrm{E}[𝐗]\mathrm{E}\left[{𝐗}^{\mathrm{T}}\right]){𝐀}^{\mathrm{T}}\\ & =𝐀\mathrm{\Sigma }{𝐀}^{\mathrm{T}}.\end{array}$

Αυτό είναι άμεσο αποτέλεσμα της γραμμικότητας της προσδοκίας και είναι χρήσιμο όταν εφαρμόζεται ένας γραμμικός μετασχηματισμός, όπως ένας μετασχηματισμός λεύκανσης, σε ένα διάνυσμα.

Πίνακας διασταυρούμενης συνδιακύμανσης πραγματικών τυχαίων διανυσμάτων

Για πραγματικά τυχαία διανύσματα $𝐗\in {ℝ}^m$ και $𝐘\in {ℝ}^n$, ο $m\times n$ πίνακας διασταυρούμενης συνδιακύμανσης είναι ίσος με Πρότυπο:Rp

όπου ${𝐘}^{\mathrm{T}}$ είναι Ανάστροφος πίνακας του διανύσματος (ή του πίνακα) $𝐘$.

Το $(i,j)$-th στοιχείο αυτού του πίνακα είναι ίσο με τη συνδιακύμανση $\mathrm{cov}(X_i,Y_j)$ μεταξύ της Πρότυπο:Math-th κλιμακωτής συνιστώσας του $𝐗$ και της Πρότυπο:Math-th κλιμακωτής συνιστώσας του $𝐘$. Ειδικότερα, η $\mathrm{cov}(𝐘,𝐗)$ είναι Ανάστροφος πίνακας της $\mathrm{cov}(𝐗,𝐘)$.

Sesquilinear (ημιγραμμική) μορφή διασταυρούμενη συνδιακύμανσης τυχαίων διανυσμάτων σε πραγματικό ή μιγαδικό χώρο Χίλμπερτ

Γενικότερα έστω $H_1=(H_1,⟨,{⟩}_1)$ και $H_2=(H_2,⟨,{⟩}_2)$, είναι χώροι Χίλμπερτ πάνω από $ℝ$ ή $ℂ$ με $⟨,⟩$ αντιγραμμικά στην πρώτη μεταβλητή, και έστω $𝐗,𝐘$ είναι $H_1$ αντίστοιχα. $H_2$ τυχαίες μεταβλητές με τιμή $H_2$.

Τότε η συνδιακύμανση των $𝐗$ και $𝐘$ είναι η ημιγραμμική (sesquilinear) μορφή στο $H_1\times H_2$ (αντιγραμμική στην πρώτη μεταβλητή) που δίνεται από τη σχέση

$\begin{array}{cc}{\mathrm{K}}_{X,Y}(h_1,h_2)=\mathrm{cov}(𝐗,𝐘)(h_1,h_2)& =\mathrm{E}[⟨h_1,(𝐗-\mathrm{E}[𝐗]){⟩}_1⟨(𝐘-\mathrm{E}[𝐘]),h_2{⟩}_2]\\ & =\mathrm{E}[⟨h_1,𝐗{⟩}_1⟨𝐘,h_2{⟩}_2]-\mathrm{E}[⟨h,𝐗{⟩}_1]\mathrm{E}[⟨𝐘,h_2{⟩}_2]\\ & =⟨h_1,\mathrm{E}[(𝐗-\mathrm{E}[𝐗])(𝐘-\mathrm{E}[𝐘]{)}^{†}]h_2{⟩}_1\\ & =⟨h_1,(\mathrm{E}[𝐗{𝐘}^{†}]-\mathrm{E}[𝐗]\mathrm{E}[𝐘{]}^{†})h_2{⟩}_1\\ \end{array}$

Αριθμητικός υπολογισμός

Όταν $\mathrm{E}[XY]\approx \mathrm{E}[X]\mathrm{E}[Y]$, η εξίσωση $\mathrm{cov}(X,Y)=\mathrm{E}\left[XY\right]-\mathrm{E}\left[X\right]\mathrm{E}\left[Y\right]$ είναι επιρρεπής σε ακύρωση εάν $\mathrm{E}\left[XY\right]$ και $\mathrm{E}\left[X\right]\mathrm{E}\left[Y\right]$ δεν υπολογίζονται με ακρίβεια και συνεπώς θα πρέπει να αποφεύγονται σε προγράμματα υπολογιστών όταν τα δεδομένα δεν έχουν κεντραριστεί προηγουμένως. Στην περίπτωση αυτή θα πρέπει να προτιμούνται αριθμητικά σταθεροί αλγόριθμοι.

Σχόλια

Η συνδιακύμανση ονομάζεται μερικές φορές μέτρο «γραμμικής εξάρτησης» μεταξύ των δύο τυχαίων μεταβλητών. Αυτό δεν σημαίνει το ίδιο πράγμα όπως στο πλαίσιο της γραμμικής άλγεβρας (βλέπε γραμμική εξάρτηση). Όταν η συνδιακύμανση κανονικοποιείται, προκύπτει ο συντελεστής συσχέτισης Πέρσον, ο οποίος δίνει την καλή προσαρμογή της καλύτερης δυνατής γραμμικής συνάρτησης που περιγράφει τη σχέση μεταξύ των μεταβλητών. Υπό αυτή την έννοια, η συνδιακύμανση είναι μια γραμμική βαθμίδα μέτρησης της εξάρτησης.

Εφαρμογές

Στη γενετική και τη μοριακή βιολογία

Η συνδιακύμανση είναι ένα σημαντικό μέτρο στη βιολογία. Ορισμένες αλληλουχίες του DNA διατηρούνται περισσότερο από άλλες μεταξύ των ειδών, και έτσι για τη μελέτη των δευτερογενών και τριτογενών δομών των πρωτεϊνών ή των δομών του RNA, οι αλληλουχίες συγκρίνονται σε στενά συγγενικά είδη. Αν βρεθούν αλλαγές στις αλληλουχίες ή αν δεν βρεθούν καθόλου αλλαγές σε μη κωδικοποιούμενα RNA (όπως τα microRNA), οι αλληλουχίες διαπιστώνονται ότι είναι απαραίτητες για κοινά δομικά μοτίβα, όπως ένας βρόχος RNA. Στη γενετική, η συνδιακύμανση χρησιμεύει ως βάση για τον υπολογισμό του πίνακα γενετικών σχέσεων (GRM) (ή αλλιώς πίνακα συγγένειας), επιτρέποντας την εξαγωγή συμπερασμάτων σχετικά με τη δομή του πληθυσμού από δείγμα χωρίς γνωστούς στενούς συγγενείς, καθώς και την εξαγωγή συμπερασμάτων σχετικά με την εκτίμηση της κληρονομικότητας σύνθετων χαρακτηριστικών.

Στη θεωρία της εξέλιξης και της φυσικής επιλογής, η εξίσωση της τιμής περιγράφει πώς μεταβάλλεται η συχνότητα ενός γενετικού χαρακτηριστικού με την πάροδο του χρόνου. Η εξίσωση χρησιμοποιεί μια συνδιακύμανση μεταξύ ενός χαρακτηριστικού και της καταλληλότητας, για να δώσει μια μαθηματική περιγραφή της εξέλιξης και της φυσικής επιλογής. Παρέχει έναν τρόπο κατανόησης των επιπτώσεων που έχει η γονιδιακή μετάδοση και η φυσική επιλογή στην αναλογία των γονιδίων σε κάθε νέα γενιά ενός πληθυσμού.

Στα χρηματοοικονομικά οικονομικά

Οι συνδιακυμάνσεις διαδραματίζουν βασικό ρόλο στα χρηματοοικονομικά οικονομικά, ιδίως στη σύγχρονη θεωρία χαρτοφυλακίου και στο μοντέλο αποτίμησης κεφαλαιακών στοιχείων ενεργητικού. Οι συνδιακυμάνσεις μεταξύ των αποδόσεων διαφόρων περιουσιακών στοιχείων χρησιμοποιούνται για τον προσδιορισμό, υπό ορισμένες υποθέσεις, των σχετικών ποσοτήτων διαφορετικών περιουσιακών στοιχείων που οι επενδυτές θα πρέπει (σε μια κανονιστική ανάλυση) ή προβλέπεται ότι θα πρέπει (σε μια θετική ανάλυση) να επιλέξουν να κατέχουν σε ένα πλαίσιο διαφοροποίησης.

Στην εξομοίωση μετεωρολογικών και ωκεανογραφικών δεδομένων

Ο πίνακας συνδιακύμανσης είναι σημαντικός για την εκτίμηση των αρχικών συνθηκών που απαιτούνται για την εκτέλεση των μοντέλων πρόγνωσης καιρού, μια διαδικασία γνωστή ως εξομοίωση δεδομένων. Ο «πίνακας συνδιακύμανσης σφάλματος πρόβλεψης» κατασκευάζεται συνήθως μεταξύ διαταραχών γύρω από μια μέση κατάσταση (είτε κλιματολογική είτε μέση κατάσταση συνόλου). Ο «πίνακας συνδιακύμανσης σφαλμάτων παρατήρησης» κατασκευάζεται για να αντιπροσωπεύει το μέγεθος των συνδυασμένων σφαλμάτων παρατήρησης (στη διαγώνιο) και τα συσχετισμένα σφάλματα μεταξύ των μετρήσεων (εκτός της διαγωνίου). Αυτό είναι ένα παράδειγμα της ευρέως διαδεδομένης εφαρμογής του στο φιλτράρισμα Κάλμαν και στη γενικότερη εκτίμηση κατάστασης για χρονικά μεταβαλλόμενα συστήματα.

Στη μικρομετεωρολογία

Η τεχνική της συνδιακύμανσης στροβίλων είναι μια βασική τεχνική μέτρησης της ατμόσφαιρας, όπου η συνδιακύμανση μεταξύ της στιγμιαίας απόκλισης της κατακόρυφης ταχύτητας του ανέμου από τη μέση τιμή και της στιγμιαίας απόκλισης της συγκέντρωσης των αερίων αποτελεί τη βάση για τον υπολογισμό των κατακόρυφων στροβιλωδών ροών.

Στην επεξεργασία σήματος

Ο πίνακας συνδιακύμανσης χρησιμοποιείται για την αποτύπωση της φασματικής μεταβλητότητας ενός σήματος.

Στη στατιστική και την επεξεργασία εικόνας

Ο πίνακας συνδιακύμανσης χρησιμοποιείται στην ανάλυση κύριων συνιστωσών για τη μείωση της διάστασης των χαρακτηριστικών στην προεπεξεργασία δεδομένων.

Εξωτερικοί σύνδεσμοι

• English - Greek Dictionary of Pure and Applied Mathematics Εθνικό Μετσόβιο Πολυτεχνείο
• Αγγλοελληνικό Λεξικό Μαθηματικής Ορολογίας - Πανεπιστήμιο Κύπρου
• Ευκλείδεια Γεωμετρία - Πανελλήνιο Σχολικό Δίκτυο
• Θεωρία ομάδων και Λι αλγεβρών -Εθνικό Αρχείο Διδακτορικών Διατριβών
• Θεωρία Αριθμών και Εφαρμογές
• Υπολογιστική Θεωρία Αριθμών
• Καμπυλότητες και γεωμετρία του Riemann σε διαφορίσιμες πολλαπλότητες Εθνικό Αρχείο Διδακτορικών Διατριβών
• Μέθοδοι μηχανικής μάθησης βασισμένες σε έλεγχο μονοτροπικότητας Εθνικό Αρχείο Διδακτορικών Διατριβών
• Παράμετροι και Στατιστικά. Διωνυμική και Κανονική Κατανομή

Δείτε επίσης

• Απαγορευτική αρχή του Πάουλι
• Κατανομή t-Student
• Κανονική κατανομή
• Αλγεβρική θεωρία αριθμών
• Διαφορική γεωμετρία
• Άρθουρ Στάνλεϋ Έντινγκτον
• Θεωρία αναπαραστάσεων
• Σουμπραμανιάν Τσαντρασεκάρ
• Ευκλείδειος χώρος
• Ένα προς ένα
• Σουμπραμανιάν Τσαντρασεκάρ
• Εφαρμοσμένα μαθηματικά
• Προβολικός χώρος
• Διακριτός μετασχηματισμός Φουριέ
• Θεμελιώδες θεώρημα αριθμητικής
• Αλγεβρική γεωμετρία
• Μιγαδικός αριθμός
• Άρθουρ Στάνλεϋ Έντινγκτον
• Τυπική απόκλιση

Βιβλιογραφία

• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book

Παραπομπές

• Πρότυπο:Cite book
• Πρότυπο:Springer
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Cite journal [1] (15 pages)
• Πρότυπο:Cite journal
• Πρότυπο:Cite book
• Πρότυπο:Cite journal
• Πρότυπο:Cite journal
• Πρότυπο:Cite book Ch. 1–6 of 2013 edition

Πηγές

• Πρότυπο:Citation
• Πρότυπο:Citation
• Πρότυπο:Citation
• Πρότυπο:Cite book
• Πρότυπο:Cite book
• Πρότυπο:Citation
• Πρότυπο:Citation