Компонент вектора, а внедиагональные элементы - ковариации между компонентами.
Ковариационная матрица случайного вектора является многомерным аналогом дисперсии случайной величины для случайных векторов. Матрица ковариаций двух случайных векторов- многомерный аналог ковариации между двумя случайными величинами.
В случае нормально распределенного случайного вектора, ковариационная матрица вместе с математическим ожиданием этого вектора полностью определяют его распределение (по аналогии с тем, что математическое ожидание и дисперсия нормально распределенной случайной величины полностью определяют её распределение)
texvc
не найден; См. math/README - справку по настройке.): \mathbf{X}:\Omega \to \mathbb{R}^n
, Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathbf{Y}:\Omega \to \mathbb{R}^m
- два случайных вектора размерности Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): n
и Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): m
соответственно. Пусть также случайные величины Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): X_i,Y_j,\; i=1,\ldots, n,\; j = 1,\ldots, m
имеют конечный второй момент , то есть Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): X_i,Y_j \in L^2
. Тогда матрицей ковариации векторов Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathbf{X},\mathbf{Y}
называетсяtexvc
не найден; См. math/README - справку по настройке.): \Sigma = \mathrm{cov}(\mathbf{X},\mathbf{Y}) = \mathbb{E}\left[(\mathbf{X} - \mathbb{E}\mathbf{X})(\mathbf{Y} - \mathbb{E}\mathbf{Y})^{\top}\right],
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \Sigma = (\sigma_{ij})
,
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \sigma_{ij} = \mathrm{cov}(X_i,Y_j) \equiv \mathbb{E}\left[(X_i - \mathbb{E}X_i) (Y_j - \mathbb{E}Y_j)\right],\; i=1,\ldots, n,\; j = 1,\ldots, m
,
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathbb{E}
- математическое ожидание .
texvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}(\mathbf{X}) = \mathbb{E}\left[\mathbf{X} \mathbf{X}^{\top}\right] - \mathbb{E}[\mathbf{X}] \cdot \mathbb{E}\left[\mathbf{X}^{\top}\right]
.
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}(\mathbf{X}) \ge 0
.
texvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}\left(\mathbf{a}^{\top} \mathbf{X}\right) = \mathbf{a}^{\top} \mathrm{cov}(\mathbf{X}) \mathbf{a},\; \forall \mathbf{a} \in \mathbb{R}^n
.
texvc
и Невозможно разобрать выражение (Выполняемый файл texvc
нескоррелированы (Невозможно разобрать выражение (Выполняемый файл texvc
), тоtexvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}(\mathbf{X} + \mathbf{Y}) = \mathrm{cov}(\mathbf{X}) + \mathrm{cov}(\mathbf{Y})
.
texvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}\left(\mathbf{A} \mathbf{X} + \mathbf{b}\right) = \mathbf{A} \mathrm{cov}(\mathbf{X}) \mathbf{A}^{\top}
,
где Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathbf{A}
- произвольная матрица размера Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): n \times n
, а Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathbf{b}\in \mathbb{R}^n
.
texvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}(\mathbf{X},\mathbf{Y}) = \mathrm{cov}(\mathbf{Y},\mathbf{X})^{\top}
texvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}(\mathbf{X}_1 + \mathbf{X}_2,\mathbf{Y}) = \mathrm{cov}(\mathbf{X}_1,\mathbf{Y}) + \mathrm{cov}(\mathbf{X}_2,\mathbf{Y})
,
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}(\mathbf{X},\mathbf{Y}_1 + \mathbf{Y}_2) = \mathrm{cov}(\mathbf{X},\mathbf{Y}_1) + \mathrm{cov}(\mathbf{X},\mathbf{Y}_2)
.
texvc
не найден; См. math/README - справку по настройке.): \mathbf{X}
и Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mathbf{Y}
независимы, тоtexvc
не найден; См. math/README - справку по настройке.): \mathrm{cov}(\mathbf{X},\mathbf{Y}) = \mathbf{0}
.
Ковариационная матрица случайного вектора является характеристикой его распределения. В случае (многомерного) нормального распределения математическое ожидание вектора и его ковариационная матрица полностью определяют его распределение. Характеристиками условного распределения одного случайного вектора при условии заданного значения другого случайного вектора являются соответственно условное математическое ожидание (функция регрессии) и условная ковариационная матрица.
Пусть случайные векторы Невозможно разобрать выражение (Выполняемый файл texvc
и Невозможно разобрать выражение (Выполняемый файл texvc
имеют совместное нормальное распределение с математическими ожиданиями Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \mu_X, \mu_Y
, ковариационными матрицами Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): V_X, V_Y
и матрицей ковариаций Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): C_{XY}
. Это означает, что объединенный случайный вектор
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \boldsymbol Z = \begin{bmatrix} \boldsymbol X \\ \boldsymbol Y \end{bmatrix}
подчиняется многомерному нормальному распределению с вектором математического ожидания
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \boldsymbol \mu_{Z} = \begin{bmatrix} \boldsymbol \mu_X \\ \boldsymbol \mu_Y \end{bmatrix},
и ковариационной матрицей которую можно представить в виде следующей блочной матрицы
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): \boldsymbol V_Z = \begin{bmatrix} \boldsymbol V_X & \boldsymbol C_{XY} \\ \boldsymbol C_{YX} & \boldsymbol V_{Y} \end{bmatrix}
где Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): C_{YX}=C^T_{XY}
Тогда случайный вектор Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): Y
при заданном значении случайного вектора Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): X
имеет нормальное распределение (условное) со следующим условным математическим ожиданием и условной ковариационной матрицей
Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): E(Y|X=x)=\mu_Y+C_{YX}V^{-1}_X(x-\mu_X), \qquad V(Y|X=x)=V_Y-C_{YX}V^{-1}_XC_{XY}
Первое равенство определяет функцию линейной регрессии (зависимости условного математического ожидания вектора Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): Y
от заданного значения x случайного вектора Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): X
), причем матрица Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): C_{XY}V^{-1}
- матрица коэффициентов регрессии.
Условная ковариационная матрица представляет собой матрицу ковариаций случайных ошибок линейных регрессий компонентов вектора Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): Y
на вектор Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): X
.
В случае если Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): Y
- обычная случайная величина (однокомпоненнтный вектор), условная ковариационная матрица - это условная дисперсия (по существу - случайной ошибки регрессии Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): Y
на вектор Невозможно разобрать выражение (Выполняемый файл texvc
не найден; См. math/README - справку по настройке.): X
)
Корреляционным моментом случайных величин Х и У называют математическое ожидание произведения этих величин:
Для дискретных величин:
Для непрерывных:
Корреляционный момент характеризует наличие (отсутствие) связи между величинами X и У.
Свойства ковариации
Пусть X,Y - две случайные величины, определённые на одном и том же вероятностном пространстве. Тогда их ковариация определяется следующим образом:
1)ковариация симметрична
cov(X,Y)=cov(Y,X)
2) В силу линейности математического ожидания, ковариация может быть записана как:
3) Ковариация случайной величины с собой равна дисперсии:
4) Если X,Y независимые случайные величины, то
Ковариационная матрица- это матрица, составленная из попарных ковариаций элементов одного или двух случайных векторов.
Ковариационная матрица случайного вектора - квадратная симметрическая матрица, на диагонали которой располагаются дисперсии компонент вектора, а внедиагональные элементы - ковариациями между компонентами.
Коэффициент корреляции-это мера линейной зависимости двух случайных величин.
Где K xy обозначает ковариацию, а D- дисперсию.
Свойства:
2) Коэффициент корреляции равен +- 1 тогда и только тогда, когда X и Y линейно зависимы:
3) Если X,Y независимые случайные величины, то q X,Y = 0. Обратное, вообще говоря, неверно.
Корреляционная зависимость между х и у называется линейной, если обе линии регрессии (по у и у по х) являются прямыми.
попадания в прямоугольник.
Двумерный случайный вектор имеет нормальное распределение, если его плотность равна
Средние значения (математические ожидания) М[x]=a M[Y]=b определяют точку (a,b) , называемую центром совместного распределения вероятностей или центром рассеивания.
Формула вероятности попадания…
Условное мат.ожидание- это среднее значение случайной величины относительно условного распределения.
Функция g(Х) = α + βХ называется наилучшим приближением Y в смысле метода наименьших квадратов, если математическое ожидание М(Y - g(Х))2 принимает наименьшее возможное значение; функцию g(Х) называют среднеквадратической регрессией Y на Х.
Коэффициенты линейной регрессии показывают скорость изменения зависимой переменной по данному фактору, при фиксированных остальных факторах (в линейной модели эта скорость постоянна):
Пусть случайная величина
определена на вероятностном пространстве
а её математическое ожидание и дисперсия конечны. Тогда
Где а больше 0.
В частности, случайная величина с конечной дисперсией отклоняется от среднего больше, чем на 2 стандартных отклонения, с вероятностью меньше 25%. Она отклоняется от среднего на 3 стандартных отклонения с вероятностью меньше 11,2%.
Мы рассказали о сути преобразования девиации и его применении к матрице квадратов расстояний. Во второй немного напустили туману на спектры простых геометрических наборов.
В данной статье мы постараемся раскрыть смысл преобразования девиации, для чего обратимся к прикладным задачам, связанным с обработкой и анализом данных. Покажем, как связано преобразование девиации матрицы расстояний со статистикой - с дисперсией , корреляцией и ковариацией .
И построению нового набора как разности между исходными числами и их центроидом (средним):
Центрирование - это первый шаг к собственной системе координат (ССК) исходного набора, поскольку сумма центрированных координат равна 0. Вторым шагом является нормирование суммы квадратов центрированных координат к 1. Для выполнения данной операции нам нужно вычислить эту сумму (точнее среднее):
Теперь мы можем построить ССК исходного набора как совокупность собственного числа S и нормированных чисел (координат):
Квадраты расстояний между точками исходного набора определяются как разности квадратов компонент собственного вектора, умноженные на собственное число. Обратим внимание на то, что собственное число S оказалось равно дисперсии исходного набора (7.3).
Итак, для любого набора чисел можно определить собственную систему координат, то есть выделить значение собственного числа (она же дисперсия) и рассчитать координаты собственного вектора путем центрирования и нормирования исходных чисел. Круто.
Упражнение для тех, кто любит «щупать руками». Построить ССК для набора {1, 2, 3, 4}.
Ответ.
Собственное число (дисперсия): 1.25.
Собственный вектор: {-1.342, -0.447, 0.447, 1.342}.
Да, можно построить матрицу квадратов расстояний, потом определить матрицу девиации и рассчитать для нее спектр. Но об этом мы узнали не так давно . Обычно поступали (и поступают) по другому.
Введем обозначение компонент набора. Нам заданы точки (узлы, переменные, векторы, кортежи) и каждая точка характеризуется числовыми компонентами . Обращаем внимание, что второй индекс - это номер компоненты (столбцы матрицы), а первый индекс - номер точки (узла) набора (строки матрицы).
Мы получили матрицу центрированных данных (МЦД) .
Следующим шагом нам как будто бы надо вычислить дисперсию для каждой компоненты и их нормировать. Но мы этого делать не будем. Потому что хотя таким образом мы действительно получим нормированные векторы, но нам-то нужно, чтобы эти векторы были независимыми, то есть ортонормированными
. Операция нормирования не поворачивает вектора (а лишь меняет их длину), а нам нужно развернуть векторы перпендикулярно друг другу. Как это сделать?
Правильный (но пока бесполезный) ответ - рассчитать собственные вектора и числа (спектр). Бесполезный потому, что мы не построили матрицу, для которой можно считать спектр. Наша матрица центрированных данных (МЦД) не является квадратной - для нее собственные числа не рассчитаешь. Соответственно, нам надо на основе МЦД построить некую квадратную матрицу. Это можно сделать умножением МЦД на саму себя (возвести в квадрат).
Но тут - внимание! Неквадратную матрицу можно возвести в квадрат двумя способами - умножением исходной на транспонированную . И наоборот - умножением транспонированной на исходную. Размерность и смысл двух полученных матриц - разный.
Умножая МЦД на транспонированную, мы получаем матрицу корреляции:
Из данного определения (есть и другие) следует, что элементы матрицы корреляции являются скалярными произведениями центрированных векторов. Соответственно, элементы главной диагонали отражают квадрат длины данных векторов.
Значения матрицы - не нормированы (обычно их нормируют, но для наших целей этого не нужно). Размерность матрицы корреляции совпадает с количеством исходных точек (векторов).
Теперь переставим перемножаемые в (8.1) матрицы местами и получим матрицу ковариации (опять же опускаем множитель 1/(1-n) , которым обычно нормируют значения ковариации):
Здесь перемножаются компоненты (а не векторы). Соответственно, размерность матрицы ковариации равна количеству исходных компонент. Для пар чисел матрица ковариации имеет размерность 2x2, для троек - 3x3 и т.д.
Почему важна размерность матриц корреляции и ковариации? Фишка в том, что поскольку матрицы корреляции и ковариации происходят из произведения одного и того же вектора, то они имеют один и тот же набор собственных чисел, один и тот же ранг (количество независимых размерностей) матрицы. Как правило, количество векторов (точек) намного превышает количество компонент. Поэтому о ранге матриц судят по размерности матрицы ковариации.
Диагональные элементы ковариации отражают дисперсию компонент. Как мы видели выше, дисперсия и собственные числа тесно связаны. Поэтому можно сказать, что в первом приближении собственные числа матрицы ковариации (а значит, и корреляции) равны диагональным элементам (а если межкомпонентная дисперсия отсутствует, то равны в любом приближении).
Если стоит задача найти просто спектр матриц (собственные числа), то удобнее ее решать для матрицы ковариации, поскольку, как правило, их размерность небольшая. Но если нам необходимо найти еще и собственные вектора (определить собственную систему координат) для исходного набора, то необходимо работать с матрицей корреляции, поскольку именно она отражает перемножение векторов. Возможно, что оптимальным алгоритмом является сочетание диагонализаций двух матриц - сначала нашли собственные числа для ковариации и потом на их основе определили собственные вектора матрицы корреляции.
Ну и раз уж мы так далеко зашли, то упомянем, что пресловутый метод главных компонент как раз и состоит в расчете спектра матрицы ковариации/корреляции для заданного набора векторных данных. Найденные компоненты спектра располагаются вдоль главных осей эллипсоида данных. Из нашего рассмотрения это вытекает потому, что главные оси - это и есть те оси, дисперсия (разброс) данных по которым максимален, а значит, и максимально значение спектра.
Правда, могут быть и отрицательные дисперсии, и тогда аналогия с эллипсоидом (псевдоэллипсоидом?) уже не очевидна.
Рассмотрим ситуацию, когда нам известен не набор чисел (векторов), характеризующих некоторые точки (узлы), а набор расстояний между точками (причем между всеми). Достаточно ли данной информации для определения ССК (собственной системы координат) набора?
Ответ мы дали в первой части - да, вполне. Здесь же мы покажем, что построенная по формуле (1.3") матрица девиации квадратов расстояний и определенная нами выше матрица корреляции центрированных векторов (8.1) - это одна и та же матрица .
Как такое получилось? Сами в шоке. Чтобы в этом убедиться, надо подставить выражение для элемента матрицы квадратов расстояний
В формулу преобразования девиации:
Отметим, что среднее значение матрицы квадратов расстояний отражает дисперсию исходного набора (при условии, что расстояния в наборе - это сумма квадратов компонент):
Подставляя (9.1) и (9.3) в (9.2), после несложных сокращений приходим к выражению для матрицы корреляции (8.1):
Итак, мы убедились, что применяя операцию девиации к матрице евклидовых расстояний, мы получаем известную матрицу корреляции. Ранг матрицы корреляции совпадает с рангом матрицы ковариации (количеством компонент евклидового пространства). Именно это обстоятельство позволяет нам строить спектр и собственную систему координат для исходных точек на основе матрицы расстояний.
Для произвольной матрицы расстояний (необязательно евклидовой) потенциальный ранг (количество измерений) на единицу меньше количества исходных векторов. Расчет спектра (собственной системы координат) позволяет определить основные (главные) компоненты, влияющие на расстояния между точками (векторами).
Матрица расстояний между городами, например, заведомо неевклидова, - никаких компонент (характеристик городов) не задано. Преобразование девиации тем не менее позволяет определить спектр такой матрицы и собственные координаты городов.
Но уже не в этой статье. Здесь пока все, спасибо за уделенное время.