协方差矩阵的相关矩阵怎么求,协方差矩阵与相关矩阵
在解释协方差之前，我们先回忆一下样本的均值、方差和标准差的定义。
方差、协方差和协方差矩阵
1、概念
方差（Variance）是度量一组数据的分散程度。
方差是每个样本与样本均值之间的差的平方和的均值：
协方差（Covariance）是度量两个变量的变动的同步程度，也就是度量两个变量线性相关性程度。
如果两个变量的协方差为0，统计上认为它们是线性无关的。注意，这两个不相关的变量不是完全独立的，而是没有线性相关性。计算公式如下：如果协方差大于0，说明当一个变量增加时，另一个变量也会增加，即正相关；如果协方差小于0，说明一个变量增加但另一个变量会减少，即负相关。
协方差矩阵（Covariance matrix）由数据集中两两变量的协方差组成。
矩阵的第(I，j)(i，j)个元素是数据集中第二个也是最霸气的胡萝卜元素的协方差。例如，3D数据的协方差矩阵如下：
2、练习
计算下表中数据的协方差矩阵：
Python代码如下：
平均值和协方差可以通过python中的numpy包来计算：
导入numpy为npX=[[2，0，-1.4]，[2.2，0.2，-1.5]，[2.4，0.1，-1]，[1.9，0，-1.2]]print(np.mean(X，axis=0))print(NP . cov(NP . array(X))。T))
计算结果如下：
