【1】引言

前序学习进程中，已经回顾了协方差相关的基本概念。

【2】协方差正负和变量线性关系的说明

单个变量$X=[x_1,x_2,...,x_n]$的均值为：
$$E(x)=\frac{1}{n}\sum _{i=1}^n{x}_i$$
对于两个随机变量$X$和$Y$，协方差为$Cov(X,Y)$，有：
$$Cov(X,Y)=E[(X-E(X))(Y-E(Y))]$$
实际的机器学习中，往往不能把变量的数据全部采集到，而是只能获得一部分样本，样本协方差的计算式为：
$$cov(x,y)=\frac{1}{n-1}\sum _{i=1}^n(x_i-\bar{x})(y_i-\bar{y})$$
协方差的性质满足：
若$Cov(X,Y)>0$：$X$和$Y$正相关；
若$Cov(X,Y)=0$：$X$和$Y$线性不相关；
若$Cov(X,Y)<0$：$X$和$Y$负相关。
实际上这样判断的根本原因比较简单:
如果$[(X-E(X)(Y-E(Y)]>0$，包括两种情况，第一种$(X-E(X)>0且(Y-E(Y)>0$，第二种$(X-E(X)<0且(Y-E(Y)<0$，这两种情况下变量$X$和$Y$同步偏离均值，所以认为它们是线性正相关关系；
如果$[(X-E(X)(Y-E(Y)]=0$，包括两种情况，第一种仅$(X-E(X)=0$，第二种仅$(Y-E(Y)<0$，第三种$(X-E(X)=0且(Y-E(Y)=0$，这三种情况下，变量$X$和$Y$总有一个停滞在均值处，这个停滞的量和另一个量没有任何关系，所以认为它们彼此不相关；
如果$[(X-E(X)(Y-E(Y)]<0$，包括两种情况，第一种$(X-E(X)>0且(Y-E(Y)<0$，第二种$(X-E(X)<0且(Y-E(Y)>0$，这两种情况下变量$X$和$Y$按照相反的方向偏离均值，所以认为它们是线性负相关关系。

【3】方差

我们直接从均值跳跃到协方差的计算，现在看来步子过大，在均值和协方差中间，还有一个变量，方差$Var(X)$：
$$\begin{gathered} Var(X)=E[(X-E(X){)}^2]=E[X^2-2XE(X)+E(X{)}^2]= \\ E(X^2)-2E(X)E(E(X))+E(E(X{)}^2)= \\ E(X^2)-E(X{)}^2 \end{gathered}$$

【4】当协方差等于方差

从公式推导上看，协方差等于方差是完全可能的：当计算变量自己和自己的协方差时，协方差就是方差。

$$Cov(X,X)=E[(X-E(X))(X-E(X))]=E(X^2)-E(X{)}^2$$
方差其实是协方差的一个特例，协方差计算所有变量之间的相互线性关系，但方差计算的是变量自己和自己的线性关系。

【5】总结

回顾了协方差和方差的基本概念。