方差与协方差
统计学中的方差分析与协方差分析的比较
统计学中的方差分析与协方差分析的比较统计学是研究数据收集、分析和解释的一门学科，方差分析和协方差分析是其中两个重要的统计方法。
在本文中，我们将比较这两个方法的基本原理、适用范围和使用方法。
一、基本原理1. 方差分析方差分析（ANOVA）是一种用于比较两个或更多组之间的差异的统计方法。
它通过将总体方差分解为组内差异和组间差异，并通过检验组间差异是否显著来判断组间是否存在统计学上的差异。
2. 协方差分析协方差分析（ANCOVA）是一种结合方差分析和线性回归分析的统计方法。
它通过在方差分析中添加一个或多个协变量来控制实验组间潜在的混杂因素，并进一步检验组间差异的统计学意义。
二、适用范围1. 方差分析方差分析广泛应用于实验设计和观察研究中，特别适用于比较多个组的均值是否有显著差异。
例如，一个研究人员想要比较不同教育水平的人在某项测试中的平均得分是否有差异，方差分析可以被用来解决这个问题。
2. 协方差分析协方差分析主要针对一些协变量对实验结果的影响进行调整。
它适用于那些存在其他可能影响结果的潜在因素的研究，如年龄、性别、教育水平等。
通过添加这些协变量作为回归分析的自变量，可以更准确地评估组间差异的统计学显著性。
三、使用方法1. 方差分析方差分析通常包括以下几个步骤：a. 界定研究对象和问题；b. 选择合适的方差分析模型；c. 收集所需的数据；d. 进行方差分析，计算组间和组内的方差；e. 利用统计方法检验组间差异的显著性；f. 根据结果进行结论和解释。
2. 协方差分析协方差分析的步骤包括：a. 选择适当的协方差模型，并确定潜在的影响因素；b. 收集数据，并测量协变量和实验结果；c. 进行协方差分析，控制协变量的影响；d. 利用统计方法检验组间差异的显著性；e. 根据结果进行解释并得出结论。
四、总结方差分析和协方差分析是统计学中常用的两种方法，其应用范围和使用方法存在差异。
方差分析适用于比较多个组之间的差异，而协方差分析则主要用于控制潜在的混杂因素。
方差和协方差
⽅差和协⽅差1.⽅差⽅差是各个数据与平均数之差的平⽅和的平均数。
（⽅差⽅差，就是平⽅了数据与平均数之差）在中，⽅差（英⽂Variance）⽤来度量和其数学期望（即）之间的偏离程度。
例⼦：1， 5 ，9 ⽅差⼤ 4，5，6⽅差就⼩。
2.协⽅差在和中，协⽅差⽤于衡量两个变量的总体误差。
⽽是协⽅差的⼀种特殊情况，即当两个变量是相同的情况。
期望值分别为E(X) = µ 与E(Y) = ν的两个实数随机变量X与Y之间的协⽅差定义为：COV(X，Y)=E[(X-E(X))(Y-E(Y))]=EXY-EX*EY直观上来看，协⽅差表⽰的是两个变量总体误差的⽅差，这与只表⽰⼀个变量误差的⽅差不同。
如果两个变量的变化趋势⼀致，也就是说如果其中⼀个⼤于⾃⾝的期望值，另外⼀个也⼤于⾃⾝的期望值，那么两个变量之间的协⽅差就是正值。
如果两个变量的变化趋势相反，即其中⼀个⼤于⾃⾝的期望值，另外⼀个却⼩于⾃⾝的期望值，那么两个变量之间的协⽅差就是负值。
如果X与Y是统计独⽴的，那么⼆者之间的协⽅差就是0，因为两个独⽴的随机变量满⾜EXY=EXEY。
但是，反过来并不成⽴。
即如果X与Y的协⽅差为0，⼆者并不⼀定是统计独⽴的。
（⽐如Y是X的绝对值并且E（X)=0的情况，如果X的正负分布⾜够“均匀”,那么就有可能EXY=EX*EY=0；换句话说，Y和X的变化趋势没关系，但是Y和X绝对值的变化趋势⼀样。
总结：协⽅差描述了”Y和X的步调⼀致性“的⼤⼩？）协⽅差cov(X,Y)的度量单位是X的协⽅差乘以Y的协⽅差。
⽽取决于协⽅差的相关性，是⼀个衡量的的数。
协⽅差为0的两个称为是不相关的。
方差与协方差
方差与协方差
方差与协方差是统计学中常用的两个概念，它们在数据分析和机器学习中都有着重要的应用。
本文将从定义、计算方法和应用等方面介绍方差与协方差。
方差是衡量数据分散程度的一种统计量，它表示各个数据点与平均值之间的差异程度。
方差的计算公式为：方差=（每个数据点与平均值的差的平方和）/（数据点的个数-1）。
方差越大，表示数据点之间的差异越大，反之则表示数据点之间的差异越小。
方差的单位是数据点的单位的平方。
协方差是衡量两个变量之间关系的一种统计量，它表示两个变量的变化趋势是否一致。
协方差的计算公式为：协方差=（每个数据点在两个变量上的差的乘积之和）/（数据点的个数-1）。
协方差的值可以为正、负或零，正值表示两个变量之间呈正相关，负值表示两个变量之间呈负相关，零值表示两个变量之间没有关系。
协方差的单位是两个变量的单位的乘积。
方差和协方差在数据分析和机器学习中都有着广泛的应用。
在数据分析中，方差可以用来衡量数据的离散程度，从而判断数据是否具有代表性。
在机器学习中，方差可以用来评估模型的性能，从而选择最优的模型。
协方差可以用来衡量两个变量之间的关系，从而选择最优的特征组合。
在机器学习中，协方差还可以用来计算特征之间的相关性，从而选择最优的特征。
方差和协方差是统计学中常用的两个概念，它们在数据分析和机器学习中都有着重要的应用。
熟练掌握方差和协方差的计算方法和应用，可以帮助我们更好地理解数据和模型，从而做出更准确的预测和决策。
方差 -协方差矩阵
方差 -协方差矩阵方差和协方差是两个核心的统计概念，用于衡量随机变量之间的关系以及其散布情况。
在数据处理中，方差和协方差矩阵被广泛用于探索变量之间的相互作用并且对于许多算法来说也是必要的。
1、方差方差是衡量在一组数据中，变量值的差异性的一种统计量。
如果变量的方差较大，那么数据的散布情况就比较广泛。
在统计数学中，整体数据集合的方差是每个数与其平均数之差的平方的平均数。
由于每个数据点与平均数之差的平方都是非负数，因此方差始终是非负的。
对于总体方差σ²，有以下计算公式：$$ \sigma^2 = \frac{\sum_{i=1}^{n}(x_i - \mu)^2}{n} $$其中，n是样本中变量的数量，μ是变量集合的均值。
当样本为总体时，分母实际上是总体大小N。
这个公式可以用来计算整个数据集的方差。
对于单个随机变量的方差，我们可以使用以下公式：$$ Var(X) = E(X^2) - E(X)^2 $$这个公式的意思是，方差等于X的平方的期望减去X的期望的平方。
简单的说，方差就是每个数据点与这个变量的期望之差的平方的平均数。
如果变量的方差越大，说明数据的散布情况越广泛。
协方差是指两个变量之间的关系。
它用来衡量两个变量之间的共变性。
如果两个变量总是在同一方向变化，那么它们的协方差就是正的；如果它们总是在相反的方向变化，那么它们的协方差就是负的；如果这两个变量相互独立，那么它们的协方差就是0。
协方差的计算公式如下：其中，E表示期望。
协方差是两个变量之间的乘积的期望值减去它们的期望值之积。
值得注意的是，两个变量之间的协方差值与它们的绝对数是相关的。
因此，如果我们试图将协方差用于比较两个变量之间的关系，那么我们需要对它们进行标准化。
协方差矩阵是一个对称矩阵，它记录一个向量中所有变量之间的协方差。
协方差矩阵的对角线元素是每个变量的方差，而非对角线元素是两个变量之间的协方差值。
协方差矩阵可以通过以下公式来计算：其中，E表示期望，(X-E(X))^T表示转置矩阵。
统计学中的方差分析与协方差分析的应用场景
统计学中的方差分析与协方差分析的应用场景方差分析和协方差分析是统计学中常用的两种分析方法，它们在不同领域中有着广泛的应用场景。
本文将重点介绍方差分析和协方差分析的定义、基本原理以及各自的应用场景，帮助读者更好地理解这两种重要的统计分析方法。
一、方差分析的应用场景方差分析（Analysis of Variance，ANOVA）是一种用于比较两个或多个样本均值差异是否显著的统计方法。
它通过分析总平方和、组内平方和和组间平方和的比值来判断不同样本间的差异是否由随机因素引起。
方差分析广泛应用于以下几个领域：1.实验设计领域：方差分析可以用于评估和比较不同处理组之间的差异是否显著。
例如，在药物研发过程中，可以使用方差分析来比较不同剂量组的治疗效果是否有显著差异。
2.教育研究领域：方差分析也常用于教育研究中，例如比较不同教学方法对学生成绩的影响是否显著。
3.社会科学研究领域：方差分析可以分析和比较不同社会群体或不同治疗方法对人们行为和心理状态的影响。
4.工程领域：方差分析可以用于评估不同工艺参数对产品性能的影响是否显著。
例如在制造业中，可以使用方差分析来确定不同生产线上产品的质量差异是否显著。
二、协方差分析的应用场景协方差分析（Analysis of Covariance，ANCOVA）是一种结合了方差分析和线性回归分析的方法，用于比较不同样本间对其他自变量的反应是否存在显著差异。
协方差分析常见的应用场景包括：1.医学研究领域：协方差分析可以用于控制和调整影响变量对响应变量的影响。
例如，在研究两种药物疗效时，协方差分析可以用于从各自的基线水平（协变量）出发，调整患者的其他因素，对疗效进行比较。
2.心理学研究领域：协方差分析可以用于研究心理因素对人类行为的影响。
例如，调查某种新的心理干预措施是否对抑郁症患者的恢复有帮助。
3.教育评估领域：协方差分析可以用于评估不同教育干预措施对学生成绩的影响是否显著。
例如，在一所学校中，可以使用协方差分析来比较不同教学方法对学生成绩发展的影响。
协方差cov和方差关系
协方差cov和方差关系
协方差（covariance）是描述两个随机变量之间关系的一种统计量，它是两个变量的乘积与它们各自的均值的乘积的差的期望值。
方差（variance）是衡量随机变量离其期望值的距离的度量，它是随机变量与其期望值之差的平方的期望值。
虽然协方差和方差都是与随机变量的离散程度有关的统计量，但它们之间有着重要的关系。
协方差和方差的关系可以通过以下公式表示：
cov(X,Y) = E[(X-μ_X)(Y-μ_Y)]
var(X) = E[(X-μ_X)^2]
var(Y) = E[(Y-μ_Y)^2]
其中，cov(X,Y)表示X和Y之间的协方差，μ_X和μ_Y分别表示X和Y的均值，var(X)和var(Y)分别表示X和Y的方差。
可以发现，当X和Y之间不存在关系时，它们的协方差近似为0，而当X和Y之间存在线性关系时，它们的协方差为正或负，正表示正相关，负表示负相关，而当X和Y之间存在曲线关系时，它们的协方差可能为0或接近于0，但仍存在一定的关系。
此外，方差是协方差的一种特殊情况，即当X和Y完全相同时，它们的协方差等于它们的方差。
在实际应用中，协方差和方差常常用于评估随机变量之间的关系和离散程度，例如在金融领域中，协方差常用于衡量不同资产之间的相关性，而方差则用于衡量投资组合的风险。
- 1 -。
方差、标准差、协方差和Pearson相关系数及其间的关系
方差、标准差、协方差和Pearson相关系数及其间的关系方差、协方差和Pearson相关系数在机器学习的理论概念中经常出现，本文主要理一下这几个概念及其相互间的关系。
（一）方差：方差是每个样本值与全体样本值的平均数之差的平方值的平均数，公式如下：上式中mui为样本均值。
方差可以反应样本数据的离散程度，由上式可以看出，方差越大，样本离散程度也越大。
机器学习中，如果某一特征值的离散程度很小，即表示该特征取值很少，可以认为样本在这个特征上基本没有差异，那这个特征对于样本区分没有什么作用，可以将这个特征去除，从而做到特征选择。
（二）标准差：标准差即方差的开平方，不展开了，下面是公式：（三）协方差：协方差描述的是两个变量间的相关性，计算公式如下：也可以用以下公式表示，两者是等价的：cov(X, Y) = E[(X-E[X])(Y-E[Y])]上式中E[ ]表示求期望，其中E[X]为X特征期望或均值，E[Y]为Y 特征期望或均值。
对比方差和协方差的公式可以看出两者很像，但方差的结果是大于等于0的，当等于0时，说明样本的x特征取值唯一，反应的样本的x特征的离散程度；协方差的取值则可以大于零也可以小于零，当大于零时，说明对应的两个变量x和y与其均值相比都同大于或同小于，即两个变量的变化趋势相同（正相关）；当小于零时，说明对应的两个变量x和y不同时大于或小于其均值，即两个变量的变化趋势相反（负相关）；而当均方根接近零时，说明两个变量基本没有相关性，接近相互独立。
从以上描述可以看出，协方差可以衡量两个变量相关性大小，绝对值越大，说明越相关。
但是，却不好比较多个变量与另外同一个变量间相关性的相对大小，因为量纲没有统一。
为了便于比较不同变量与另外同一个变量间相关性的相对大小，Pearson相关系数被提出了。
Pearson相关系数：如上所述，Pearson相关性系数是为了比较不同变量与另外同一变量间相关性的相对大小，这里要注意的是：Pearson相关性系数衡量的是定距变量间的线性关系，可以用Pearson相关系数来进行特征特征选择。
方差（Variance）、协方差（Covariance）与相关性系数
⽅差（Variance）、协⽅差（Covariance）与相关性系数
⽅差
⽅差主要计算⼀维数组的离散程度
协⽅差
协⽅差主要衡量两组变量或者⼆维变量的相似程度
很明显，所谓的协⽅差就是⽅差在⼆维上的呈现。
那么⼀维数据⾃⾝的协⽅差是如何计算呢？
⼀维数据和⾃⼰的协⽅差，就是数据本⾝的⽅差，⽅差是协⽅差的特殊情况。
值得注意的是当两组数据的协⽅差为0时，说明两组数据线性⽆关。
⽽两组数据的协⽅差越⼤，相关性也就越⼤。
当协⽅差为负时，两组数据负相关，反之为正相关。
相关性系数
相关性系数也可以被理解成⼀种特殊的协⽅差。
相对于协⽅差来说，它是经过了标准化的消除了变化幅度的影响的协⽅差，可以单纯反应两个变量每单位变化时的相似程度。
这⾥的消除变化幅度的影响如何理解呢？两组数据变化趋势相同时，可能幅度相差很多，导致协⽅差的计算值在负⽆穷到正⽆穷之间变化。
但我们经过了标准化处理，使得相关性系数的值集中在-1到1之间。
当相关系数为－1时，说明两个变量变化的反向相似度最⼤，X增⼤
时，Y进⾏等值缩⼩，反之亦然。
均值、方差、标准方差、协方差和相关系数
均值、方差、标准方差、协方差和相关系数均值、方差、标准方差、协方差和相关系数是统计学中常用的概念，能够帮助我们更好地理解和描述数据的分布特征以及不同变量之间的关系。
一、均值均值是一组数据中各个数值的平均数。
它是描述数据集中趋势的一种方式，通过计算所有数据点的总和，然后除以数据点的个数来得到。
二、方差方差是衡量一组数据中数据点与其均值之间差异程度的度量。
它是各个数据点与均值差的平方的平均值。
方差越大，说明数据点与均值之间的离散程度越高。
三、标准方差标准方差是方差的平方根。
它衡量数据集中的观测值与均值之间的差异程度，并将其以与原始数据相同的单位进行测量。
标准方差可以帮助我们评估数据集的离散性。
四、协方差协方差是衡量两个变量之间关系的统计量。
它描述了这两个变量的变化趋势是否同向或反向。
具体地说，协方差是各个变量的差与其均值差的乘积的平均值。
协方差公式为：cov(X, Y) = E((X - E(X))(Y - E(Y)))E表示期望，X和Y分别代表两个变量。
五、相关系数相关系数是衡量两个变量之间关系强度和方向的数值。
它取值范围为-1到1之间，接近1表示两个变量正相关，接近-1表示两个变量负相关，接近0表示两个变量没有线性相关性。
相关系数公式为：cor(X, Y) = cov(X, Y) / [σ(X) * σ(Y)]cov(X, Y)表示X和Y的协方差，σ(X)表示X的标准方差，σ(Y)表示Y的标准方差。
相关系数的绝对值越接近于1，表示两个变量之间的线性关系越强。
如果相关系数为0，说明两个变量之间没有线性关系。
以上是关于均值、方差、标准方差、协方差和相关系数的基本介绍。
它们是统计学中常用的工具，能够帮助我们更好地理解和分析数据。
在实际应用中，我们可以利用这些统计量来描述数据的分布特征和变量之间的关系，并进行相应的推断和决策。
方差分析及协方差分析
方差分析及协方差分析方差分析和协方差分析是统计学中常用的两种分析方法，用于研究变量之间的关系和差异。
本文将分别介绍方差分析和协方差分析的基本概念、原理和应用。
一、方差分析（Analysis of Variance）1.基本概念：方差分析是一种通过对不同组之间的差异进行分析，来揭示组间差异是否非随机的统计方法。
它可以用于比较两个或更多个组的均值是否有显著差异。
2.原理：方差分析的原理基于对总体变异的分解。
总体变异可以分解为组间变异和组内变异。
组间变异表示不同组之间的差异，而组内变异表示组内个体之间的差异。
方差分析通过计算组间变异与组内变异之间的比值来判断组间差异是否显著。
3.适用场景：方差分析适用于有一个自变量和一个或多个因变量的情况。
常见的应用场景包括：比较不同药物对疾病影响的效果、比较不同教学方法对学生成绩的影响等。
4.步骤：方差分析的步骤包括：确定研究目的和假设、选择适当的方差分析模型、计算方差分析统计量和p值、进行结果解释。
二、协方差分析（Analysis of Covariance）1.基本概念：协方差分析是一种结合方差分析和线性回归分析的方法。
它通过控制一个或多个连续变量（协变量）对组间差异进行调整，来比较不同组之间的差异。
协方差分析不仅考虑到组间差异，还考虑到了协变量的影响。
2.原理：协方差分析的基本原理是通过线性回归模型来估计组间均值的差异，同时考虑协变量的影响。
通过计算协方差矩阵和相关系数，可以得到组间差异的调整后的统计结果。
3.适用场景：协方差分析适用于有一个自变量、一个或多个因变量，以及一个或多个连续变量的情况。
常见的应用场景包括：比较不同药物对疾病影响的效果，并控制患者年龄和性别等协变量。
4.步骤：协方差分析的步骤包括：确定研究目的和假设、选择适当的协方差分析模型、建立回归模型、计算协方差分析统计量和p值、进行结果解释。
总结：方差分析和协方差分析都是常用的统计分析方法，用于研究组间差异和变量之间的关系。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
n
n
从而 E( X ) E( X i ) np, D( X ) D( X i ) npq.
E(Y 2)
1
dx
1 y2 8x ydy 2 ,
0x
3
D(Y ) E(Y 2 ) [E(Y )]2 2 .
75
结 束
7
三. 常见分布的期望与方差
(1) X ~ B(n, p) , 则 E( X ) n p , D( X ) n pq .
(2) X ~ P( ) , 则 E( X ) , D( X ) .
2 2b b2 令 1
4 3 3 2
, 解得 b = 0, a = 2, E( X ) = 2/3
36
18 或b = 2, a = −2, E( X ) = 1/3 .
结 束
6
例:
设 (X, Y) 的概率密度为 试求 D( X ), D( Y ) .
f
( x,
y)
8x 0,
y, 0 x 其它.
(2) 设 X 与 Y 相互独立, 则
D(X+Y) = D(X) + D(Y), D(X−Y) = D(X) + D(Y).
进一步, 若 X1 ,… , Xn 相互独立, 则对任意常数
c1 ,…, cn 有: D( c1 X1+ … + cn Xn ) = c12 D( X1 ) + … + cn2 D( Xn ).
(3) D(X) = 0 的充要条件是 X 以概率 1 取常数 C , 即 P{X = C } = 1 .
结 束
9
例: X ~ B(n, p) , 则 E( X ) n p , D( X ) n pq .
解: X 表示 n 重伯努利试验中 “成功”的次数,
p为每次试验成功的概率, 则 X ~ B(n, p);
1
(a
x
b) dx
a
令
b 1,
0
2
而 E( X )
x f ( x)dx
1
x(a
x
b)dx
ab,源自032E( X 2 ) x2 f ( x)dx 1x2(a x b)dx a b ,
0
43
故 D( X ) E( X 2 ) [E( X )]2 a b a b 2 a 2 2b
02 0.4 12 0.2 22 0.1 1.2, D(Y ) 2.0,
说明甲的命中环数比乙的更集中, 即甲的射击技术比乙的稳定.
结 束
4
二. 方差的简化计算公式 D( X ) E( X 2 ) [E( X )]2
即: 方差等于 平方的期望 减 期望的平方.
证明: D( X ) E{[ X E( X )]2} E{X 2 2E( X )X [E( X )]2}
P 0.1 0.2 0.4 0.2 0.1
P 0.2 0.2 0.2 0.2 0.2
可以算出:
E( X ) 6 0.1 7 0.2 8 0.4 9 0.2 10 0.1 8.0,
E(Y ) 8.0,
两人命中环数的平均水平相同, 从中看不出两人射击技术的 高低;
但 D( X ) E{[ X E( X )]2} (2)2 0.1 (1)2 0.2
例如, 某零件的真实长度为a, 现在用甲、乙 两台仪器各测量10次, 并将测量结果 X 用坐标上的 点表示如图：
测量结果的
均值都是 a
甲仪器测量结果
• • • • • a•• •
乙仪器测量结果
•••• •a•• •••
••
较好
问: 哪台仪器的测量效果好一些？ 因为乙仪器的测量结果更集中在均值附近.
结 束
y
1,
解: E(X )
x f ( x, y)dxdy
1
dx
1
x 8x ydy
8,
0x
15
y
E( X 2 )
1
dx
1 x2 8x ydy 1 ,
y=x
0x
3
1
D( X ) E( X 2 ) [E( X )]2 11 ,
225
0
x
11
4
E(Y ) 0dx x y 8x ydy 5 ,
(3) X ~ U(a, b) , 则 E( X ) a b , D( X ) (b a)2 .
2
12
(4) X ~ e( ) , 则 E( X ) 1/ , D( X ) 1/ 2 .
(5) X ~ N(, 2 ) , 则 E( X ) , D( X ) 2 .
结 束
8
四. 方差的性质 (1) 对任意常数 k 与 c 有: D( k X + c ) = k 2 D(X).
1
再如: 考察某车床加工轴承的质量时, 若 最关键的指标为长度, 则不但要注意轴承的平均 长度, 同时还要考虑轴承长度与平均长度的偏离 程度 (即加工的精度); 等等.
为此需要引进另一个数字特征, 用它来度量 随机变量在其中心 (即均值) 附近取值的离散程度 (或集中程度). 这个数字特征就是: 方差.
叫做 X 的方差.
而 D( X ) 记作 ( X ) 或 X 叫做 X 的标准差 或均方差.
方差刻划了随机变量取值的离散程度: 若 X 的取值比较集中, 则方差较小； 若 X 的取值比较分散, 则方差较大 .
结 束
3
如: 据以往记录, 甲乙两射手命中环数 X、Y 的分布律为
X 6 7 8 9 10 及 Y 6 7 8 9 10
引入
1,
Xi
0,
若第 i 次试验成功, 若第 i 次试验失败.
i =1, 2, …, n,
n
则 X1 , X2 ,…, Xn 相互独立, 且 X X i ,
i 1
而 Xi 的分布律为
Xi P
0 q
1 p
故 E( Xi ) = p , E( Xi2 ) = p , D( Xi ) = E( Xi2 ) −[E( Xi )]2 = p q ,
E( X 2 ) 2E( X )E( X ) [E( X )]2 E( X 2 ) [E( X )]2 .
结 束
5
例:
设 X 的概率密度为
a x b, 0 f ( x) 0, 其它.
x 1,
且 D( X ) = 1/18, 求 a, b 及 E( X ).
解: 由归一性得
f ( x)dx
我们该用怎样的量去度量这种偏离程度呢?
X − E(X) ?
E[ X − E(X) ] ?
E[ | X − E(X) | ] ?
E{ [ X − E(X) ]2 }
结 束
2
一、方差( variance )的定义
随机变量 X 的平方偏差 [ X − E(X) ]2 的均值
E{[ X E( X )]2 } 记作 D( X ) 或 Var ( X ) ,