공분산
덤프버전 :
1. 개요[편집]
共分散 / covariance
공분산은 두 개의 확률 변수의 선형관계를 나타내는 값이다. 한 확률 변수의 증감에 따른 다른 확률 변수의 증감의 경향에 대한 측도이다. 쉽게 말해 분산이라는 개념을 확장하여 두 개의 확률 변수의 흩어진 정도를 공분산이라고 하는 것이다.
2. 정의[편집]
두 확률변수 [math(X)], [math(Y)]의 결합확률함수가 [math(f(x,\,y))]일 때 다음을 [math(X)], [math(Y)]의 공분산이라고 한다.
2.1. 모공분산[편집]
모공분산은 모집단의 공분산이다. [math({\rm Cov}(X,\,Y))] 또는 [math(\sigma_{XY})]로 쓴다. [math(X)]와 [math(Y)]는 확률 변수, [math(N)]은 모집단의 표본의 개수, [math(X_i)]와 [math(Y_i)]는 각 확률 변수의 도수, [math(\mu)]는 모평균을 뜻한다.
곧, 모공분산이란 [math(X)]의 편차와 [math(Y)]의 편차의 곱의 평균이다.
2.2. 표본공분산[편집]
표본공분산은 표본집단의 공분산이다. [math(S_{XY})]로 쓴다. [math(X)]와 [math(Y)]는 확률 변수, [math(n)]은 표본집단의 표본의 개수, [math(X_i)]와 [math(Y_i)]는 각 확률 변수의 도수, [math(\bar X)]와 [math(\bar Y)]는 표본평균을 뜻한다.
곧, 표본공분산이란 [math(X)]의 편차와 [math(Y)]의 편차의 곱의 평균이다. 주의할 점은 (표본의 개수)[math(\boldsymbol{-1})]로 나눈다는 것이다. [math(n)]이 아니라 [math(n-1)]로 나누는 것은 오차를 줄이기 위함으로, 일반적인 표본 분산의 계산법과 같다.
3. 성질[편집]
공분산의 정의에 따라 같은 확률 변수 두 개의 공분산이란 결국 해당 확률 변수의 분산이 된다.
[math(\begin{aligned}{\rm Cov}(X,\,X)&=\sigma_{XX}\\&=\displaystyle\frac{1}{N}\sum_{i=1}^n (X_i-\mu_X)(X_i-\mu_X)\\&=\frac{1}{N}\sum_{i=1}^n (X_i-\mu_X)^2\\&={\mathbb E}[(X-\mu)^2]\\&={\rm Var}[X] \\ \\S_{XX}&=\displaystyle\frac{1}{n-1}\sum_{i=1}^n {(X_i-\bar X)(X_i-\bar X)}\\&=\frac{1}{n-1}\sum_{i=1}^n (X_i-\bar X)^2\\&={S_X}^2\end{aligned})]
또한, 공분산의 계산에서는 두 확률 변수의 편차를 곱하므로, 교환법칙에 따라 [math({\rm Cov}(X,\,Y)={\rm Cov}(Y,\,X))]이다.
공분산의 정의는 내적의 정의를 만족시킨다. 따라서 코시-슈바르츠 부등식을 적용할 수 있고 이를 통해 피어슨 상관계수를 유도할 수 있다.
4. 해석[편집]
확률 변수 [math(X)]와 [math(Y)]에 대하여 다음과 같이 해석한다.
- [math({\rm Cov}(X,\,Y)>0)]이면 [math(X)]와 [math(Y)]는 양의 관계
- [math({\rm Cov}(X,\,Y)<0)]이면 [math(X)]와 [math(Y)]는 음의 관계
- [math({\rm Cov}(X,\,Y)=0)]이면 [math(X)]와 [math(Y)]는 양도 음도 아닌 관계
주의할 점은 [math({\rm Cov}(X,\,Y)=0)]을 [math(\boldsymbol X)]와 [math(\boldsymbol Y)]는 관계가 없다고 해석하면 안 된다는 것이다. [math(x^2+y^2=k^2)]([math(k)]는 상수)이 대표적인 반례이다. 만약 두 확률 변수 [math(X)]와 [math(Y)]에 대하여 이 관계가 성립하면 [math({\rm Cov}(X,\,Y)=0)]이다. 틀림없이 공분산은 0이지만, 분명히 [math(x^2+y^2=k^2)]이라는, 모종의 관계가 성립하고 있는 것이다.
5. 분산-공분산 행렬[편집]
분산-공분산 행렬이란 다음과 같이 분산과 공분산을 나타낸 행렬을 말한다.
6. 공식[편집]
- [math({\rm Cov}(X,\,Y)={\mathbb E}(XY)-{\mathbb E}(X){\mathbb E}(Y))][1]
[증명] ---
[math((X-\mu_X)(Y-\mu_Y)=XY-\mu_XY-\mu_YX+\mu_X\mu_Y)]를 이용하면---
- [math({\rm Var}(X+Y)={\rm Var}(X)+{\rm Var}(Y)+2{\rm Cov}(X,\,Y))]
[증명] ---
분산의 정의에 의하여 [math({\rm Var}(X+Y)={\mathbb E}[(X+Y-\mu_{X+Y})^2])]이고 [math(\mu_{X+Y}=\mu_X+\mu_Y)]이므로
- 일반화: [math({\rm Var}\left(\displaystyle\sum_{k=1}^nX_k\!\right)=\displaystyle\sum_{k=1}^n{\rm Var}(X_k)+2\sum_{i
- [math(|{\rm Cov}(X,\,Y)|\leq\sqrt{{\rm Var}(X)\cdot {\rm Var}(Y)})]
6.1. 심화[편집]
- [math(X)]와 [math(Y)]가 독립이면 [math({\mathbb E}(XY)={\mathbb E}(X){\mathbb E}(Y)=\mu_X\mu_Y)]이므로
- [math({\rm Cov}(X,Y)={\mathbb E}(XY)-{\mathbb E}(X){\mathbb E}(Y)=0)][2]
- [math({\rm Var}(X+Y)={\rm Var}(X)+{\rm Var}(Y))]
이 문서의 내용 중 전체 또는 일부는 2023-11-13 11:24:32에 나무위키 공분산 문서에서 가져왔습니다.