看完了三个概念之后,我们对三个概念有了一定了解(最起码公式要好好看看吧
)
下面,我们来进入正题,说说matlab中的方差函数var 还有 协方差函数cov ,对于这两个函数,当然我们可以通过
matlab中help两下解决,但无奈对于英语是心有余而力不足
,假如看官自认为英语还不错的话,你可以去help matlab去了。
好了,忠诚的小鸟们,开始上课:
这节咱们讲的是matlab中的方差函数var的用法及具体分析 , var
是用来求方差的,但是首先我们应该清楚的区分两个概念,即方差和样本方差的无偏估计,简要来说(你要是不想简要,详细细内容可以看上一篇
)就是,方差公式中分母上是N,而样本方差无偏估计公式中分母上是N-1
(N为样本个数)。
OK!正题!
函数名称: var
函数功能:求解方差
函数用法:var(X) %与var(X,0)相同
var(X,W)
var(X,W,dim)
注:var(X,W) %
W可以取0或1,取0求样本方差的无偏估计值(除以N-1;对应取1求得的是方差(除以N),
W也可以是向量,但必须与X中的第一个维度数相同,即length(W)=
size(X,1) 所以还存在: var(X ,0 ,dim) % 除以N
dim =1 对每列操作 dim = 2 对每行操作
var(X ,1 ,dim) % 除以N-1 dim =1 对每列操作 dim = 2
对每行操作
var(X,W,dim) %
关于W取向量时,把W看做X中观察值发生的次数(或者说概率也行)
下面详细介绍秘籍:
…………………………………………………
对于X是向量时,把向量中每个元素看做一个样本
var(X)或者var(X,0)函数输出这个向量中元素的样本方差的无偏估计值,var(X,1)输出的是样本方差
例1:
>> a = [1 6 1 4];
>> aa = var(a)
aa =
6
>> a_var = var(a,1)
a_var =
4.5000
>>
(sum((a-mean(a)).^2))/(length(a))
ans =
4.5000
……………………………………………………
对于X是矩阵时
把每行看做一个观察值,每列看做一个变量,函数输出一个行向量,每个元素计算的是该列的方差
例2:
>> X= [1 6 6;4 2 5;7 2 3]
X =
1 6 6
4 2 5
7 2 3
>> XX=var(X)
XX =
9.0000 5.3333 2.3333
>> (sum((X-repmat(mean(X),3,1)).^2))/(size(X,1)-1) %验证
ans =
9.0000 5.3333 2.3333
>> X_var = var(X,1)
X_var =
6.0000 3.5556 1.5556
>>
(sum((X-repmat(mean(X),3,1)).^2))/(size(X,1)) %验证
ans =
6.0000 3.5556 1.5556
——————————————————————————————
对于var(X ,0 ,dim) 或者 var(X ,1 ,dim) 前面已说 0 对应 除以N-1;
1对应除以N; dim 指维度信息,默认为1,dim =1 就指对每列操作; dim =2
就指对每行操作。
下面以 var(X ,0 ,dim) 为例进行试验验证:
参考结果:默认为1情况↑(往上看)
>> var(X ,0 ,2)
ans =
8.3333
2.3333
7.0000
>> Y = X’;
>> var(Y)
ans =
8.3333 2.3333 7.0000 (一样吧)
………………………………………………………
对于 var(X,W)、var(X,W,dim) 中W为向量的情况:
把W看做X中对应观察值发生的次数(或者说概率也行)处理,为了清除,现粘贴matlab部分源代码(笔者好心已加注释)如下:
function y = var(x,w,dim)
% The weighted variance for a
vector X is defined as
%
% VAR(X,W) = SUM(W.*RESID.*CONJ(RESID)) / SUM(W)
%
% where now RESID is computed
using a weighted mean.
wresize =
ones(1,max(ndims(x),dim)); wresize(dim) = n;
w =
reshape(w ./ sum(w),
wresize);
% w 看做是x中每个观察值的出现次数,这样w ./
sum(w)即使每个观察样本出现的概率,
x0 =
bsxfun(@times, w,
x);
%根据这个概率权重求出期望值或者平均值sum(x0, dim)
x =
bsxfun(@minus, x, sum(x0,
dim));
%where now RESID is computed
using a weighted mean. 这儿就是那个RESID
y =
sum(bsxfun(@times, w, abs(x).^2),
dim);
逐行验证:
>> clear
>> x= [1 6 6;4 2 5;7 2 3]
x =
1 6 6
4 2 5
7 2 3
>> w = [1 2 3];
>> dim = 1 ;
>> n = size(x ,dim)
n =
3
>> wresize =
ones(1,max(ndims(x),dim))
wresize =
1 1
>> wresize(dim) = n
wresize =
3 1
>> w = reshape(w ./ sum(w),
wresize)
w =
0.1667
0.3333
0.5000
>> x0 = bsxfun(@times, w, x)
x0 =
0.1667 1.0000 1.0000
1.3333 0.6667 1.6667
3.5000 1.0000 1.5000
>> x = bsxfun(@minus, x, sum(x0,
dim));
>> y =
sum(bsxfun(@times, w, abs(x).^2), dim)
y =
5.0000 2.2222 1.4722
>> var (x,w) %验证下成果
ans =
5.0000 2.2222 1.4722
你要是还感觉晕的话(
),下面以第一列为例说明W作用
>> X= [1 6 6;4 2 5;7 2 3];
>> a =
X(:,1); %取出第一列
>> b = w ./
sum(w); %求出概率矩阵
>>
a0=a.*b; >>
a1=sum(a0); %求出第一列在W概率加权下的平均值
>> a2=a -a1;
>> c =
w.*(a2.^2) %W看做是每个观察值的出现次数,求出在此加权下的方差
>> sum(c)
ans =
5
注意: 需要注意的是,这种情况下求出的是样本的统计方差(也就是除以N的那种,因为式中w ./
sum(w)),并非样本方差无偏估计值
当然对于var(X,W,dim)中dim=1(对每列求方差)dim=2(对每行求方差)也可以进行验证,由于方式基本与之前的相同,在此不再赘述
二师兄,快到了!
↘
↘
↘
↘
↘
↘
……………………………………………………………………..