exponenta event banner

corrcov

Преобразование ковариационной матрицы в корреляционную матрицу

Описание

пример

R = corrcov(C) возвращает матрицу корреляции R соответствует ковариационной матрице C.

пример

[R,sigma] = corrcov(C) также возвращает sigmaвектор стандартных отклонений.

Примеры

свернуть все

Сравнение корреляционной матрицы, полученной при применении corrcov на ковариационной матрице с корреляционной матрицей, полученной прямым вычислением с использованием corrcoef на входной матрице.

Загрузить hospital набор данных и создание матрицы, содержащей Weight и BloodPressure измерения. Обратите внимание, что hospital.BloodPressure имеет два столбца данных.

load hospital
X = [hospital.Weight hospital.BloodPressure];

Вычислите матрицу ковариации.

C = cov(X)
C = 3×3

  706.0404   27.7879   41.0202
   27.7879   45.0622   23.8194
   41.0202   23.8194   48.0590

Вычислить корреляционную матрицу из ковариационной матрицы с помощью corrcov.

R1 = corrcov(C)
R1 = 3×3

    1.0000    0.1558    0.2227
    0.1558    1.0000    0.5118
    0.2227    0.5118    1.0000

Вычислить корреляционную матрицу непосредственно с помощью corrcoef, а затем сравнить R1 с R2.

R2 = corrcoef(X)
R2 = 3×3

    1.0000    0.1558    0.2227
    0.1558    1.0000    0.5118
    0.2227    0.5118    1.0000

Матрицы корреляции R1 и R2 одинаковые.

Найдите вектор стандартных отклонений от ковариационной матрицы и покажите соотношение между стандартными отклонениями и ковариационной матрицей.

Загрузить hospital набор данных и создание матрицы, содержащей Weight, BloodPressure, и Age измерения. Обратите внимание, что hospital.BloodPressure имеет два столбца данных.

load hospital
X = [hospital.Weight hospital.BloodPressure hospital.Age];

Вычислить ковариационную матрицу X.

C = cov(X)
C = 4×4

  706.0404   27.7879   41.0202   17.5152
   27.7879   45.0622   23.8194    6.4966
   41.0202   23.8194   48.0590    4.0315
   17.5152    6.4966    4.0315   52.0622

C является квадратным, симметричным и положительным полудефинитом. Диагональные элементы C - отклонения четырех переменных в X.

Вычислить корреляционную матрицу и стандартные отклонения X из ковариационной матрицы C.

[R,s1] = corrcov(C)
R = 4×4

    1.0000    0.1558    0.2227    0.0914
    0.1558    1.0000    0.5118    0.1341
    0.2227    0.5118    1.0000    0.0806
    0.0914    0.1341    0.0806    1.0000

s1 = 4×1

   26.5714
    6.7128
    6.9325
    7.2154

Вычислите квадратный корень диагональных элементов в C, а затем сравнить s1 с s2.

s2 = sqrt(diag(C))
s2 = 4×1

   26.5714
    6.7128
    6.9325
    7.2154

s1 и s2 равны и соответствуют стандартному отклонению переменных в X.

Входные аргументы

свернуть все

Ковариационная матрица, заданная как квадратная, симметричная и положительная полуопределённая матрица.

Для матрицы X, которая имеет N наблюдений (строк) и n случайных величин (столбцов), C является матрицей n-by-n. n диагональных элементов C являются дисперсиями n случайных величин в X и нулевым диагональным элементом в C указывает постоянную переменную в X.

Типы данных: single | double

Выходные аргументы

свернуть все

Корреляционная матрица, возвращаемая как матрица, соответствующая ковариационной матрице C.

Типы данных: single | double

Стандартные отклонения, возвращаемые в виде вектора n-by-1.

Элементы sigma - стандартные отклонения переменных в матрице X, N-на-n, которая производит C. Ряд i в sigma соответствует стандартному отклонению столбца i в X.

Типы данных: single | double

Подробнее

свернуть все

Ковариация

Для двух векторов случайных величин A и B ковариация определяется как

cov (A, B) =1N−1∑i=1N (Ai мкА) * (Bi − мкВ)

где N - длина каждого столбца, мкА и мкВ - средние значения А и В соответственно, и * обозначает комплексный конъюгат.

Ковариационная матрица двух случайных величин является матрицей парных ковариационных вычислений между каждой переменной,

C = (cov (A, A) cov (A, B) cov (B, A) cov (B, B)).

Для матрицы X, в которой каждый столбец является случайной переменной, состоящей из наблюдений, ковариационная матрица представляет собой парное вычисление ковариации между каждой комбинацией столбцов. Другими словами, C (i, j) = cov (X (:, i), X (:, j)).

Различие

Для вектора случайной величины A, составленного из N скалярных наблюдений, дисперсия определяется как

V=1N−1∑i=1N'Ai−μ|2

где λ - среднее значение А,

μ=1N∑i=1NAi.

Некоторые определения дисперсии используют коэффициент нормализации N вместо N-1, но среднее всегда имеет коэффициент нормализации N.

Расширенные возможности

См. также

| | |

Представлен в R2007b