corrcov

Преобразовать ковариационную матрицу в корреляционную матрицу

Описание

пример

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

пример

[R,sigma] = corrcov(C) также возвращается sigma, вектор стандартных отклонений.

Примеры

свернуть все

Сравните матрицу корреляции, полученную при применении corrcov на ковариационной матрице с корреляционной матрицей, полученной прямым расчетом с помощью corrcoef на матрице входа.

Загрузите hospital Данные установите и создайте матрицу, содержащую Weight и BloodPressure измерения. Обратите внимание, что hospital.BloodPressure имеет два столбца данных.

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

Вычислите ковариационную матрицу.

C = cov(X)
C = 3×3

  706.0404   27.7879   41.0202
   27.7879   45.0622   23.8194
   41.0202   23.8194   48.0590

Вычислите корреляционную матрицу из ковариационной матрицы при помощи 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

Вычислите матрицу корреляции непосредственно при помощи corrcoef, а затем сравните 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 те же самые.

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

Загрузите hospital Данные установите и создайте матрицу, содержащую Weight, BloodPressure, и Age измерения. Обратите внимание, что hospital.BloodPressure имеет два столбца данных.

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

Вычислите 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 полусердинитом. Диагональные элементы C являются отклонениями четырех переменных в X.

Вычислите 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 сравните 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 параметры

свернуть все

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

Для матричной X, которая имеет N наблюдения (строки) и n случайные переменные (столбцы), C является n -by - n матрицей. Диагональные элементы n C являются отклонениями n случайных переменных в X и нулем диагонали в C указывает постоянную переменную в X.

Типы данных: single | double

Выходные аргументы

свернуть все

Матрица корреляции, возвращенная как матрица, которая соответствует ковариационной матрице C.

Типы данных: single | double

Стандартные отклонения, возвращенные как n -by - 1 вектор.

Элементы sigma являются стандартными отклонениями переменных в X, N матрице n -by -, которая создает C. Строка i в sigma соответствует стандартному отклонению столбца i в X.

Типы данных: single | double

Подробнее о

свернуть все

Ковариация

Для двух векторов A и B случайных переменных, ковариация определяется как

cov(A,B)=1N1i=1N(AiμA)*(BiμB)

где N - длина каждого столбца, μA и μB - средние значения A и B, соответственно, и * обозначает комплексный сопряженный.

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

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

Для матричной X, в которой каждый столбец является случайной переменной, составленной из наблюдений, ковариационная матрица является парным ковариационным вычислением между каждой комбинацией столбцов. Другими словами, C(i,j)=cov(X(:,i),X(:,j)).

Отклонение

Для векторной A случайных переменных, составленной из N скалярных наблюдений, отклонение определяется как

V=1N1i=1N|Aiμ|2

где μ - среднее значение A,

μ=1Ni=1NAi.

В некоторых определениях отклонения вместо N–1 используется коэффициент нормализации N, но среднее значение всегда имеет N фактора нормализации.

Расширенные возможности

См. также

| | |

Введенный в R2007b