阅读本文需要具备一定的线性代数基础，通过本文，你将对协方差矩阵有全面的理解。

定义

一组随机变量，共n个：
$$\mathbf{X}=(X_1,X_2,...,X_n{)}^T$$

两个随机变量的协方差：
$$cov[X_i,X_j]=E[(X_i-E[X_i])(X_j-E[X_j])]$$

由n*n个协方差组成的协方差矩阵
$$cov[\mathbf{X},\mathbf{X}]=\left[\begin{array}{cccc}cov[X_1,X_1]& cov[X_1,X_2]& \cdots & cov[X_1,X_n]\\ cov[X_2,X_1]& cov[X_2,X_2]& \cdots & cov[X_2,X_n]\\ ⋮& ⋮& \ddots & ⋮\\ cov[X_n,X_1]& cov[X_n,X_2]& \cdots & cov[X_n,X_n]\end{array}\right]$$

直观理解

1. 协方差表示两个随机变量之间的线性相关性
2. 协方差矩阵中的每个元素代表了两个随机变量之间的协方差
3. 协方差矩阵表示一组随机变量之间的两两线性相关性

例子

图片和示例来源（点击进入图片来源）

有二维随机变量x和y，简便期间，我们对x和y做了去均值处理（$\bar{x}=\bar{y}=0$），所以x和y之间的协方差：$$cov[x,y]=E[(x-\bar{x})(y-\bar{y})]=E[x\cdot y]$$

如果x和y的联合分布多分布在一三象限，$x\cdot y$多为正数，则协方差为正，x和y正相关。

如果x和y的联合分布多分布在二四象限，$x\cdot y$多为负数，则协方差为负，x和y负相关。

如果x和y的几乎均匀地分散在所有象限中，则$x\cdot y$有正有负，均值接近于0，说明x和y之间没有相关性（只是说没有线性相关）。

线性相关与非线性相关

若两个向量的协方差为0，则两个向量不具备线性相关性，但它们仍然可能不独立，因为可能存在非线性的相关性。

具体的，协方差为0但不独立的原因在于：随机向量x和随机向量y之间的关系没有一阶分量，只有二阶或高阶分量（关于一阶分量、二级分量等详见泰勒公式）。

举个例子（来自知乎匿名用户）：对于随机变量x和随机变量y，有$x^2+y^2=1$，其几何关系如下图：

性质

协方差矩阵是半正定矩阵

半正定矩阵的定义:
设A是实对称矩阵。如果对任意的实非零列向量x有$x^{T}Ax\ge 0$，就称A为半正定矩阵。
半正定矩阵的性质：

1. 半正定矩阵的行列式是非负的
2. 半正定矩阵的特征值都是非负的
3. …

延伸：
实对称矩阵一定是半正定矩阵
证明：协方差矩阵是半正定的
对任意向量y:
$$\begin{gathered} y^T\Sigma y=y^{T}E[(X-\mu )(X-\mu {)}^T]y \\ =E[y^T(X-\mu )(X-\mu {)}^{T}y] \\ =E[((X-\mu {)}^{T}y{)}^T((x-\mu {)}^{T}y)] \\ =E[||(X-\mu {)}^{T}y|{|}^2]\ge 0 \end{gathered}$$

正定矩阵的定义：
A是n阶方阵，如果对任何非零向量x，都有$x^{T}Ax>0$，其中$x^T$ 表示x的转置，就称A正定矩阵
正定矩阵的性质：

1. 正定矩阵的行列式恒为正
2. 正定矩阵的特征值均为正
3. …

协方差矩阵是实对称矩阵

实对称矩阵的性质：

1. 实对称矩阵的不同特征值对应的特征向量时正交的
2. 实对称矩阵的特征值是实数，特征向量是实向量
3. 实对称矩阵必可对角化，且其相似对角矩阵的对角线元素为n个特征值

实对称矩阵的对角化：
$$P^{-1}AP=P^{-1}P\wedge =\wedge$$

其中对角矩阵$\wedge$的对角元素为矩阵A的n个特征值（n个特征值中可能重复的），P由矩阵A的特征向量组成。

与其他统计量的关系

与协方差的关系：

• 协方差矩阵的第i行第j列的元素是第i个随机向量和第j个随机向量之间的协方差
• 从协方差到协方差矩阵是从标量随机变量到高维随机向量的推广

与相关系数矩阵的关系：
相关系数矩阵为$corr(\mathbf{X})$
$\mathrm{corr}(\mathbf{X})=(\mathrm{diag}(cov(\mathbf{X}\mathbf{X})){)}^{-\frac{1}{2}}cov(\mathbf{X}\mathbf{X})(\mathrm{diag}(cov(\mathbf{X}\mathbf{X})){)}^{-\frac{1}{2}}$

延伸：PCA中对协方差矩阵的应用

详见《图文并茂的PCA教程》

Python实战

import numpy as np
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
y = np.array([9, 8, 7, 6, 5, 4, 3, 2, 1])
Sigma = np.cov(x, y)
print(Sigma)
'''输出：
[[ 7.5 -7.5][-7.5  7.5]]
'''