離散數學怎麼求COV

1. 離散數學，這個cov（A）到底怎麼求啊

如果告訴你的是關系的集合形式，如圖中的關系R1，首先去掉所有的<x,x>。其次，破壞掉關系的傳遞性：如果<x,y>，<y,z>，<x,z>都在其中，則去掉<x,z>。剩下的就是covA了。

如果告訴你的是關系圖，那麼去掉所有的環，然後還是破壞傳遞性。比如圖3-14中的(c)，去掉四個環，去掉邊<3,1>，<3,2>，<4,2>，剩下的就是哈斯圖了，寫成集合形式就是covA了。

2. 協方差cov計算公式是什麼

協方差的計算公式為cov(X,Y)=E[(X-E[X])(Y-E[Y])]，這里的E[X]代表變數X的期望。

從直觀上來看，協方差表示的是兩個變數總體誤差的期望。如果其中一個大於自身的期望值時另外一個也大於自身的期望值，兩個變數之間的協方差就是正值。

如果其中一個變數大於自身的期望值時另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。如果X與Y是統計獨立的，那麼二者之間的協方差就是0，因為兩個獨立的隨機變數滿足E[XY]=E[X]E[Y]。

協方差的特點

協方差差出了一萬倍，只能從兩個協方差都是正數判斷出兩種情況下X、Y都是同向變化，但是，一點也看不出兩種情況下X、Y的變化都具有相似性這一特點。

相關系數是協方差除以標准差，當X,Y的波動幅度變大的時候，協方差變大，標准差也會變大，相關系數的分母都變大，其實變化的趨勢是可以抵消的，協方差的取值范圍是 正無窮到負無窮，相關系數則是+1 到-1之間。

3. cov(x,y)公式是什麼

cov(x,y)公式是：

D(X)=E(X²)-E²(X)=(1.1²+1.9²+3²)/3 - 4=4.60-4=0.6 σx=0.77

D(Y)=E(Y²)-E²(Y)=(5²+10.4²+14.6²)/3-100=15.44 σy=3.93

X,Y的相關系數：

r(X,Y)=Cov(X,Y)/(σxσy)=3.02/(0.77×3.93) = 0.9979

協方差表示的是兩個變數的總體的誤差，這與只表示一個變數誤差的方差不同。 如果兩個變數的變化趨勢一致，也就是說如果其中一個大於自身的期望值，另外一個也大於自身的期望值，那麼兩個變數之間的協方差就是正值。

如果兩個變數的變化趨勢相反，即其中一個大於自身的期望值，另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。

若兩個隨機變數X和Y相互獨立，則E[(X-E(X))(Y-E(Y))]=0，因而若上述數學期望不為零，則X和Y必不是相互獨立的，亦即它們之間存在著一定的關系。

協方差與方差之間有如下關系：

D(X+Y)=D(X)+D(Y)+2Cov(X，Y)

D(X-Y)=D(X)+D(Y)-2Cov(X，Y)

協方差與期望值有如下關系：

Cov(X，Y)=E(XY)-E(X)E(Y)。

協方差的性質：

（1）Cov(X，Y)=Cov(Y，X)；

（2）Cov(aX，bY)=abCov(X，Y)，（a，b是常數）；

（3）Cov(X1+X2，Y)=Cov(X1，Y)+Cov(X2，Y)。

由協方差定義，可以看出Cov(X，X)=D(X)，Cov(Y，Y)=D(Y)。

設X和Y是隨機變數，若E(X^k)，k=1，2，...存在，則稱它為X的k階原點矩，簡稱k階矩。

若E{[X-E(X)]k}，k=1，2，...存在，則稱它為X的k階中心矩。

若E{(X^k）（Y^p)}，k、l=1，2，...存在，則稱它為X和Y的k+p階混合原點矩。

若E{[X-E(X)]^k[Y-E(Y)]^l }，k、l=1，2，...存在，則稱它為X和Y的k+l階混合中心矩。

顯然，X的數學期望E(X)是X的一階原點矩，方差D(X)是X的二階中心矩，協方差Cov(X，Y)是X和Y的二階混合中心矩。

4. 離散數學cov A的求法

先畫出哈斯圖：

然後求覆蓋，也即找哈斯圖中的兩個相鄰點之間的線段（中間不經過第三點）

即有：<1,2>,<1,3>,...,<6,12>

5. 離散數學這個蓋住covA到底怎麼看的

去掉所有的<x,x>，再破壞掉傳遞性：若<x,y>，<y,z>，<x,z>都在，則去掉<x,z>。剩下的就是covA。

用R表示關系。

若aRb，且不存在c，使得aRc且cRb，則稱b蓋住a。

對於本題來說就是，1整除4，2整除4，但是1整除2，所以4不能蓋住1

求覆蓋，也即找哈斯圖中的兩個相鄰點之間的線段（中間不經過第三點）

即有：<1,2>,<1,3>,...,<6,12>

(5)離散數學怎麼求COV擴展閱讀：

①若b|a，c|a，且b和c互質，則bc|a。

②對任意非零整數a，±a|a=±1。

③若a|b，b|a，則|a|=|b|。

④如果a能被b整除，c是任意整數，那麼積ac也能被b整除。

⑤對任意整數a，b>0，存在唯一的數對q，r，使a=bq+r，其中0≤r<b，這個事實稱為帶余除法定理，是整除理論的基礎。

6. 概率論的 如果能解釋一下這種離散型的求協方差就更好了 求cov(x,y)

COV(X，Y)=E(XY)-E(X)E(Y)

先求X，Y的邊緣分布律，然後再求期望
E（XY）＝0×0.4＋（－1）×0,3＋1×0.3＝0
E（X）＝0×0.3＋1×0.7＝0.7
E（Y）＝（－1）×0.4＋0×0.1＋1×0.3＝－0.1
cov（xy）＝0．7
滿意的話，請採納，謝謝

7. 設離散型隨機向量(X,Y)的分布律如下 ,求Cov(X,Y)

解：E(Y)=1*(0.12+0.03+0.15)+3*(0.05+0.25+0.20)+5*(0.15+0.02+0.03)；

E(X)=1*(0.12+0.05+0.15)+2*(0.03+0.25+0.02)+3*(0.15+0.20+0.03)；

E(XY)=1*1*0.12+1*2*0.03+1*3*0.15

+3*1*0.05+3*2*0.25+3*3*0.20

+5*1*0.15+5*2*0.02+5*3*0.03；

Cov(X,Y)=E(XY)-E(X)E(Y)。

(7)離散數學怎麼求COV擴展閱讀：

數值分析的主要分支致力於開發矩陣計算的有效演算法，這是一個已持續幾個世紀以來的課題，是一個不斷擴大的研究領域。 矩陣分解方法簡化了理論和實際的計算。

針對特定矩陣結構（如稀疏矩陣和近角矩陣）定製的演算法在有限元方法和其他計算中加快了計算。 無限矩陣發生在行星理論和原子理論中。 無限矩陣的一個簡單例子是代表一個函數的泰勒級數的導數運算元的矩陣

8. 離散型隨機變數x,y,一直x y的概率,如何求cov(x,y)

cov(x,y)=E(XY)-E(X)E(Y)

9. cov(x1,x2)怎麼算

cov（x1，x2）要求的是協方差，協方差可以根據x1和x2的期望以及x1和x2聯合起來的期望計算，具體的公式可以表達為cov（x1，x2）=E（x1x2）-E（x1）E（x2）。

協方差有時也稱為是兩個隨機變數之間「線性獨立性」的度量，但是這個含義與線性代數中嚴格的線性獨立性不同。

當兩個變數的變化趨勢相反，即其中一個大於自身的期望值，另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。

協方差的一些簡單性質：

1、Cov（X，Y）=Cov（Y，X）。

2、Cov（aX，bY）=abCov（X，Y），（其中a，b是常數）。

3、Cov（X1+X2，Y）=Cov（X1，Y）+Cov（X2，Y）。

4、Cov（X+a，Y+b）=Cov（X，Y）。

根據協方差定義不難得出出Cov（X，X）=D（X），Cov（Y，Y）=D（Y）。

協方差與方差之間的關系：

D（X+Y）=D（X）+D（Y）+2Cov（X，Y）。

D（X-Y）=D（X）+D（Y）-2Cov（X，Y）。

以上內容參考：網路-協方差