Bir numunenin kovaryans matrisini hesaplarken, simetrik ve pozitif bir kesin matris elde etmek için bir garanti verilecek mi?
Şu anda benim sorunum 4600 gözlem vektörü ve 24 boyuttan oluşuyor.
Bir numunenin kovaryans matrisini hesaplarken, simetrik ve pozitif bir kesin matris elde etmek için bir garanti verilecek mi?
Şu anda benim sorunum 4600 gözlem vektörü ve 24 boyuttan oluşuyor.
Yanıtlar:
Vektörlerinin bir örnek için ile , örnek ortalaması vektördür
pozitif olarak kesin olması için ek koşul , whuber'un yorumunda yer almaktadır. Aşağıdaki gibi gider.
İ = 1 , … , n için tanımlayın . Sıfır olmayan herhangi bir için, y ∈ R k , ( * ) , ancak ve ancak, eğer sıfır z ⊤ ı y = 0 her biri için, i = 1 , ... , n . Grubu varsayalım { z 1 , ... , z , n } süreleri R, . Daha sonra, gerçek numaraları vardır , öyle ki . Fakat , , bu bir çelişkidir. Dolayısıyla, eğer ' , daha sonrapozitiftirkesin. Bu koşul,değerine eşdeğerdir.
Bir doğru kovaryans matrisi simetrik ve pozitif * her zaman yarı kesin *.
İki değişken arasındaki kovaryans, .
ve y'nin yerlerini değiştirirseniz, bu denklem değişmez . Bu nedenle matris simetrik olmak zorundadır.
Ayrıca pozitif olmalı * yarı - * kesin çünkü:
Değişkenlerinizin dönüşümünü her zaman kovaryans matrisi köşegen olacak şekilde bulabilirsiniz. Çaprazda, dönüştürülen değişkenlerinizin sıfır ya da pozitif olan varyanslarını bulursunuz, bunun dönüştürülmüş matrisin pozitif yarı-yarı-uçlu yaptığını görmek kolaydır. Bununla birlikte, tanımın tanımı dönüşüm değişmez olduğu için, kovaryans matrisinin seçilen herhangi bir koordinat sisteminde pozitif yarı yarı-sonsuz olduğu sonucuna varır.
Ne zaman tahmin senin kovaryans matrisi (olduğunu size hesaplarken, örnek kovaryansını Yukarıda belirtilen formülle), bu OBV edecektir. hala simetrik ol. Aynı zamanda pozitif yarı-yarı-açık olmalıdır (bence), çünkü her bir örnek için, her örnek noktasına eşit olasılık veren pdf , kovaryansı olarak örnek kovaryansına sahiptir (lütfen bunu doğrulayın), bu nedenle yukarıda belirtilen her şey hala geçerlidir.
Varyans-Kovaryans matrisleri her zaman simetriktir, çünkü söz konusu matrisin her bir terimini hesaplamak için gerçek denklemden ispat edilebilir.
Ayrıca, Varyans-Kovaryans matrisleri daima n boyutunda kare matrislerdir; burada n, denemenizdeki değişkenlerin sayısıdır.
Simetrik matrislerin özvektörleri her zaman ortogonaldir.
PCA ile, denemenizde kullanılan değişken sayısını azaltıp azaltamayacağınızı görmek için matrisin özdeğerlerini belirlersiniz.
Ben Zen güzel argümanına sık sık kovaryans matrisi kesin eğer olumlu olduğunu söylemek açıklıyor aşağıdaki eklersiniz .
Eğer , sürekli bir olasılık dağılımı daha sonra rasgele bir örnek vardır x 1 , x 2 , . . . , X , n (olasılık teorisi anlamda) hemen hemen kesin lineer bağımsızdır. Şimdi, z 1 , z 2 , . . . , z n doğrusal olarak bağımsız değildir , çünkü ∑ n i = 1 z i = , fakat, çünkü x 1 , x 2 , . . . , X , n , lineer bağımsız olarak varlık z 1 , z 2 , . . . , Z , n yayılma olarak R , n - 1 . Eğer , n - 1 ≥ k , aynı zamanda yayılma R k .
Eğer Sonuç olarak , sürekli bir olasılık dağılımı ve oluşan gelişigüzel bir örnek olan , n - 1 ≥ k , kovaryans matrisi kesin pozitiftir.
Benim gibi matematiksel olmayan bir geçmişe sahip olanlar için, soyut matematik formüllerini çabucak yakalayamayanlar için bu, en çok oy alan cevap için mükemmel bir örnek. Kovaryans matrisi başka şekillerde de elde edilebilir.