[今天看论文的时候又看到了协方差矩阵这个破东西，以前看模式分类的时候就特困扰，没想到现在还是搞不清楚，索性开始查协方差矩阵的资料，恶补之后决定马上记录下来，嘿嘿~
协方差矩阵
协方差也只能处理二维问题，那维数多了自然就需要计算多个协方差，比如n维的数据集就需要计算 n!(n−2)!∗2 个协方差，那自然而然我们会想到使用矩阵来组织这些数据。给出协方差矩阵的定义：
Cn∗n=(ci,j,ci,j=cov(Dimi,Dimj))
这个定义还是很容易理解的，我们可以举一个三维的例子，假设数据集有三个维度，则协方差矩阵为：
[协方差定义 在概率论和统计学中，协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。 期望值分别为E(X) = μ 与
必须要明确一点，协方差矩阵计算的是不同维度之间的协方差，而不是不同样本之间的。以下的演示将使用Matlab，为了说明计算原理，不直接调用Matlab的cov函数：
首先，随机生成一个10*3维的整数矩阵作为样本集，10为样本的个数，3为样本的维数。
>> mySample=fix(rand(10,3)*50)
mySample =
40 7 32
45 48 1
6 47 42
45 24 46
31 40 33
4 7 37
13 21 37
27 45 19
47 39 32
48 47 8
根据公式，计算协方差需要计算均值，前面特别强调了，协方差矩阵是计算不同维度之间的协方差，要时刻牢记这一点。样本矩阵的每行是一个样本，每列是一个维度，因此我们要按列计算均值。为了描述方便，我们先将三个维度的数据分别赋值：
>> dim1=mySample(:,1)
dim1 =
40
45
6
45
31
4
13
27
47
48
>> dim2=mySample(:,2)
dim2 =
7
48
47
24
40
7
21
45
39
47
>> dim3=mySample(:,3)
dim3 =
32
1
42
46
33
37
37
19
32
8
计算dim1与dim2，dim1与dim3，dim2与dim3的协方差：
>> cov12=sum((dim1-mean(dim1)).*(dim2-mean(dim2)))/(size(mySample,1)-1)
cov12 =
78
>> cov13=sum((dim1-mean(dim1)).*(dim3-mean(dim3)))/(size(mySample,1)-1)
cov13 =
-120.2444
>> cov13=sum((dim1-mean(dim1)).*(dim3-mean(dim3)))/(size(mySample,1)-1)
cov13 =
-120.2444
>> cov13=sum((dim1-mean(dim1)).*(dim3-mean(dim3)))/(size(mySample,1)-1)
cov13 =
-120.2444
>> cov23=sum((dim2-mean(dim2)).*(dim3-mean(dim3)))/(size(mySample,1)-1)
cov23 =
-126.9444
协方差矩阵的对角线上的元素就是各个维度的方差，下面我们依次计算这些方差：
>> var1=std(dim1)^2
var1 =
301.1556
>> var2=std(dim2)^2
var2 =
268.9444
>> var3=std(dim3)^2
var3 =
216.0111
这样，我们就得到了计算协方差矩阵所需要的所有数据，可以调用Matlab的cov函数直接得到协方差矩阵：
>> cov(mySample) ans = 301.1556 78.0000 -120.2444 78.0000 268.9444 -126.9444 -120.2444 -126.9444 216.0111
计算的结果，和之前的数据填入矩阵后的结果完全相同。[转自http://blog.csdn.net/ybdesire/article/details/6270328/协方差的定义 对于一般的分布，直接代入E(X)之类的就可以计算出来了，但真给你一个具体数值的分布，要计算协