Dieser Artikel behandelt die Kovarianzmatrix als Kenngröße der multivariaten Wahrscheinlichkeitsverteilung eines Zufallsvektors. Für die Kovarianzmatrix einer mehrdimensionalen Stichprobe siehe Stichprobenkovarianz.
In der Stochastik ist die Kovarianzmatrix die Verallgemeinerung der Varianz einer eindimensionalen Zufallsvariable auf eine mehrdimensionale Zufallsvariable, d. h. auf einen Zufallsvektor.
Die Elemente auf der Hauptdiagonalen der Kovarianzmatrix stellen die jeweiligen Varianzen dar, und alle übrigen Elemente Kovarianzen.
Die Kovarianzmatrix wird auch Varianz-Kovarianzmatrix oder selten Streuungsmatrix bzw. Dispersionsmatrix (lateinischdispersio „Zerstreuung“, von dispergere „verteilen, ausbreiten, zerstreuen“) genannt und ist eine positiv semidefinite Matrix.
Sind alle Komponenten des Zufallsvektors linear unabhängig, so ist die Kovarianzmatrix positiv definit.
d. h. der Erwartungswert des Zufallsvektors ist der Vektor der Erwartungswerte. Eine Kovarianzmatrix für den Zufallsvektor lässt sich wie folgt definieren:[1]
Die Kovarianzmatrix wird mit , oder notiert und die Kovarianzmatrix der asymptotischen Verteilung einer Zufallsvariablen mit oder . Die Kovarianzmatrix und der Erwartungswertvektor sind die wichtigsten Kenngrößen einer Wahrscheinlichkeitsverteilung. Sie werden bei einer Zufallsvariablen als Zusatzinformationen wie folgt angegeben: . Die Kovarianzmatrix als Matrix aller paarweisen Kovarianzen der Elemente des Zufallsvektors enthält Informationen über seine Streuung und über Korrelationen zwischen seinen Komponenten.
Wenn keine der Zufallsvariablen degeneriert ist (d. h. wenn keine von ihnen eine Varianz von Null aufweist) und kein exakter linearer Zusammenhang zwischen den vorliegt, dann ist die Kovarianzmatrix positiv definit.[1] Man spricht außerdem von einer skalaren Kovarianzmatrix, wenn alle Außerdiagonaleinträge der Matrix Null sind und die Diagonalelemente dieselbe positive Konstante darstellen.[2]
Für gilt: . Somit enthält die Kovarianzmatrix auf der Hauptdiagonalen die Varianzen der einzelnen Komponenten des Zufallsvektors. Alle Elemente auf der Hauptdiagonalen sind daher nichtnegativ.
Eine reelle Kovarianzmatrix ist symmetrisch, da die Kovarianz zweier Zufallsvariablen symmetrisch ist.
Die Kovarianzmatrix ist positiv semidefinit: Aufgrund der Symmetrie ist jede Kovarianzmatrix mittels Hauptachsentransformationdiagonalisierbar, wobei die Diagonalmatrix wieder eine Kovarianzmatrix ist. Da auf der Diagonale nur Varianzen stehen, ist die Diagonalmatrix folglich positiv semidefinit und somit auch die ursprüngliche Kovarianzmatrix.
Umgekehrt kann jede symmetrische positiv semidefinite -Matrix als Kovarianzmatrix eines -dimensionalen Zufallsvektors aufgefasst werden.
Aufgrund der Diagonalisierbarkeit, wobei die Eigenwerte (auf der Diagonale) wegen der positiven Semidefinitheit nicht-negativ sind, können Kovarianzmatrizen als Ellipsoide dargestellt werden.
Ist der Erwartungswertvektor, so lässt sich mit dem Verschiebungssatz von Steiner angewandt auf mehrdimensionale Zufallsvariablen zeigen, dass
.
Hierbei sind Erwartungswerte von Vektoren und Matrizen komponentenweise zu verstehen.
Ein Zufallsvektor, der einer gegebenen Kovarianzmatrix gehorchen und den Erwartungswert haben soll, kann wie folgt simuliert werden: zunächst ist die Kovarianzmatrix zu zerlegen (z. B. mit der Cholesky-Zerlegung):
.
Anschließend lässt sich der Zufallsvektor berechnen zu
mit einem (anderen) Zufallsvektor mit voneinander unabhängigen standardnormalverteilten Komponenten.
Die Effizienz bzw. Präzision eines Punktschätzers lässt sich mittels der Varianz-Kovarianzmatrix messen, da diese die Informationen über die Streuung des Zufallsvektors zwischen seinen Komponenten enthält. Im Allgemeinen gilt, dass sich die Effizienz eines Parameterschätzers anhand der „Größe“ seiner Varianz-Kovarianzmatrix messen lässt. Es gilt je „kleiner“ die Varianz-Kovarianzmatrix, desto größer die Effizienz des Schätzers. Seien und zwei unverzerrte Zufallsvektoren. Wenn ein Zufallsvektor ist, dann ist eine positiv definite und symmetrische Matrix. Man kann sagen, dass „kleiner“ ist als in Sinne der Loewner-Halbordnung, d. h., dass eine positiv semidefinite Matrix ist.[3]
Eine Schätzung der Korrelationsmatrix in der Grundgesamtheit erhält man, indem man die Varianzen und Kovarianzen in der Grundgesamtheit und durch die empirischen Varianzen und empirischen Kovarianzen (ihre empirischen Gegenstücke) und ersetzt (sofern die -Variablen Zufallsvariablen darstellen schätzen die die Parameter in der Grundgesamtheit).
↑ abGeorge G. Judge, R. Carter Hill, William E. Griffiths, Helmut Lütkepohl, Tsoung-Chao Lee: Introduction to the Theory and Practice of Econometrics. 2. Auflage. John Wiley & Sons, New York NY u. a. 1988, ISBN 0-471-62414-4, S. 43.
↑Jeffrey M. Wooldridge: Introductory econometrics. A modern approach. 5th edition, international edition. South-Western Cengage Learning, Mason OH u. a. 2013, ISBN 978-1-111-53439-4, S. 857.
↑George G. Judge, R. Carter Hill, William E. Griffiths, Helmut Lütkepohl, Tsoung-Chao Lee: Introduction to the Theory and Practice of Econometrics. 2. Auflage. John Wiley & Sons, New York NY u. a. 1988, ISBN 0-471-62414-4, S. 78.
↑Lukas On Arnold, Muhsen Owaida: Single-Pass Covariance Matrix Calculation on a Hybrid FPGA/CPU Platform. In: Caterina Doglioni, Doris Kim, Graeme A. Stewart, Lucia Silvestris, Paul Jackson, Waseem Kamleh (Hrsg.): 24th International Conference on Computing in High Energy and Nuclear Physics (CHEP 2019). Adelaide, Australia, November 4–8, 2019 (= The European Physical Journal. Web of Conferences. 245, ISSN2100-014X). EDP Sciences, Les Ulis 2020, (online).