协方差公式 cov(x-2y,2x+3y)=2Dx-cov(x,y)-6Dy 我课本上没出现这个公式··茫然··

协方差cov计算公式是：cov(x,y)=EXY－EX*EYEX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY。协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论。扩展资料如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。如果X与Y是统计独立的，那么二者之间的协方差就是0，因为两个独立的随机变量满足E[XY]=E[X]E[Y]。但是，反过来并不成立。即如果X与Y的协方差为0，二者并不一定是统计独立的。

标准差 D (X ) = E [X - E(X)]2 根号D (X )为 X 的均方差或标准差 常用公式D(X)=E(X2)-E2(X) 协方差 COV（X,Y）=E([X-E(X)][Y-E(Y)]) 相关系数 协方差/[根号D（X）*根号D（Y）]

1、标准差计算公式是标准差σ=方差开平方。标准差，中文环境中又常称均方差，是离均差平方的算术平均数的平方根，用σ表示。在概率统计中最常使用作为统计分布程度上的测量。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。 2、协方差cov计算公式是：cov(x,y)=EXY－EX*EY。 3、相关系数介于区间[-1，1]内。当相关系数为-1，表示完全负相关，表明两项资产的收益率变化方向和变化幅度完全相反。当相关系数为+1时，表示完全正相关，表明两项资产的收益率变化方向和变化幅度完全相同。当相关系数为0时，表示不相关。

方差和期望的关系公式：DX=EX^2-(EX)^2。若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续性随机变量，f(x)称为X的概率密度函数（分布密度函数）。将第一个公式中括号内的完全平方打开得到：DX=E(X^2-2XEX+(EX)^2)=E(X^2)-E(2XEX)+(EX)^2=E(X^2)-2(EX)^2+(EX)^2=E(X^2)-(EX)^2，离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。方差计算注意事项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。（结合下面的2理解，每个样本有很多特征，每个特征就是一个维度）。根据公式，计算协方差需要计算均值，那是按行计算均值还是按列，协方差矩阵是计算不同维度间的协方差，要时刻牢记这一点。望采纳

先帮他求解的时候，根据他这个性质还有就是具体的运算过程，我们可以找到一个最简单的优化证明方法是非常简单的。

实际上协方差的公式是这样表达的：cov(A，B)=stdA*stdB*cor(A，B)其中stdA为资产组合A的标准差，stdB为资产组合B的标准差，cor(A，B)为资产组合A和B之间的相关系数。（你提供的协方差=相关系数*Var1*Var2公式并不正确，若要这样表达应为协方差=相关系数*(Var1*Var2)^(1/2)）故此根据上述的式子和数据可得cov(A，B)=stdA*stdB*cor(A，B)=2.24%*2.24%*1=0.0005注意对于协议差的计算应该要忽略两个组合之间的所占的投资比例，原因是协议差的计算并不涉及相关比例的问题，而对于两个投资组合的方差则要考虑到投资所占比例问题，原因是在这个计算中投资比例会影响方差的结果，这是两个投资组合的方差公式：VAR(A，B)=x^2*varA+(1-x)^2*varB+2x(1-x)*cov(A，B)注：X为投资组合A所占的投资比例，故此投资组合了相应的投资比例为1-X

六个常见分布的期望和方差：1、均匀分布，期望是（a+b）/2，方差是（b-a）的平方/12。2、二项分布，期望是np，方差是npq。3、泊松分布，期望是p，方差是p。4、指数分布，期望是1/p,方差是1/(p的平方)。5、正态分布，期望是u，方差是&的平方。6、x服从参数为p的0-1分布，则e(x)=p，d(x)=p(1-p)。方差计算注意事项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，结合下面的2理解，每个样本有很多特征，每个特征就是一个维度。根据公式，计算协方差需要计算均值，那是按行计算均值还是按列，协方差矩阵是计算不同维度间的协方差，要时刻牢记这一点。

Excel里面有两个协方差函数：COVARIANCE.P和COVARIANCE.S其中：COVARIANCE.P的公式如下，用来计算全集：COVARIANCE.S的公式如下，用来计算样本：用法如下：

一共应该有四项

协方差公式Sxy=cov(X,Y)=E[(x-E(X))(y-E(Y))]均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替。标准误差对一组测量中的特大或特小误差反映非常敏感，所以，标准误差能够很好地反映出测量的精密度。这正是标准误差在工程测量中广泛被采用的原因。因此，标准差是用来衡量一组数自身的离散程度，而均方根误差是用来衡量观测值同真值之间的偏差，它们的研究对象和研究目的不同，但是计算过程类似。

方差和协方差都是描述随机变量之间关系的统计量，它们之间的关系公式如下：。协方差公式：$cov(X，Y)=E[(X-mu_X)(Y-mu_Y)]$，方差公式：$Var(X)=E[(X-mu_X)^2]$，其中，$cov(X，Y)$表示X和Y的协方差，$E$表示期望，$Var(X)$表示X的方差，$mu_X$和$mu_Y$分别表示X和Y的均值。可以看出，方差是协方差的一种特殊情况，即当X和Y是同一个随机变量时，它们的协方差就是方差。此外，协方差还可以通过两个随机变量的相关系数来计算，即$cov(X，Y)= ho_{XY}sigma_Xsigma_Y$，其中$ ho_{XY}$表示X和Y的相关系数，$sigma_X$和$sigma_Y$分别表示X和Y的标准差。

方差和协方差转换公式是Cov(x，y)=E（XY）-E（X）*E（Y）。方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。方差是衡量源数据和期望值相差的度量值。方差在统计描述和概率分布中各有不同的定义，并有不同的公式。

相关系数和协方差关系如下：1、相关系数与协方差一定是在投资组合中出现的，只有组合才有相关系数和协方差。单个资产是没有相关系数和协方差之说的。2、相关系数和协方差的变动方向是一致的，相关系数的负的，协方差一定是负的。3、相关系数是变量之间相关程度的指标根据协方差的公式可知，协方差与相关系数的正负号相同，但是协方差是相关系数和两证券的标准差的乘积，所以协方差表示两种证劵之间共同变动的程度。资料扩展：相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母r表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。相关表和相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。

你是自考的吧,我也在找E(XY)怎么算的啊~!!!

A的预期收益率 0.15*20%+0.20*5%+0.30*40%+0.45*35%=31.25% B的预期收益率 0.05*20%+0.10*5%+0.05*40%+0.15*35%=8.75% 协方差 20%*（0.15-31.25%）（0.05-8.75%）+5%*（0.20-31.25%）(0.10-8.75%)+40%(0.30-31.25%)(0.05-8.75%)+35%*(0.45-31.25%)(0.15-8.75)= 不容易 呀这么多数字,强烈要求加分

你好！D(A+B)=D(A)+D(B)+2*COV(A,B).p=COV(A,B)/［√D(A)*√D(B)］得COV(A,B)=0.4/30。由此求出D(A+B)D(A-B)同理

协方差cov计算公式是：cov(x,y)=EXY－EX*EYEX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY。协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论。扩展资料如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。如果X与Y是统计独立的，那么二者之间的协方差就是0，因为两个独立的随机变量满足E[XY]=E[X]E[Y]。但是，反过来并不成立。即如果X与Y的协方差为0，二者并不一定是统计独立的。

协方差cov计算公式是：cov(x,y)=EXY－EX*EYEX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY。协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论。扩展资料如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。如果X与Y是统计独立的，那么二者之间的协方差就是0，因为两个独立的随机变量满足E[XY]=E[X]E[Y]。但是，反过来并不成立。即如果X与Y的协方差为0，二者并不一定是统计独立的。

　　1、公式：cov(x,y)=EXY-EX*EY 协方差的定义,EX为随机变量X的数学期望,同理,EXY是XY的数学期望。 　　2、协方差（Covariance）在概率论和统计学中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。 　　3、协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。

1、公式：cov(x,y)=EXY-EX*EY协方差的定义,EX为随机变量X的数学期望,同理,EXY是XY的数学期望。2、协方差（Covariance）在概率论和统计学中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。3、协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。

1、公式：cov(x,y)=EXY-EX*EY 协方差的定义,EX为随机变量X的数学期望,同理,EXY是XY的数学期望。 2、协方差（Covariance）在概率论和统计学中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。 3、协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。

1、公式：cov(x,y)=EXY-EX*EY 协方差的定义,EX为随机变量X的数学期望,同理,EXY是XY的数学期望。 2、协方差（Covariance）在概率论和统计学中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。 3、协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。

D(X-Y)=D(X)+D(Y)-2Cov(X,Y) ，其中Cov(X,Y) 为X,Y的协方差。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。扩展资料如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。如果X与Y是统计独立的，那么二者之间的协方差就是0，因为两个独立的随机变量满足E[XY]=E[X]E[Y]。但是，反过来并不成立。即如果X与Y的协方差为0，二者并不一定是统计独立的。

两个不同参数之间的方差就是协方差 若两个随机变量X和Y相互独立，则E[(X-E(X))(Y-E(Y))]=0，因而若上述数学期望不为零，则X和Y必不是相互独立的，亦即它们之间存在着一定的关系。 定义 E[(X-E(X))(Y-E(Y))]称为随机变量X和Y的协方差，记作COV(X，Y)，即COV(X，Y)=E[(X-E(X))(Y-E(Y))]。 协方差与方差之间有如下关系： D(X+Y)=D(X)+D(Y)+2COV(X，Y) D(X-Y)=D(X)+D(Y)-2COV(X，Y) 因此，COV(X，Y)=E(XY)-E(X)E(Y)。 [编辑本段]协方差的性质 （1）COV(X，Y)=COV(Y，X)； （2）COV(aX，bY)=abCOV(X，Y)，（a，b是常数）； （3）COV(X1+X2，Y)=COV(X1，Y)+COV(X2，Y)。 由协方差定义，可以看出COV(X，X)=D(X)，COV(Y，Y)=D(Y)。 协方差作为描述X和Y相关程度的量，在同一物理量纲之下有一定的作用，但同样的两个量采用不同的量纲使它们的协方差在数值上表现出很大的差异。为此引入如下概念： 定义 ρXY=COV(X，Y)/√D(X)√D(Y)，称为随机变量X和Y的相关系数。 定义 若ρXY=0，则称X与Y不相关。 即ρXY=0的充分必要条件是COV(X，Y)=0，亦即不相关和协方差为零是等价的。 定理 设ρXY是随机变量X和Y的相关系数，则有 （1）∣ρXY∣≤1； （2）∣ρXY∣=1充分必要条件为P{Y=aX+b}=1，（a，b为常数，a≠0） 定义 设X和Y是随机变量，若E(X^k)，k=1，2，...存在，则称它为X的k阶原点矩，简称k阶矩。 若E{[X-E(X)]^k}，k=1，2，...存在，则称它为X的k阶中心矩。 若E(X^kY^l)，k、l=1，2，...存在，则称它为X和Y的k+l阶混合原点矩。 若E{[X-E(X)]^k[Y-E(Y)]^l}，k、l=1，2，...存在，则称它为X和Y的k+l阶混合中心矩。 显然，X的数学期望E(X)是X的一阶原点矩，方差D(X)是X的二阶中心矩，协方差COV(X，Y)是X和Y的二阶混合中心矩。 [编辑本段]协方差在农业上的应用 农业科学实验中，经常会出现可以控制的质量因子和不可以控制的数量因子同时影响实验结果的情况，这时就需要采用协方差分析的统计处理方法，将质量因子与数量因子(也称协变量)综合起来加以考虑。 比如，要研究3种肥料对苹果产量的实际效应，而各棵苹果树头年的“基础产量”不一致，但对试验结果又有一定的影响。要消除这一因素带来的影响，就需将各棵苹果树第1年年产量这一因素作为协变量进行协方差分析，才能得到正确的实验结果。a = -1 1 2 -2 3 1 4 0 3for i=1:size(a,2) for j=1:size(a,2) c(i,j)=sum((a(:,i)-mean(a(:,i))).*(a(:,j)-mean(a(:,j))))/(size(a,1)-1); end endc = 10.3333 -4.1667 3.0000 -4.1667 2.3333 -1.5000 3.0000 -1.5000 1.0000 c为求得的协方差矩阵，在matlab以矩阵a的每一列为变量，对应的每一行为样本。这样在矩阵a中就有3个列变量分别为a（:,1), a(:,2), a(:,3)。 在协方差矩阵c中，每一个元素c(i,j)为对第i列与第j列的协方差，例如c(1,2) = -4.1667为第一列与第二列的协方差。 拿c(1,2)的求解过程来说 c(1,2)=sum((a(:,1)-mean(a(:,1))).*(a(:,2)-mean(a(:,2))))/(size(a,1)-1); 1. a(:,1)-mean(a(:,1))，第一列的元素减去该列的均值得到 -1.3333 -2.3333 3.66672, a(:,2)-mean(a(:,2))，第二列的元素减去该列的均值得到 -0.3333 1.6667 -1.33333, 再将第一步与第二部的结果相乘 -1.3333 -0.3333 0.4444 -2.3333 .* 1.6667 = -3.8889 3.6667 -1.3333 -4.88894, 再将结果求和/size(a,1)-1 得 -4.1667,该值即为c（1,2）的值。再细看一下是不是与协方差公式：Cov(X,Y) = E{ [ (X-E(X) ] [ (Y-E(Y) ] } 过程基本一致呢，只是在第4步的时候matlab做了稍微的调整，自由度为n-1，减少了一行的样本值个数。已知协方差求其特征值：先写出协方差矩阵s,再调用eig(s)这个库函数，调用方法：[ev,ed]=eig(s).ed为特征值矩阵，ev特征向量矩阵，排列顺序：从低阶到高阶。》s=[2291.333 1340 1934 2523.333 1245.333 2482； 1340 956.6667 1596 1401.333 883.3333 1480；1934 1596 4281.667 1436.667 1663 1945.667；2523.333 1401.333 1436.667 2984.667 1236 2800.667； 1245.333 883.333 1663 1236 843 1343；2482 1480 1945.667 2800.667 1343 2729.667]》[ev,ed]=eig(s) 先写出协方差矩阵s,再调用eig(s)这个库函数，调用方法：[ev,ed]=eig(s).ed为特征值矩阵，ev特征向量矩阵，排列顺序：从低阶到高阶。》s=[2291.333 1340 1934 2523.333 1245.333 2482； 1340 956.6667 1596 1401.333 883.3333 1480；1934 1596 4281.667 1436.667 1663 1945.667；2523.333 1401.333 1436.667 2984.667 1236 2800.667； 1245.333 883.333 1663 1236 843 1343；2482 1480 1945.667 2800.667 1343 2729.667]》[ev,ed]=eig(s)

标准差 D (X ) = E [X - E(X)]2 根号D (X )为 X 的均方差或标准差 常用公式D(X)=E(X2)-E2(X) 协方差 COV（X,Y）=E([X-E(X)][Y-E(Y)]) 相关系数 协方差/[根号D（X）*根号D（Y）]

方差和期望的关系公式：DX=EX^2-(EX)^2。若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续性随机变量，f(x)称为X的概率密度函数（分布密度函数）。将第一个公式中括号内的完全平方打开得到：DX=E(X^2-2XEX+(EX)^2)=E(X^2)-E(2XEX)+(EX)^2=E(X^2)-2(EX)^2+(EX)^2=E(X^2)-(EX)^2，离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。方差计算注意事项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。（结合下面的2理解，每个样本有很多特征，每个特征就是一个维度）。根据公式，计算协方差需要计算均值，那是按行计算均值还是按列，协方差矩阵是计算不同维度间的协方差，要时刻牢记这一点。

关于致期望收首率，方差，协方差，相关系数的计算工式，可以查阅一下相关资料

你好，请采纳！cov(x,y)=EXY－EX*EY协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论举例：Xi 1.1 1.9 3Yi 5.0 10.4 14.6E(X) = (1.1+1.9+3)/3=2E(Y) = (5.0+10.4+14.6)/3=10E(XY)=(1.1×5.0+1.9×10.4+3×14.6)/3=23.02Cov(X,Y)=E(XY)-E(X)E(Y)=23.02-2×10=3.02此外：还可以计算：D(X)=E(X^2)-E^2(X)=(1.1^2+1.9^2+3^2)/3 - 4=4.60-4=0.6 σx=0.77D(Y)=E(Y^2)-E^2(Y)=(5^2+10.4^2+14.6^2)/3-100=15.44 σy=3.93X,Y的相关系数：r(X,Y)=Cov(X,Y)/(σxσy)=3.02/(0.77×3.93) = 0.9979表明这组数据X,Y之间相关性很好!

协方差cov计算公式是：cov(x,y)=EXY－EX*EYEX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY。协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论。扩展资料如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。如果X与Y是统计独立的，那么二者之间的协方差就是0，因为两个独立的随机变量满足E[XY]=E[X]E[Y]。但是，反过来并不成立。即如果X与Y的协方差为0，二者并不一定是统计独立的。

1、cov(x,y)=EXY－EX*EY。 2、协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY。 3、协方差（Covariance）在概率论和统计学中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。 4、协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。

cov(x,y)=EXY－EX*EY协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY举例：Xi 1.1 1.9 3Yi 5.0 10.4 14.6E(X) = (1.1+1.9+3)/3=2E(Y) = (5.0+10.4+14.6)/3=10E(XY)=(1.1×5.0+1.9×10.4+3×14.6)/3=23.02　Cov(X,Y)=E(XY)-E(X)E(Y)=23.02-2×10=3.02　　此外：还可以计算：D(X)=E(X^2)-E^2(X)=(1.1^2+1.9^2+3^2)/3 - 4=4.60-4=0.6 σx=0.77D(Y)=E(Y^2)-E^2(Y)=(5^2+10.4^2+14.6^2)/3-100=15.44 σy=3.93X,Y的相关系数：r(X,Y)=Cov(X,Y)/(σxσy)=3.02/(0.77×3.93) = 0.9979　表明这组数据X,Y之间相关性很好。扩展资料协方差（Covariance）在概率论和统计学中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。协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差Cov(X,Y)定义为：从直观上来看，协方差表示的是两个变量总体误差的期望。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。如果X与Y是统计独立的，那么二者之间的协方差就是0，因为两个独立的随机变量满足E[XY]=E[X]E[Y]。但是，反过来并不成立。即如果X与Y的协方差为0，二者并不一定是统计独立的。协方差Cov(X,Y)的度量单位是X的协方差乘以Y的协方差。而取决于协方差的相关性，是一个衡量线性独立的无量纲的数。协方差为0的两个随机变量称为是不相关的。参考资料：百度百科协方差

方差和期望的关系公式：DX=EX^2-(EX)^2。若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续性随机变量，f(x)称为X的概率密度函数（分布密度函数）。将第一个公式中括号内的完全平方打开得到：DX=E(X^2-2XEX+(EX)^2)=E(X^2)-E(2XEX)+(EX)^2=E(X^2)-2(EX)^2+(EX)^2=E(X^2)-(EX)^2，离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。方差计算注意事项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。（结合下面的2理解，每个样本有很多特征，每个特征就是一个维度）。根据公式，计算协方差需要计算均值，那是按行计算均值还是按列，协方差矩阵是计算不同维度间的协方差，要时刻牢记这一点。

自协方差在统计学中，特定时间序列或者连续信号Xt的自协方差是信号与其经过时间平移的信号之间的协方差。如果序列的每个状态都有一个平均数E[Xt] = μt，那么自协方差为其中 E 是期望值运算符。如果Xt是二阶平稳过程，那么有更加常见的定义：其中k是信号移动的量值，通常称为延时。如果用方差σ^2 进行归一化处理，那么自协方差就变成了自相关系数R(k)，即有些学科中自协方差术语等同于自相关。扩展资料在有限的二阶矩的情况下，两个共同分布的实值随机变量X和Y之间的协方差被定义为它们偏离各自期望值的期望乘积。但协方差的计算有多种形式，和定义的一般格式有所区别。需要注意，如果用协方差计算相关系数。协方差中的X,Y已经假设样本数据为全体数据的集合。此时，协方差公式中的标准差计算时，需要除以N而不是N-1。参考资料：百度百科-协方差计算

1、cov(x,y)=EXY－EX*EY。 2、协方差的定义，EX为随机变量X的数学期望，同理，EXY是XY的数学期望，挺麻烦的，建议你看一下概率论cov(x,y)=EXY－EX*EY。 3、协方差（Covariance）在概率论和统计学中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。 4、协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。

在统计学中，cov(x, y)表示随机变量 x 和 y 之间的协方差（covariance）。协方差用来衡量两个随机变量的线性关系程度，即它们的变化趋势是否同向或反向。协方差可以通过以下公式计算：cov(x, y) = E[(x - μx)(y - μy)]其中，E表示期望值（即均值），μx表示变量 x 的均值，μy表示变量 y 的均值。简而言之，计算协方差的步骤是：1. 对于每一个样本，分别将 x 和 y 的值减去各自的均值2. 将每个样本的 x 和 y 的差乘在一起3. 对所有的差乘值取平均值，即计算期望值协方差的值可以为正、负或零，表示两个变量之间的线性关系的方向和强度。具体解释如下：- 正值表示两个变量具有正向线性关系，即当一个变量增加时，另一个变量也倾向于增加。- 负值表示两个变量具有负向线性关系，即当一个变量增加时，另一个变量倾向于减少。- 零表示两个变量之间没有线性关系。需要注意的是，协方差无法直接比较两个变量之间的关系强度，因为它的大小受到变量尺度的影响。为了比较变量之间的关系强度，常常使用相关系数来标准化协方差。

COV（X，Y）=E{[X-E（X)][Y-E（Y）]}=E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y)=E（XY）-EXEY不懂追问，望你采纳

标准差D(X)=E[X-E(X)]2根号D(X)为X的均方差或标准差常用公式D(X)=E(X2)-E2(X)协方差COV（X，Y）=E([X-E(X)][Y-E(Y)])相关系数协方差/[根号D（X）*根号D（Y）]

自协方差在统计学中，特定时间序列或者连续信号Xt的自协方差是信号与其经过时间平移的信号之间的协方差。如果序列的每个状态都有一个平均数E[Xt] = μt，那么自协方差为其中 E 是期望值运算符。如果Xt是二阶平稳过程，那么有更加常见的定义：其中k是信号移动的量值，通常称为延时。如果用方差σ^2 进行归一化处理，那么自协方差就变成了自相关系数R(k)，即有些学科中自协方差术语等同于自相关。扩展资料在有限的二阶矩的情况下，两个共同分布的实值随机变量X和Y之间的协方差被定义为它们偏离各自期望值的期望乘积。但协方差的计算有多种形式，和定义的一般格式有所区别。需要注意，如果用协方差计算相关系数。协方差中的X,Y已经假设样本数据为全体数据的集合。此时，协方差公式中的标准差计算时，需要除以N而不是N-1。参考资料：百度百科-协方差计算

dw与相关系数的公式如下。根据标准差公式：D(X)=E(X2)-E2(X)；协方差公式：COV（X，Y）=E([X-E(X)][Y-E(Y)])；相关系数公式：协方差/[根号D（X）*根号D（Y）]。

随机变量：ξ0，数学期望：Eξ1，方差：若E(ξ-Eξ)^2存在，则称Dξ=E(ξ-Eξ)^2为随机变量ξ的方差；称√Dξ为ξ的标准差。2，协方差：给定二维随机变量ξ(ξ1,ξ2)，若：E[(ξ1-Eξ1)(ξ2-Eξ2)]存在，则称其为随机变量(ξ1，ξ2)的协方差，记为：cov(ξ1，ξ2)=E[(ξ1-Eξ1)(ξ2-Eξ2)]3，记：r(ξ1，ξ2)=cov(ξ1，ξ2)/[Dξ1Dξ2]^0.5=E[(ξ1-Eξ1)(ξ2-Eξ2)]/[Dξ1Dξ2]^0.5（Dξ1，Dξ2均大于零）称：上式为ξ1，ξ2的‘相关系数"或‘标准协方差"。4，以上可知方差、协方差、相关系数之间的相互关系。

协方差：协方差表示的是两个变量的总体的误差.如果两个变量的变化趋势一致,也就是说如果其中一个大于自身的期望值,另外一个也大于自身的期望值,那么两个变量之间的协方差就是正值.如果两个变量的变化趋势相反,即其中一个大于自身的期望值,另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值. 协方差公式:X,Y为两个随机变量；COV(X,Y)=E[(X-E(X))(Y-E(Y))]

标准差 D(X)=E[X-E(X)]2 根号D(X)为X的均方差或标准差 常用公式D(X)=E(X2)-E2(X) 协方差 COV（X，Y）=E([X-E(X)][Y-E(Y)]) 相关系数 协方差/[根号D（X）*根号D（Y）]

　　协方差分析是建立在方差分析和回归分析基础之上的一种统计分析方法。下面是我给大家带来的2017广东高一数学协方差公式，希望对你有帮助。 　　高一数学协方差公式 　　两个不同参数之间的方差就是协方差 若两个随机变量X和Y相互独立，则E[(X-E(X))(Y-E(Y))]=0，因而若上述数学期望不为零，则X和Y必不是相互独立的，亦即它们之间存在着一定的关系。 　　定义 　　E[(X-E(X))(Y-E(Y))]称为随机变量X和Y的协方差，记作COV(X，Y)，即COV(X，Y)=E[(X-E(X))(Y-E(Y))]。 　　协方差与方差之间有如下关系： 　　D(X+Y)=D(X)+D(Y)+2COV(X，Y) 　　D(X-Y)=D(X)+D(Y)-2COV(X，Y) 　　协方差与期望值有如下关系： 　　COV(X，Y)=E(XY)-E(X)E(Y)。 　　协方差的性质： 　　(1)COV(X，Y)=COV(Y，X); 　　(2)COV(aX，bY)=abCOV(X，Y)，(a，b是常数); 　　(3)COV(X1+X2，Y)=COV(X1，Y)+COV(X2，Y)。 　　由协方差定义，可以看出COV(X，X)=D(X)，COV(Y，Y)=D(Y)。 　　协方差作为描述X和Y相关程度的量，在同一物理量纲之下有一定的作用，但同样的两个量采用不同的量纲使它们的协方差在数值上表现出很大的差异。为此引入如下概念： 　　定义 　　u03c1XY=COV(X，Y)/u221aD(X)u221aD(Y)，称为随机变量X和Y的相关系数。 　　定义 　　若u03c1XY=0，则称X与Y不相关。 　　即u03c1XY=0的充分必要条件是COV(X，Y)=0，亦即不相关和协方差为零是等价的。 　　定理 　　设u03c1XY是随机变量X和Y的相关系数，则有 　　(1)∣u03c1XY∣u22641; 　　(2)∣u03c1XY∣=1充分必要条件为P{Y=aX+b}=1，(a，b为常数，au22600) 　　定义 　　设X和Y是随机变量，若E(X^k)，k=1，2，...存在，则称它为X的k阶原点矩，简称k阶矩。 　　若E{[X-E(X)]^k}，k=1，2，...存在，则称它为X的k阶中心矩。 　　若E(X^kY^l)，k、l=1，2，...存在，则称它为X和Y的k+l阶混合原点矩。 　　若E{[X-E(X)]^k[Y-E(Y)]^l}，k、l=1，2，...存在，则称它为X和Y的k+l阶混合中心矩。 　　显然，X的数学期望E(X)是X的一阶原点矩，方差D(X)是X的二阶中心矩，协方差COV(X，Y)是X和Y的二阶混合中心矩。

岩棉 玻璃棉 主要用于外墙 后者更适合于室内

1、考上大学 美国学生为了能从大学毕业，上了大学才开始好好学习，中国学生为了考上大学而拼命学习，上了大学就不再好好学习。（注：美国大学“宽进严出”；中国大学“严进宽出”） 2、向老师发问 在课堂上，美国学生为了装懂而向老师发问，还认为坐的横七竖八才能更好与老师交流。 中国学生则为了装懂而不向老师发问，还认为坐的端端正正是对老师的尊敬。 3、解题方法 如果老师给出同一道题目：“现在是12点整，时针和分针正好重合，请问要经过多长时间时针和分针才能再次重合？”老师语音刚落，美国学生的反应是不约而同的拨动腕上的手表，用这种其实很聪明的“笨方法”，看时针和分针什么时候才能再次重合。而在场的中国学生立即拿出纸和笔，埋头列出一大堆公式并开始计算。 4、受教育方式 美国学生的受教育方式是“放羊”，十分轻松，所以他们大多数喜欢异想天开，想象力无比丰富。 中国学生的受教育方式是一种“填鸭”，辛苦的很，题海战术他们不怕，怕就怕那种脑筋急转弯的问题，因为有的时候，他们确实转不过弯来。

在当代社会，大多数女性都会用各种各样的护肤用品来进行保养皮肤，市面上所售卖的护肤用品的种类也是有许多种的，其中澳尔滨优活润白紧妍渗透乳也是有不少人在选择使用的，那么澳尔滨优活润白紧妍渗透乳好用吗？澳尔滨乳液成分表是怎样的呢？澳尔滨优活润白紧妍渗透乳使用起来的效果是比较不错的，它采用的是天然植萃成分以及蜂王浆提取物、鱼腥草提取物，具有较好的修护力，能够促进胶原再生、改善肌肤发黄。质地是像奶油般的质地比较容易推开，涂在脸上的吸收速度也是比较快的，坚持使用一段时间，也是能够看到皮肤变得嫩白透亮。 澳尔滨乳液成分也是比较安全的，它的成分表具体如下：水、双丙甘醇、丁二醇、甘油、角鲨烷、白池花、氢化蓖麻油硬脂酸酯、山脊醇、库拉索芦荟、氢化牛脂酸、野葛、东当归、水解小麦蛋白、EDTA二钠、乙醇、硅酸铝镁、丙二醇、硬脂酸酯、山梨、坦倍半油酸酯、野大豆、轻丙基甲基纤维素、聚山梨醇、氢氧化钠、氢化卵磷脂轻苯乙酯、轻苯丙酯、轻苯甲酯。 以上就是澳尔滨乳液的成分表，日常如果需要使用澳尔滨乳液的话也是可以查看一下成分表，确定适合自己后再进行使用。

小红书火爆爽肤水横评；一扫面部干燥危机，让你的脸如鸡蛋般嫩滑！ MINNON 2号滋润 化妆水 参考售价：150ml，1980日元（税入） 专为干燥敏感肌肤打造的MINON，确实是秋冬换季一把好手，既温和保湿力也妥妥的。很适合想要高保湿效果的仙女使用，具有高保湿成分，通过肌肤到达皮肤深层 ，充分得到滋养，同时收缩毛孔。 有清爽型、滋润型两个系列。 含有9种氨基酸，低分子化玻尿酸，以及氨基酸系神经酰胺类似成分，能深入渗透角质层，有效保持水分，提高肌肤本来的防御功能，使肌肤不受外界刺激。 干燥的秋冬季节，自然是滋润型。滋润型属于精华质地，上脸更保湿，过量会感觉黏黏的，适合大干皮。适合在洁面后、美容液乳液前使用。滋润肌肤，肌肤干到起皮什么的也是很不错的选择。敏感肌肤、孕妇均可以使用。 依泉舒缓修复爽肤水 这款更适合在皮肤屏障受损，皮肤不稳定期间的修护产品。成分和依泉的绷带喷雾一样。主打成分是高含量的金属离子，葡糖酸锌、葡糖酸铜等帮助抗菌，硅酸铝镁会在皮肤表面形成一层干爽的膜感，起到保护皮肤的作用。积雪草能帮助在特殊时期抗炎。肤感方面可能偶尔会有搓泥问题，建议先在晚间使用。 花钰集爽肤水 这款花钰集爽肤水富含天然大米发酵成分 以及透明质酸钠等补水亮肤小分子，能深层滋养肌肤，调节肌肤暗沉粗糙的肤质，能有效深层补水保湿，牢牢锁住肌肤水分，防止流失，让肌肤保持水润光滑。坚持使用还能逐渐改善暗沉粗糙的肌肤，让你轻松拥有水嫩牛奶肌。 这款爽肤水也是我在网上冲浪的时候无意间发现的一款，后来才知道这款爽肤水是很多博主都在推荐的一款，效果非常出色，并且里面还添加的都是天然植物精华成分，所以使用之后也是很温和的，不会对我们的肌肤形成负担， 它没有很重的香味，有一股淡淡的大米味， 上脸舒润不黏腻，特别容易被吸收，坚持使用之后，坚持每天使用能逐渐减缓肌肤爱出油的问题，面部暗沉粗糙的肤质也能逐渐被改善。让我的肌肤如今变得越来越水嫩白皙有光泽。 馥蕾诗玫瑰润泽保湿花水 一款不含酒精、具有舒缓功效的爽肤水，经证实能长效保湿达24小时。具有舒缓配方的玫瑰花露自古就被视为镇静肌肤、补充水分之佳品，在玫瑰润泽焕采精华乳、玫瑰润泽舒缓凝霜及彩妆前使用效果最佳。玫瑰润泽保湿花水能够作用于清洁肌肤表面残留的杂质，使肌肤再现 健康 光泽。亦可全天候使用，补水焕肤，镇静舒缓。 主要功效： 高效补水 即时改善肌肤暗哑 轻柔舒润，令肌肤如丝绒般柔软，凝脂般幼滑 。

蒲公英是清热解毒的中药材，常用中药，它主要用于妇科和疮疤炎症，多用干叶入药，以野生为主要来源。近年因网抄便成了灵丹妙药，有说它能抗癌治癌，凡是病好象都能用到蒲公英。火是疾根，痛者病源是炎，看起来似乎有理，却不知中医最讲五行，用药有君臣之分，肾水脾土心火肝木肺金，五行有生也有克，你单用公英那神农氏遍尝百草李时珍开单处方不是白忙乎了么！本草冈目四千多味清热解毒的多了，新本草更有七千多味可常用不过二百。就说蒲公英，她本是一大家闫女，奶头生疮羞于开口，化水生浓痛不可忍，最终跳崖了生，天不亡女顺流而下被一药农所救，公英醒后哭与老者，又见其年事己高拜于膝下，老药农晚年得此女儿承欢膝下万般高兴，顺于取一药草让女儿擦于疮口，痛苦立减不日生肌，公英病好药老便给此草取名“蒲公英”。草药治疾病必定要对症，就然微有疗效亦难去根。蒲公英本为野生，多年根生草药，大量种植取叶疗医本亦不失其性。 种植的蒲公英和野生蒲公英最大的区别主要在以植株生长方面。野生蒲公英由于仅仅靠下雨以及土地本身的营养，所以当土地营养不够、以及长期不下雨的时候，会导致植株弱小， 生长发 育不完全。栽培蒲公英由于人工干预过多，植株相对来说较好，较为粗壮。 种植的蒲公英和野生的蒲公英最大的区别在于外形，口感，和营养价值。 分辨野生的蒲公英和种植的蒲公英有巨大的差别，种植的蒲公英高，大，长。因为水肥跟得上长得非常高大，直立长条，在城市超市里都是当成蔬菜来卖的，主要是吃它的叶子，的蒲公英没有多少枯叶和烂叶，很干净，整齐。 野生的蒲公英一般都是普拉普拉长在地里的。你去挖野菜的时候，蒲公英一般都是连根儿跑起来，根系很粗壮，因为它是多年生的草本植物。环境不同，不是说在种植的地里，土地肥沃的地里生长的，它的根系不会那么直，有的弯曲的很厉害，或者长成不规则的形状，各种什么形状的根都有。种植的蒲公英那个根特别直立，细长。 从口感和营养价值和药性比较。种植的蒲公英要口感嫩，粗纤维不多，因为种植的蒲公英它生长非常的快，速生的营养价值就是水分比较大，吃起来比较脆嫩，叶子含水量大，爱烂，不容易保存。野生的蒲公英叶子比较抗折腾，因为它是在野外生长的，缺水少肥的不如种植的蒲公英长得高大健壮。但生长周期长它的根系和叶子应该是短粗，肥厚，从药性和味道上也要要比种植的普通药性要好一些，更苦一点。 野生蒲公英最显著的特点就是叶子上会有野外小动物，或鸟类昆虫爬行留下的痕迹，或者分泌物排泄物的斑点。这是种植蒲公英所没有的特征。虽然野生蒲公英有这样的瑕疵，但我还是建议大家买野生的吃，毕竟野生的蒲公英价格贵，质量少，关键是不需要打药，施肥，吃起来更安全，有营养一些，你说对不? 种植的蒲公英和野生的蒲公英在遗传特性和形态特征等本质上是没有区别的，它还是菊科蒲公英属植物特性。就是在生长环境和采挖时间方面不太一致。 第一，生长环境不同：种植蒲公英肯定在农田或塑料大棚中； 而野生蒲公英在农田和荒地里。 第二，采挖时间不一致：种植蒲公英通常是一茬一茬采挖的。野生蒲公英的采挖时间就不一定了，人碰到采挖，碰不到就一直生长。由于蒲公英是多年生草本植物，种植和野生蒲公英的采挖年龄不同，植物体成分含量也有差异。 第三，蒲公英生长过程中受到干预也不一样。种植蒲公英从播种到生长过程再到采挖，都受到人为管理干预，生长条件好；而野生蒲公英是自生自灭的，生长条件不太好。 基于以上原因，种植的蒲公英外形肯定整齐和鲜嫩；而野生蒲公英外形大小和鲜嫩程度不一致。主要它的根系，种植蒲公英根系表面颜色浅褐色，生长时间短；而野生蒲公英根系表面颜色黑褐色， 要深很多，与生长年龄长有关系。植物体成分差异要通过实验分析得知，不同器官的成分含量肯定是有差异的。 以上回答仅为个人观点供参考。 种植的和野生的蒲公英在购买时还是能够区分出来的。如果叶子看起来像蔬菜一样嫩绿细长，那就是在菜地里种植出来的。如果同一批蒲公英叶子大小不一，有些看起来很老，偏肥厚，有些看起来很嫩，偏细长，那就是野生的。野生的多没规律，各长各的，有大有小，有老有嫩。种植的都是同一批次生长出来的，同批蒲公英的相似度很高，几乎一样的粗细，几乎一样的嫩绿。 从根上来讲，种植的蒲公英偏嫩，看起来比较漂亮，田野间的根部黑色偏多，不过也跟种植的相似都比较直。如果是山间的多年生的蒲公英，那根部就会更杂乱无章，根须比较多，比较粗。这个可能没有叶子那么好对比了。 主要在以植株生长方面 野生蒲公英由于仅仅靠下雨以及土地本身的营养，所以当土地营养不够、以及长期不下雨的时候，会导致植株弱小，加上一些虫害。生长发育不完全。 栽培蒲公英由于人工干预过多，植株相对来说较好，较为粗壮。 野生的所在的环境不像农用地被使用多次，再加上生长周期不同所吸收的矿物质也不同，人工种的就有可能是通过肥料摧长的。不管是食用还是药用价值都相差甚远。 蒲公英在我们西北甘肃这边叫“黄花子”，如此叫法的原因大概是蒲公英开黄颜色的花，在东北叫“婆婆丁”。蒲公英的生长适应能力很强，在野外山坡草地、路边、田野、河滩都能看见生长，喜潮湿环境。人工种植一般都要选择向阳、肥沃、灌溉条件好的沙壤土地块。 因为在农村，每年春季都会到田间地头去挖野菜，主要就是蒲公英和曲曲菜。挖回来摘干净，再用水淘洗干净，放进热水里焯熟，凉拌很好吃。也可以生吃或炒食。东北都是蘸酱生吃。 前几日还到野外挖蒲公英，拿着小铁铲和塑料袋，一会儿的功夫就挖了好几袋。野生蒲公英主要依靠雨水或土地自身保持的水分及其他营养物质滋 养生 长，有些野生区域的蒲公英会因为干旱或土壤营养缺乏而植株茎叶弱小。挖的野菜有大有小，但吃起来味道都很正！ 蒲公英的根煮水喝可以清热消炎、利尿凉血、退黄疸等作用，感冒发热、牙痛、目赤、扁桃体发炎、支气管炎等都可食用缓解。 人工大面积种植和野生蒲公英最大的区别就是农药残留问题，营养价值肯定也会有不同。还有就是前面挖野菜提到的植株生长区别，人工种植的蒲公英茎叶粗大壮实。现在城市里卖的大多都是人工种植的。以前在东北沈阳居住时，这个季节吃的就是人工种植的蒲公英菜，叶片长，并且口感老，像草，一两蒲公英菜5元钱。没有现在甘肃老家农村挖的野菜好吃，野生的软嫩，口感好，叶片密实。如果有选择的话，还是吃野生蒲公英比较好。 关于种植的蒲公英和野生蒲公英，我认为主要是有药用和食用上的区别： 1.野生蒲公英 野生蒲公英以药用为主，一年可采收2次：第一次在开花后至植株枯萎前，一般在5 7月份采挖;第2次采挖，一般以春季为好。采挖时用铁锹或尖刀深插地下，连根系挖出，抖净泥土，晒干后于通风处贮存。 2.栽培蒲公英 人工栽培蒲公英的主要目的是作高档蔬菜，而蒲公英又是宿根性植物，一般需在当作特蔬采收多年后，有生长发育开始衰败时，才能于秋末一次采挖晒干供药用。 1.野生蒲公英与栽培蒲公英在结构上有明显区别，这可能由于所生长的环境不同所致，与有效成分含量有一定关系，但改变用药量可弥补含量不同所造成的差异 2.栽培的蒲公英与野生蒲公英的甲醇提取液薄层层析时在相同的位置出现斑点，说明该展开剂系统中所能分离出的成分都相同，野生与栽培蒲公英在成分上没有区别 3.通过理化鉴定，可以初步判定野生与栽培蒲公英理化性质没有区别 4.从上述结论可以确定，野生与栽培蒲公英虽然在结构上有区别，但在成分上没有区别，因此可以栽培蒲公英替代野生蒲公英以扩大药源 区分：野生蒲公英由于仅仅靠下雨以及土地本身的营养，所以当土地营养不够、以及长期不下雨的时候，会导致植株弱小，生长发育不完全。栽培蒲公英由于人工干预过多，植株相对来说较好，较为粗壮。 种植的蒲公英和野生蒲公英最大的区别在哪里？如何区分？ 话说出来了，野生的这么多，怎么还有种的？ 很简单啊，人懒啊，上山刨多费事，山上的土质硬，人兽都踩踏，就是挖啊 真挺费劲的。 看到了吧，这是参娃狗蛋一周山在山路上刨了一袋子，整体 来说，粗壮，分枝也比较多大或许是年头的原因。 上图可以看出，野生的蒲公英叶周围都是烂叶，一年一年年复一年所积累，养植的可不能这样浪费 ，一年就得出土销售， 野生的不是棵棵都粗根，也有细的，但细的也是分散性很大 像上图分支小根一样，而且根上锈色很多有的还出现因年头多烂的，如果是种植的，白白净净 均匀，根部多数表面漂亮。 叶上是看不出来，如果摘掉老叶，单独的从根部来看是差不多能看出来的，野生蒲公英总体粗而老皮锈色多，家养的皮色均匀稚嫩，漂亮，我看到的所了解的是这样的，可能也是错的，就是借鉴一下吧。 我是参娃狗蛋，专注人参”知食医养“知识挖掘及东北物产文化传播！ 如果需要参娃狗蛋提供点野生的蒲公英，可以私信哦，我可以先去挖哦，哈哈！ 感谢阅读！

棕榈酸异辛酯 ：主要用于化妆品类，其渗透性佳、具抑汗作用、与皮肤亲和力强，为干性透气油，广泛应用于护肤品及化妆品中，是优良的皮肤柔润剂，其性能稳定，不易氧化或产生异味，可使肌肤柔和嫩滑而无油腻感，渗透性好，常用于各类护肤霜。在化妆品中作为延展剂、压粉式化妆品的联合剂及彩妆中色素的良好溶剂。常用于粉底霜好，防晒品、眼影、口红、睫毛膏等配方中。还可作为软化剂、分散剂，在润发乳、沐浴露等配方中应用丙二醇：丙二醇是不饱和聚酯、环氧树脂、聚氨酯树脂的的重要原料，这方面的用量约占丙二醇总消费量的45%左右，这种不饱和聚酯大量用于表面涂料和增强塑料。丙二醇的粘性和吸湿性好，并且无毒，因而在食品、医药和化妆品工业中广泛用作吸湿剂、抗冻剂、润滑剂和溶剂。在食品工业中，丙二醇和脂肪酸反应生成丙二醇脂肪酸酯，主要用作食品乳化剂；丙二醇是调味品和色素的优良溶剂。丙二醇在医药工业中常用作制造各类软膏、油膏的溶剂、软化剂和赋形剂等，由于丙二醇与各类香料具有较好互溶性，因而也用作化妆品的溶剂和软化剂等等。硅酸铝镁：实际上直译应该是偏硅酸铝镁，是一种比表面积非常大，微孔体系非常发达的物质，可以作为吸附剂，吸收剂（能够吸收三倍质量的液体），防潮剂等。但是不溶于水和醇。看到日本，韩国，台湾，甚至欧美不少化妆品大量使用。anthenol 泛醇，保湿剂山梨醇单糖为甘露醇的异构体，作用与甘露醇相似但较弱，静脉注入本品浓溶液(25％)后，除小部份转化为糖外，大部以原形经肾排出，因形成血液高渗，可使周围组织及脑实质脱水而随药物从尿液排出，从而降低颅内压，消除水肿。注射后2小时出现高效，明显地使脑水肿逐渐平复，紧张状态消失，脑脊液压下降，在体内不被代谢，经肾小球滤过后在肾小管内甚少被重吸收，起到渗透利尿作用。 (1)组织脱水作用。提高血浆胶体渗透压，导致组织内(包括眼、脑、脑脊液等)水分进入血管内，从而减轻组织水肿，降低眼内压、颅内压和脑脊液容量及其压力。柠檬酸是一种重要的有机酸，又名枸橼酸，无色晶体，常含一分子结晶水，无臭，有很强的酸味，易溶于水。其钙盐在冷水中比热水中易溶解，此性质常用来鉴定和分离柠檬酸。结晶时控制适宜的温度可获得无水柠檬酸。在工业，食品业，化妆业等具有极多的用途。

不是，硅酸盐是硅酸化合物的统称，后者只是一种化合物