在统计学中，互相关有时用来表示两个随机矢量 X 和 Y 之间的协方差cov，以与矢量 X 的“协方差”概念相区分，矢量 X 的“协方差”是 X 的各标量成分之间的协方差矩阵。
马哈拉诺比斯距离是由印度统计学家马哈拉诺比斯提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系并且是尺度无关的，即独立于测量尺度。
对于一个均值为
μ
=
T
{\displaystyle \mu =^{T}}
，协方差矩阵为
Σ
{\displaystyle \Sigma }
的多变量向量
x
=
T
{\displaystyle x=^{T}}
，其马氏距离为
以统计学家约翰·威沙特为名的威沙特分布是统计学上的一种半正定矩阵随机分布。这个分布在多变量分析的协方差矩阵估计上相当重要。
施密特-卡尔曼滤波器，是修改版的卡尔曼滤波，减少状态估测的维度，不过仍有额外的状态可以计算协方差矩阵及卡尔曼增益。常见的应用是考量像是传感器误差等扰嚷参数的影响，但又不增加状态估测的维度，因此可以确保协方差矩阵可以准确的呈现误差的分析情形。
特征脸是指用于机器视觉领域中的人脸识别问题的一组特征向量。使用特征脸进行人脸识别的方法首先由Sirovich and Kirby 提出，并由Matthew Turk和Alex Pentland用于人脸分类。该方法被认为是第一种有效的人脸识别方法。这些特征向量是从高维矢量空间的人脸图像的协方差矩阵计算而来。
马哈拉诺比斯距离是由印度统计学家马哈拉诺比斯提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系并且是尺度无关的，即独立于测量尺度。
对于一个均值为
μ
=
T
{\displaystyle \mu =^{T}}
，协方差矩阵为
Σ
{\displaystyle \Sigma }
的多变量向量
x
=
T
{\displaystyle x=^{T}}
，其马氏距离为
施密特-卡尔曼滤波器，是修改版的卡尔曼滤波，减少状态估测的维度，不过仍有额外的状态可以计算协方差矩阵及卡尔曼增益。常见的应用是考量像是传感器误差等扰嚷参数的影响，但又不增加状态估测的维度，因此可以确保协方差矩阵可以准确的呈现误差的分析情形。
施密特-卡尔曼滤波器，是修改版的卡尔曼滤波，减少状态估测的维度，不过仍有额外的状态可以计算协方差矩阵及卡尔曼增益。常见的应用是考量像是传感器误差等扰嚷参数的影响，但又不增加状态估测的维度，因此可以确保协方差矩阵可以准确的呈现误差的分析情形。
在统计学中，互相关有时用来表示两个随机矢量 X 和 Y 之间的协方差cov，以与矢量 X 的“协方差”概念相区分，矢量 X 的“协方差”是 X 的各标量成分之间的协方差矩阵。
在统计学中，互协方差表示两个随机向量 X 与 Y 之间的协方差 cov，以区别于随机向量 X 的“协方差”即 X 的各个标量元素之间的协方差矩阵。
Mini wiki
