协方差

共變異數（Covariance）在概率論和統計學中用於衡量兩個變量的总体误差。而方差是协方差的一種特殊情況，即當兩個變量是相同的情況。

期望值分别为$E(X)=\mu$与$E(Y)=\nu$的两个实数随机变量X 与Y 之间的协方差定义为：

$\operatorname{cov}(X, Y) = \operatorname{E}((X - \mu) (Y - \nu))$，

其中E是期望值。它也可以表示为：

$\operatorname{cov}(X, Y) = \operatorname{E}(X \cdot Y) - \mu \nu$，

直观上来看，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。

如果X 与Y 是统计独立的，那么二者之间的协方差就是0，这是因为

$E(X \cdot Y)=E(X) \cdot E(Y)=\mu\nu,$

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。

取决于协方差的相关性η

$\eta = \left| \dfrac{\operatorname{cov}(X, Y)}{\sqrt{\operatorname{var}(X) \cdot \operatorname{var}(Y)}} \right| ,$

更准确地说是线性相关性，是一个衡量线性独立的无量纲数，其取值在[0,+1]之间。相关性η = 1时称为“完全线性相关”，此时将Y_i对X_i作Y-X 散点图，将得到一组精确排列在直线上的点；相关性数值介于0到1之间时，其越接近1表明线性相关性越好，作散点图得到的点的排布越接近一条直线。

相关性为0（因而协方差也为0）的两个随机变量又被称为是不相关的，或者更准确地说叫作“线性无关”、“线性不相关”，这仅仅表明X 与Y 两随机变量之间没有线性相关性，并非表示它们之间一定没有任何内在的（非线性）函数关系，和前面所说的“X、Y二者并不一定是统计独立的”说法一致。

属性

如果X 与Y 是实数随机变量，a 与b 不是随机变量，那么根据协方差的定义可以得到：

$\operatorname{cov}(X, X) = \operatorname{var}(X)$，

$\operatorname{cov}(X, Y) = \operatorname{cov}(Y, X)$，

$\operatorname{cov}(aX, bY) = ab\, \operatorname{cov}(X, Y)$，

对于随机变量序列X₁, ..., X_n与Y₁, ..., Y_m，有

$\operatorname{cov}\left(\sum_{i=1}^n {X_i}, \sum_{j=1}^m{Y_j}\right) = \sum_{i=1}^n{\sum_{j=1}^m{\operatorname{cov}\left(X_i, Y_j\right)}}$，

对于随机变量序列X₁, ..., X_n，有

$\operatorname{var}\left(\sum_{i=1}^n X_i \right) = \sum_{i=1}^n \operatorname{var}(X_i) + 2\sum_{i,j\,:\,i<j} \operatorname{cov}(X_i,X_j)$。

协方差矩阵

分别为m 与n 个标量元素的列向量随机变量X 与Y，二者对应的期望值分别为μ与ν，这两个变量之间的协方差定义为m×n 矩阵

$\operatorname{cov}(X, Y) = \operatorname{E}((X-\mu)(Y-\nu)^\top).$

两个向量变量的协方差cov(X, Y)与cov(Y, X)互为转置矩阵。

协方差有时也称为是两个随机变量之间“线性独立性”的度量，但是这个含义与线性代数中严格的线性独立性线性独立不同。

参见

• 协方差矩阵