协方差：衡量线性关系的统计量
一、基本定义
当我们谈论两个随机变量X和Y的关系时，协方差成为了一个非常重要的统计量。它通过衡量两个变量之间的线性关系强度来告诉我们它们是如何相互关联的。其核心公式为：
Cov(X,Y) = E[(X-E[X])(Y-E[Y])]
这个公式通过计算两个变量偏离各自期望值的差的乘积的期望值来量化它们之间的相关性。
二、公式的展开推导
利用数学期望的线性性质，我们可以进一步展开协方差的公式：
Cov(X,Y) = E[XY] - E[X]E[Y]
这个推导过程依赖于期望的线性变换性质，例如E[XE[Y]] = E[X]E[Y]。
三、直观解释
1. 正相关：当X和Y同时高于或低于它们的均值时，它们之间的协方差为正，意味着它们之间存在正相关关系。
2. 负相关：当一个变量高于均值而另一个低于均值时，它们之间的协方差为负，表示它们之间存在负相关关系。
3. 无相关：如果这两个变量的变动没有规律，正负抵消，那么它们的协方差接近于零，说明它们之间没有显著的线性关系。
四、样本协方差的计算
在实际的数据分析中，我们通常使用样本数据来计算协方差。公式调整为：
Cov(X,Y) = (1/(n-1)) Σ((Xi - X均值) (Yi - Y均值))，其中i从1到n。
五、实例说明
以身高（X）和体重（Y）为例，如果大部分人的身高和体重同时增加或减少，那么这两个变量之间就存在正相关关系。如果一部分人的身高增加而另一部分人的体重减少，那么这两个变量之间就存在负相关关系。通过计算身高和体重的协方差，我们可以直观地了解它们之间的关系。如果协方差为正，表示身高和体重有增有减的趋势；如果协方差为负，表示身高和体重的变化方向相反；如果协方差接近零，表示身高和体重之间没有显著的线性关系。