财务管理中协方差的计算公式

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!

用来表示一组数据的波动大小的

协方差的计算公式为cov(X,Y)=E[(X-E[X])(Y-E[Y])]，这里的E[X]代表变量X的期望。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，两个变量之间的协方差就是正值。如果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]。协方差的特点协方差差出了一万倍，只能从两个协方差都是正数判断出两种情况下X、Y都是同向变化，但是，一点也看不出两种情况下X、Y的变化都具有相似性这一特点。相关系数是协方差除以标准差，当X,Y的波动幅度变大的时候，协方差变大，标准差也会变大，相关系数的分母都变大，其实变化的趋势是可以抵消的，协方差的取值范围是 正无穷到负无穷，相关系数则是+1 到-1之间。

　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)。　　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。协方差在概率论和统计学中用于衡量两个变量的总体误差。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。如果两个变量的变化趋势一致，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，那么两个变量之间的协方差就是负值。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。当两个变量相关时，用于评估它们因相关而产生的对应变量的影响。当多个变量独立时，用方差来评估这种影响的差异。当多个变量相关时，用协方差来评估这种影响的差异。协方差计算公式协方差计算公式为：COV（X，Y）=E（XY）-E（X）E（Y）。EX为随机变量X的数学期望，EXY是XY的数学期望。协方差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。协方差变量间相关的关系一般有三种：正相关、负相关和不相关。1、正相关：假设有两个变量x和y，若x越大y越大；x越小y越小则x和y为正相关。2、负相关：假设有两个变量x和y，若x越大y越小；x越小y越大则x和y为负相关。3、不相关：假设有两个变量x和y，若x和y变化无关联则x和y为负相关。

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。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。协方差为0的两个随机变量称为是不相关的。

d(x+y)=d(x)+d(y)+2cov(xy)主要是通过D(X+Y)与D(X-Y)之间的关系推导出来的；解答如下：首先：D(X+Y)=D(X)+D(Y)+2Cov(X，Y)D(X-Y)=D(X)+D(Y)-2Cov(X，Y)其次：Cov(X，Y)=E(XY)-E(X)E(Y)。协方差的性质：Cov(X，Y)=Cov(Y，X)；Cov(aX，bY)=abCov(X，Y)，（a，b是常数）；Cov(X1+X2，Y)=Cov(X1，Y)+Cov(X2，Y)。Cov(X，X)=D(X)，Cov(Y，Y)=D(Y)。扩展资料：1、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：定义称为随机变量X和Y的(Pearson)相关系数。若ρXY=0，则称X与Y不线性相关。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。2、设ρXY是随机变量X和Y的相关系数，则有∣ρXY∣≤1；∣ρXY∣=1充分必要条件为P{Y=aX+b}=1，（a，b为常数，a≠0）3、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^k）（Y^p)}，k、p=1，2，...存在，则称它为X和Y的k+p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。

设(X,Y)为二维随机变量，称 Cov(X,Y)=E[(X-E(X))(Y-E(Y)]为X与Y的协方差。 协方差是反映X与Y相关系数的特征量。http://www.fjtu.com.cn/fjnu/courseware/1015/course/_source/web/lesson/char3/j5.htm

协方差定义为：COV（X，Y）=E［（X-E（X））（Y-E（Y））］等价计算式为COV（X，Y）=E（XY）-E（X）E（Y）。例如：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扩展资料：协方差公式推导cov(X,Y)=∑ni=1(Xi−X¯)(Yi−Y¯)n=E[(X−E[X])(Y−E[Y])]cov(X,Y)=∑i=1n(Xi−X¯)(Yi−Y¯)n=E[(X−E[X])(Y−E[Y])]=E[XY−E[X]Y−XE[Y]+E[X]E[Y]]=E[XY−E[X]Y−XE[Y]+E[X]E[Y]]因为均值计算是线性的，即（a和b均为常数）： E[aX+bY]=aE[X]+bE[Y]E[aX+bY]=aE[X]+bE[Y]方差的概念与计算公式，例1 两人的5次测验成绩如下：X： 50，100，100，60，50 E(X)=72；Y： 73， 70， 75，72，70 E(Y)=72。平均成绩相同，但X 不稳定，对平均值的偏离大。方差描述随机变量对于数学期望的偏离程度。单个偏离是消除符号影响方差即偏离平方的均值，记为D(X)：直接计算公式分离散型和连续型。推导另一种计算公式得到：“方差等于各个数据与其算术平均数的离差平方和的平均数”。其中，分别为离散型和连续型计算公式。 称为标准差或均方差，方差描述波动程度。参考资料：协方差计算-百度百科

　　1、协方差是用于衡量两个变量的总体误差，协方差的一种特殊情况是方差，即当两个变量是相同的情况。 　　2、协方差分析是从质量因子的角度探讨因素不同水平对实验指标影响的差异。一般说来，质量因子是可以人为控制的。 回归分析是从数量因子的角度出发，通过建立回归方程来研究实验指标与一个或几个因子之间的数量关系。但大多数情况下，数量因子是不可以人为加以控制的。

如果有联合分布律的话，E（XY）=(X1)* (Y1)*(P1)+ (X2)*( Y2)*(P2)+…向左转|向右转以此联合分布表为例：向左转|向右转扩展资料：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。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)。

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

　　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 3　　Yi 5.0 10.4 14.6　　E(X) = (1.1+1.9+3)/3=2　　E(Y) = (5.0+10.4+14.6)/3=10　　E(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=0.77　　D(Y)=E(Y^2)-E^2(Y)=(5^2+10.4^2+14.6^2)/3-100=15.44 σy=3.93　　X,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!

基本定义　　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。 　　方差分析是从质量因子的角度探讨因素不同水平对实验指标影响的差异。一般说来，质量因子是可以人为控制的。 　　回归分析是从数量因子的角度出发，通过建立回归方程来研究实验指标与一个(或几个)因子之间的数量关系。但大多数情况下，数量因子是不可以人为加以控制的。 　　方差知道吧。。。 　　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)。

d(x+y)=d(x)+d(y)+2cov(xy)主要是通过D(X+Y)与D(X-Y)之间的关系推导出来的；解答如下：首先：D(X+Y)=D(X)+D(Y)+2Cov(X，Y)D(X-Y)=D(X)+D(Y)-2Cov(X，Y)其次：Cov(X，Y)=E(XY)-E(X)E(Y)。协方差的性质：Cov(X，Y)=Cov(Y，X)；Cov(aX，bY)=abCov(X，Y)，（a，b是常数）；Cov(X1+X2，Y)=Cov(X1，Y)+Cov(X2，Y)。Cov(X，X)=D(X)，Cov(Y，Y)=D(Y)。扩展资料：1、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：定义称为随机变量X和Y的(Pearson)相关系数。若ρXY=0，则称X与Y不线性相关。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。2、设ρXY是随机变量X和Y的相关系数，则有∣ρXY∣≤1；∣ρXY∣=1充分必要条件为P{Y=aX+b}=1，（a，b为常数，a≠0）3、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^k）（Y^p)}，k、p=1，2，...存在，则称它为X和Y的k+p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。

以上特征值均用于数据统计,一般而言,统计只能针对有限的样本进行统计,故以下描述均基于样本统计. 假设样本为xi,i=1...n,E(x)为样本的算术平均值 残差vxi=xi-E(x);残差的个数与样本中数据的数量n相等 方差s^2=∑vi^2 /(n-1) 标准差s为方差的平方根 假设另外一个样本为yi,i=1...n,E(y)为样本的算术平均值,vyi=yi-E(y)为样本的残差 协方差s(x,y)=∑vxi*vyi /(n-1) 协方差用于衡量两个变量之间的关系,当两个变量完全独立,且样本数足够大时,协方差为零. 方差是协方差的特殊形式,即s(x,x)=s(x).

一、首先要明白这2个的定义1、相关系数是协方差与两个投资方案投资收益标准差之积的比值，其计算公式为：相关系数总是在-1到+1之间的范围内变动，-1代表完全负相关，+1代表完全正相关，0则表示不相关。2、协方差是一个用于测量投资组合中某一具体投资项目相对于另一投资项目风险的统计指标。其计算公式为：当协方差为正值时，表示两种资产的收益率呈同方向变动；协方差为负值时，表示两种资产的收益率呈反方向变动。二、要辨清两者的关系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、（1）协方差表示两种证劵之间共同变动的程度：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。（2）相关系数是变量之间相关程度的指标，相关系数在0到1之间，表示两种报酬率的增长是同向的；相关系数在0到-1之间，表示两种报酬率的增长是反向的，所以说相关系数是变量之间相关程度的指标。总体来说，两项资产收益率的协方差，反映的是收益率之间共同变动的程度；而相关系数反映的是两项资产的收益率之间相对运动的状态。两项资产收益率的协方差等于两项资产的相关系数乘以各自的标准差。

解： 首先计算x、y的期望值： ux=（3+2+4+5+6）/5=4 uy=（9+7+12+15+17）/5=12 利用你给的公式把xi（3、2、4、5、6）、yi（9、7、12、15、17）及如上计算得到的期望依次带入公式，算得， Cov（X,Y）=26/5。

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。

协方差分析是加入协变量的方差分析，协变量实际上就是我们所说的控制变量，你的调查研究中如果有一些你并不真正关心、但有可能对因变量有影响的变量，你可以将其作为协变量，这就意味着你控制了该变量对因变量的效应，从而可以考察自变量与因变量的真实关系。协方差分析出了要设定协变量这一点，其他方面与一般的方差分析没有太大区别。协变量是连续变量方差分析是不能控制这种无关的连续变量的，所以协方差分析能够得到更可靠的研究结果

按时啊啊啊啊

1.在概率论和统计学中，协方差用于衡量两个变量的总体误差。 2.期望值分别为E(X) = μ 与 E(Y) = ν 的两个实数随机变量X与Y之间的协方差定义为： COV(X，Y)=E[(X-E(X))(Y-E(Y))] 等价计算式为COV(X,Y)=E(XY)-E(X)E(Y)

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 称为随机变量X和Y的(Pearson)相关系数。定义若ρXY=0，则称X与Y不线性相关。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^k）（Y^p)}，k、l=1，2，...存在，则称它为X和Y的k+p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。

在统计学与概率论中，协方差矩阵（或称共变异矩阵）是一个矩阵，其每个元素是各个向量元素之间的方差。这是从标量随机变量到高维度随机向量的自然推广。假设X是以n个标量随机变量组成的列向量，并且μi 是其第i个元素的期望值, 即, μi = E(Xi)。协方差矩阵被定义的第i，j项是如下协方差：矩阵中的第(i,j)个元素是Xi与Xj的协方差。这个概念是对于标量随机变量方差的一般化推广。

概率论与数理统计中，最基本概念就是均值、方差、标准差，n个样本xi的集合X。 具体公式描述为：         样本集合X的中间点         样本集合的各个样本点到均值的距离平方之和，描述了集合的离散程度，也即样本整体的离散幅度。         标准差的平方        两个特征之间的相关关系。         均值、方差、标准差几个统计量只描述了一维数据，现实中数据通常都不是简单的一个特征能够描述，都是多个特征描述，而且不同特征之间会具有相关关系。例如一个理科学生的成绩在数学物理两方面上，就是两个特征，而且这两个特征是有相关关系的。         取很多学生构建成一个集合，统计发现如果数学越好，一般来说物理也就越好。从统计数据上看到, 数学 物理成绩之间具有相关关系 怎么描述？---用协方差描述         两个特征X Y，均值为X" Y"。 如果样本的X高于均值, 一般Y也高于均值。相反如果X低于均值Y也低于均值，则用如下公式描述两个特征之间的相关关系: 1    在xi > x",  yi > y"时，结果 > 0 2    在xi > x",  yi < y"时，结果 < 0 3    在xi < x", yi > y"时，结果 < 0 4    在xi < x", yi < y"时，结果 > 0         如果统计集合所有样本的特征 xi yi 都是同时增减的话，那么1 4情况就多，cov(x, y)就会是> 0且相关性越大cov(x, y)越大。         相反如果xi yi 相反增减，那么2 3情况就多, cov(x, y)就会 < 0且逆相关性越大cov(x, y)越小。         而如果xi yi没有关系，那么随意发生1 2 3 4情况，那么cov的分子因为求和就会逐渐趋近0那么cov绝对值就越小 这样这个公式就描述了一个样本的特征之间的相关关系.        如果理科成绩还要看化学特征的关系那么就会有一个样本是x y z。而协方差能够描述的是两个特征之间的关系。想要描述两两之间关系， Cov(i, j) = Cov(dimi, dimj) 形成一个矩阵。         描述n个特征两两之间的相关关系。 x-x   x-y   x-z   y-z。         直接观察就发现，Cov 协方差矩阵一定是个对角矩阵。 cov(x, y) == cov(y, x)。        今天突然发现，原来协方差矩阵还可以这样计算，先让样本矩阵中心化，即每一维度减去该维度的均值，使每一维度上的均值为0，然后直接用新的到的样本矩阵乘上它的转置，然后除以(N-1)即可。其实这种方法也是由前面的公式推导而来，只不过理解起来不是很直观。         理解协方差矩阵的关键就在于牢记它计算的是一个样本的不同特征之间的协方差，而不是不同样本之间。        相关系数= X Y的协方差/ (X标准差*Y标准差) 理解为归一化标准化后的特殊的协方差。特点     1 反应两个特征的相关关系（同向逆向无关(貌似是线性关系)）     2 由于是标准化的协方差，消除了两个变量变化幅度的影响，纯净的反应了两个变量的相关关系。 思考 如果数据集两个特征x y.         X是100sin(0 – 180)取其中五个点         Y是100sin(0 – 180)取其中五个点         (x1,y1) (x2,y2)(x3,y3) (x4,y4) (x5,y5)         这时两者的协方差为10000（未计算）.相关性很大 而如果数据集两个特征x y.         X是100sin(0 – 180)取其中五个点         Y是1sin(0 – 180)取其中五个点          (x1,y1) (x2,y2)(x3,y3) (x4,y4) (x5,y5)          这时两者的协方差为1（未计算） .相关性很小          虽然协方差相差巨大，但是实际上两者单纯相关性来说是完全一样的，这时候如果除以自身幅值标准化一下，两者的值就是相等的 。 这时相关系就登场了， COV(X,Y) / (X标准差*Y标准差)  --- 纯净的相关性。 比较协方差与相关系数     协方差变化在正无穷到负无穷     相关系数变化在+1 -1.         如果相关系数= 1,表示完全正相关，X增大一倍Y也增大一倍。这就是线性相关。参考 如何通俗易懂理解协方差与相关系数 https://www.zhihu.com/question/20852004 协方差的意义和计算公式 http://blog.csdn.net/beechina/article/details/51074750 �

是的x[i]*x[j]*cov{Y[i],Y[j]}=var{x[i]*Y[i]}其中x[i]为数，Y[i]为随机变量，var为方差，相同下标求和。另一种说法：协方差是定义在随机变量空间的欧式内积(cov{Y,Y}>=0)，而协方差矩阵是协方差内积的矩阵表示，所以正定。

摘要：协方差Cov(X,Y)是描述二维随机变量两个分量间相互关联程度的一个特征数，如果将协方差相应标准化变量就得到相关系数Corr(X,Y)。从而可以引进相关系数Corr(X,Y)去刻画二维随机变量两个分量间相互关联程度。且事实表明，相关系数明显被广泛应用。本文的目的在于从协方差与相关系数的关系的角度去探讨协方差与相关系数的优缺点，并具体介绍协方差和相关系数这两个描述二维随机变量间相关性的特征数。关键字：协方差Cov(X,Y)相关系数Corr(X,Y)相互关联程度1协方差、相关系数的定义及性质设（X，Y）是一个二维随机变量，若E{[X-E(X)][Y-E(Y)]}存在，则称此数学期望为X与Y的协方差，并记为Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}，特别有Cov(X,X)=Var(X)。从协方差的定义可以看出，它是X的偏差“X-E(X)”与Y的偏差“Y-E(Y)”的乘积的数学期望。由于偏差可正可负，故协方差也可正可负，也可为零，其具体表现如下：·当Cov(X,Y)>0时，称X与Y正相关，这时两个偏差[X-E(X)]与[Y-E(Y)]同时增加或同时减少，由于E(X)与E(Y)都是常数，故等价于X与Y同时增加或同时减少，这就是正相关的含义。

1）如果XY独立 E(XY)=E(X)E(Y）2）如果不独立，若是离散的，则 ∑∑XiYjPij (i=1,2,3…..,j=1,2,3…..)若是连续的，则∫∫xyf(xy)dxdy (f(xy)为密度函数)汗S这里真不好打出来积分上下限，定义是从负无穷积到正无穷，但实际问题是从密度函数不为零的范围积分，离散的不用说了吧，就是把它们的数值乘以联合概率再相加

是协方差吧

方差是各个数据与其算术平均数的离差平方和的平均数标准差是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根协方差用于衡量两个变量的总体误差

随机变量X,Y协方差cov(X,Y)=ρ*√D(X)√D(Y),其中ρ是X,Y的相关系数,D(X),D(Y)是X,Y的方差.或者还可以由定义式来求：cov(X,Y)=E[(X-EX)(Y-EY)]=EXY-EXEY,其中E是数学期望.

什么是协方差，为什么有些地方会用到协方差。 核心意义：度量各个维度偏离其均值的程度。协方差的值如果为正值，则说明两者是正相关的(从协方差可以引出“相关系数”的定义)，结果为负值就说明负相关的，如果为0，也是就是统计上说的“相互独立”。 正相关和负相关的直观理解： 特点：当 X, Y 的联合分布像上图那样时，我们可以看出，大致上有： X 越大 Y 也越大， X 越小 Y 也越小，这种情况，我们称为“正相关”。 特点：当X, Y 的联合分布像上图那样时，我们可以看出，大致上有：X 越大Y 反而越小，X 越小 Y 反而越大，这种情况，我们称为“负相关”。 特点：当X, Y 的联合分布像上图那样时，我们可以看出：既不是X 越大Y 也越大，也不是 X 越大 Y 反而越小，这种情况我们称为“不相关”。 怎样将这3种相关情况，用一个简单的数字表达出来呢？ 在图中的区域（1）中，有 X>EX ，Y-EY>0 ，所以(X-EX)(Y-EY)>0； 在图中的区域（2）中，有 X<EX ，Y-EY>0 ，所以(X-EX)(Y-EY)<0； 在图中的区域（3）中，有 X<EX ，Y-EY<0 ，所以(X-EX)(Y-EY)>0； 在图中的区域（4）中，有 X>EX ，Y-EY<0 ，所以(X-EX)(Y-EY)<0。 重点解释：所谓正相关。只是说某种分布主要覆盖区域（1）与区域（3），例如99.7%数据是这种特性，极少数据覆盖区域（2）与区域（4） 同理，所谓负相关，应该是某种分布主要覆盖（2）、（4），极小部分覆盖（1）、（3）。 所谓不相关，等于（1）（2）（3）（4）分布都差不多。 数值绝对值大小，应该表示这种相关性的强烈程度。 从公式上看： 上图是方差的公式，用以度量各个维度偏离其均值的程度。 协方差公式由方差的公式推广而来，用于描述维度之间的线性相关性。 从协方差的定义上我们也可以看出一些显而易见的性质，如： 具体如何计算？ 例如有如下数据： 每一列表示一个维度，每一行表示一个样本。 如何计算协方差？当然，我们有api，如果不使用api，是否能自己写？我们按照公式，写了如下测试程序： 计算出维度之间的协方差，我们就可以组织协方差矩阵。协方差矩阵可以快速定位维度之间的协方差。 上述解释详见下面文章： ＃ 终于明白协方差的意义了

因为各变量之间相互独立，所以E(XiXj)=E(Xi)E(Xj)(i不等于j),所以后面的协方差都是0

1、设C是常数，则D（C）=02、设X是随机变量，C是常数，则有 3、设 X 与 Y 是两个随机变量，则其中协方差特别的，当X，Y是两个不相关的随机变量则F值是两个均方的比值[效应项/误差项]，不可能出现负值。F值越大[与给定显著水平的标准F值相比较]说明处理之间效果[差异]越明显，误差项越小说明试验精度越高。扩展资料(1)每列中不同数字出现的次数是相等的，如L93，每列中不同的数字是1，2，3，它们各出现3次；(2)在任意两列中，将同一行的两个数字看成有序数对时，每种数对出现的次数是相等的，有序数对共有9个：(1，1)，(1，2)，(1，3)，(2，1)，(2，2)，(2，3)，(3，1)，(3，2)，(3，3)，它们各出现一次。由于正交表有这两条性质，用它来安排试验时，各因素的各种水平的搭配是均衡的。

相关系数概念在评价图像的处理效果方面很有用，因为很多时候我们需要只要处理后图像与原图像的关系。一、协方差：  可以通俗的理解为：两个变量在变化过程中是同方向变化？还是反方向变化？同向或反向程度如何？ 你变大，同时我也变大，说明两个变量是同向变化的，这时协方差就是正的。  你变大，同时我变小，说明两个变量是反向变化的，这时协方差就是负的。 从数值来看，协方差的数值越大，两个变量同向程度也就越大。反之亦然。  咱们从公式出发来理解一下：    公式简单翻译一下是：如果有X,Y两个变量，每个时刻的“X值与其均值之差”乘以“Y值与其均值之差”得到一个乘积，再对这每时刻的乘积求和并求出均值（其实是求“期望”，但就不引申太多新概念了，简单认为就是求均值了）。    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。二、相关系数：  对于相关系数，我们从它的公式入手。一般情况下，相关系数的公式为：   翻译一下：就是用X、Y的协方差除以X的标准差和Y的标准差。  所以，相关系数也可以看成协方差：一种剔除了两个变量量纲影响、标准化后的特殊协方差。    既然是一种特殊的协方差，那它：  1、也可以反映两个变量变化时是同向还是反向，如果同向变化就为正，反向变化就为负。  2、由于它是标准化后的协方差，因此更重要的特性来了：它消除了两个变量变化幅度的影响，而只是单纯反应两个变量每单位变化时的相似程度。  为了能准确的研究两个变量在变化过程中的相似程度，我们就要把变化幅度对协方差的影响，从协方差中剔除掉。其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差

（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。

E(X)就是X的平均值你就想成你每次考试,比如2次考100,一次0分,一共3次,就是(2/3)*100+(1/3)*0=66.6分密度函数设成f(x,y) 就相当于上文(2/3),(1/3)积分就是求非常多个小东西的和,只不过这些东西是有实数那么多,求和就是离散的和,一般是有限个东西的和,最多就是整数那么多个和,不要把积分想的很神圣(重积分)x*f(x,y)就是E(X)(重积分)y*f(x,y)就是E(Y)(重积分)xy*f(x,y)就是E(XY)

定义：协方差（Covariance）用于衡量两个变量的总体误差。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。公式2---可以有如下理解：如果有X,Y两个变量，每个时刻的“X值与其均值之差”乘以“Y值与其均值之差”得到一个乘积，再对这每时刻的乘积求和并求出均值。注： 1.协方差可以反应两个变量的协同关系， 变化趋势是否一致。同向还是方向变化 2.X变大，同时Y也变大，说明两个变量是同向变化的，这时协方差就是正的。 3.X变大，同时Y变小，说明两个变量是反向变化的，这时协方差就是负的。 4.从数值来看，协方差的数值越大，两个变量同向程度也就越大。反之亦然。

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。 扩展资料协方差函数在概率论和统计学中，协方差是一种两个变量如何相关变化的度量，而协方差函数或核函数，描述一个随机过程或随机场中的空间上的协方差。对于一个随机场或随机过程Z(x)在定义域D，一个协方差函数C(x,y)给出在两个点x和y的值的协方差：C(x,y)在两种情况下称为自协方差函数:在时间序列(概念一致，除了x和y指时间点而不是空间点)，以及在多变量随机场（指变量自己的协方差，而不是互协方差）。参考资料来源：百度百科-协方差

1.在概率论和统计学中，协方差用于衡量两个变量的总体误差。2.期望值分别为E(X) = μ 与 E(Y) = ν 的两个实数随机变量X与Y之间的协方差定义为：COV(X，Y)=E[(X-E(X))(Y-E(Y))] 等价计算式为COV(X,Y)=E(XY)-E(X)E(Y)

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。 扩展资料协方差函数在概率论和统计学中，协方差是一种两个变量如何相关变化的度量，而协方差函数或核函数，描述一个随机过程或随机场中的空间上的协方差。对于一个随机场或随机过程Z(x)在定义域D，一个协方差函数C(x,y)给出在两个点x和y的值的协方差：C(x,y)在两种情况下称为自协方差函数:在时间序列(概念一致，除了x和y指时间点而不是空间点)，以及在多变量随机场（指变量自己的协方差，而不是互协方差）。参考资料来源：百度百科-协方差

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

协方差的计算公式为cov(X,Y)=E[(X-E[X])(Y-E[Y])]，这里的E[X]代表变量X的期望。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，两个变量之间的协方差就是正值。如果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]。协方差的特点协方差差出了一万倍，只能从两个协方差都是正数判断出两种情况下X、Y都是同向变化，但是，一点也看不出两种情况下X、Y的变化都具有相似性这一特点。相关系数是协方差除以标准差，当X,Y的波动幅度变大的时候，协方差变大，标准差也会变大，相关系数的分母都变大，其实变化的趋势是可以抵消的，协方差的取值范围是 正无穷到负无穷，相关系数则是+1 到-1之间。

对二维随机向量（X,Y)来说，期望E(X),E(Y)只反映了X,Y各自额平均值，方差D(X),D(Y)只反映了它们各自与自己均值的偏离程度，它们对X,Y之间的相互关系不提供任何信息。 我们知道当X,Y相互独立时，有 E((X-E(X))(Y-E(Y))＝0 由此可知，如不等于0，则它们肯定不独立 于是定义： 设(X,Y)是二维随机变量，若E(|(X-E(X))(Y-E(Y))|)小于无穷大，则称 E((X-E(X)(Y-(Y)))为X与Y的协方差，记为Cov(X,Y).即： Cov(X,Y)=E(((X-E(X))(Y-E(Y)))计算式： Cov(X,Y)=E(XY)-E(X)E(Y)满意请采纳

协方差计算式为COV(X，Y)=E(XY)-E(X)E(Y)。这里的E[X]代表变量X的期。协方差用于表示变量间的相互关系，变量间的相互关系一般有三种：正相关，负相关和不相关。正相关：假设有两个变量x和y，若x越大y越大；x越小y越小则x和y为正相关。负相关：假设有两个变量x和y，若x越大y越小；x越小y越大则x和y为负相关。不相关：假设有两个变量x和y，若x和y变化无关联则x和y为负相关。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。以上内容参考：百度百科-协方差

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))]。注意 E[(X-E(X))(Y-E(Y))]= E(XY)-E(X)E(Y) 。一：举例（1）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。二：（1）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。（2） 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。（3）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]。（4）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。（5）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。三：性质若两个随机变量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。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)。

　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)。　　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)。

如果说方差是用来衡量一个样本中，样本值的偏离程度的话，协方差就是用来衡量两个样本之间的相关性有多少，也就是一个样本的值的偏离程度，会对另外一个样本的值偏离产生多大的影响，协方差是可以用来计算相关系数的，相关系数p=cov(a.b)/sa*sb,cov(a.b)是协方差，sasb分别是样本标准差。从它的定义来说，叫协方差是比较合适的，表示两个标量之间协变动（comovement）的状况.

协方差定义为：COV（X，Y）=E［（X-E（X））（Y-E（Y））］等价计算式为COV（X，Y）=E（XY）-E（X）E（Y）。例如：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扩展资料：协方差公式推导cov(X,Y)=∑ni=1(Xi−X¯)(Yi−Y¯)n=E[(X−E[X])(Y−E[Y])]cov(X,Y)=∑i=1n(Xi−X¯)(Yi−Y¯)n=E[(X−E[X])(Y−E[Y])]=E[XY−E[X]Y−XE[Y]+E[X]E[Y]]=E[XY−E[X]Y−XE[Y]+E[X]E[Y]]因为均值计算是线性的，即（a和b均为常数）： E[aX+bY]=aE[X]+bE[Y]E[aX+bY]=aE[X]+bE[Y]方差的概念与计算公式，例1 两人的5次测验成绩如下：X： 50，100，100，60，50 E(X)=72；Y： 73， 70， 75，72，70 E(Y)=72。平均成绩相同，但X 不稳定，对平均值的偏离大。方差描述随机变量对于数学期望的偏离程度。单个偏离是消除符号影响方差即偏离平方的均值，记为D(X)：直接计算公式分离散型和连续型。推导另一种计算公式得到：“方差等于各个数据与其算术平均数的离差平方和的平均数”。其中，分别为离散型和连续型计算公式。 称为标准差或均方差，方差描述波动程度。参考资料：协方差计算-百度百科

协方差的计算公式为cov(X,Y)=E[(X-E[X])(Y-E[Y])]，这里的E[X]代表变量X的期望。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，两个变量之间的协方差就是正值。如果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]。协方差的特点协方差差出了一万倍，只能从两个协方差都是正数判断出两种情况下X、Y都是同向变化，但是，一点也看不出两种情况下X、Y的变化都具有相似性这一特点。相关系数是协方差除以标准差，当X,Y的波动幅度变大的时候，协方差变大，标准差也会变大，相关系数的分母都变大，其实变化的趋势是可以抵消的，协方差的取值范围是 正无穷到负无穷，相关系数则是+1 到-1之间。