如何通俗地理解协方差和相关系数？

1 正相关与负相关

1.1 相关性

事物之间可能会有关系，这可以通过数据看出。比如要买房的人越多（下图的城镇化率可以简单理解为进城买房的人数），房价就越高，两者的关系称为 正相关 ：

城镇化有另外一个反作用，降低出生率。城镇化和出生率之间的关系就是负相关 ，也就是说城镇化率越高、出生率会越低，所以说，“城镇化是最好的避孕药”：

1.2 股票组合

在现实生活中了解相关性是很有用处的，比如下面有三支股票，年度收益都是 10% ：

可以看到蓝色、绿色这两只股票走势基本一致，也就是这两者正相关；而蓝色、红色走势相反，蓝色上涨的时候红色下跌，也就是这两者负相关。基金经理会倾向于把负相关的两支股票做成一个组合，这样收益率也还是 10% ，但是整个组合波动会很小，整体看上去平稳上升。

这种相关性可以通过下面要介绍的 协方差 和 相关系数 来表示和计算。

2 矩形的面积

2.1 颜色

假设有两个随机变量，身高  和体重  ，很显然这两者应该是正相关

，也就是说身高增加体重也会随着增加。

但是怎么通过数学来表达呢？我们来看一个例子，下面是某班同学的身高体重：

这两个随机变量可以构成二维平面上的点  ，可以把它们画在直角坐标系上。我们先画出表中的前两个点：

很显然，相对于第一个点（152，45）而言，第二个点（160，54）横坐标增加了，同时纵坐标也增加了；也就是说第二个点代表的同学，身高增加了的同时体重也增加了，这两个点是正相关的，我们在两者之间画一个红色的矩形表示这两者是正相关的关系：

现在加入第三个点（172，44），这位同学可能比较瘦高，他和第一、第二位同学负相关，用蓝色的矩形来表示：

接着增加第四个点（175，64），它和前面三个点都是正相关；最后增加第五个点（180，80），它和去前面四个点全是正相关。所以这些矩形全是红色的：

画完之后整体看上去是红色的，这说明  、  这两个随机变量整体上是正相关的关系，虽然其中间杂着两个蓝色的矩形。

2.2 面积

从图形上可以看出红色有优势，说明是正相关。下面来看看如何通过代数计算出这个结果。从第一个红色矩形开始：

可以算出这个红色矩形的面积为正：

而某个蓝色矩形：

它的“面积”为负：

所以把所有的矩形的“面积”加起来，如果为正那么说明就是红色矩形占优势，也就是正相关；反之则是负相关；为0的话说明哪个都不占优势，则是不相关。就这里的具体问题而言，很显然红色更占优势，所以算出来为正（总共有  个矩形），是正相关。

2.3 一般化

如果有  个点的话，可以用：

来表示组成矩形的两个顶点，那么所有矩形的面积的和就可以表示为：

那么：

3 协方差

可以看出要计算面积还是挺麻烦的，数学家给出了一个简化的方案。

3.1 简化

按照刚才的计算方法，比如说某一个点  ，需要和所有的  配对，然后计算出得到的矩形的面积和。数学家就想用  的均值也就是期望  来代替所有的  ，以及用  的均值也就是期望  来代替所有的  ：

这样之前的面积计算公式就从：

变为了：

如此，计算就被大大简化了。下面用这种方法重新算下刚才的例子。

3.2 具体的例子

首先以  为原点，构建一个直角坐标系坐标系，它会把平面分为4个象限：

容易知道，一、三象限的点和  正相关，而二、四象限的点和  负相关。所以在一、三象限中各选一个点，它们和  构成的矩形是红色的：

在第四个象限中有一个点，它和   构成的矩形是蓝色的：

把所有矩形都画出来的话（总共只有5个矩形，按照上节给出的算法总共需要画10个矩形，可见现有算法确实大大简化了，点越多简化的效果越好），可以看到还是红色占优，因此总体来看  、  依然是正相关的：

3.3 协方差

还要考虑一点，每个点的概率是不一样的，因此各个矩形的面积并非是平等的，或者说权重是不一样的，所以需要对面积和进行加权平均，也就是对面积和计算数学期望，这就得到了：

设  是一个二维随机变量，若  存在，则称此数学期望为  与  的 协方差（Covariant），记作：

特别地有  。

很显然会有：

• 时，   、 正相关，即两者有同时增加或者减少的倾向

•  时，   、  负相关，即两者有反向增加或者减少的倾向 

•   时，  、  不相关

4 相关系数

之前求出来的协方差是有单位的，比如身高  （单位：厘米）与体重   、  （单位：公斤）的协方差  的单位是：厘米 · 公斤。

假如又有一个随机变量，同学的年龄  （单位：岁），它和体重的协方差  的单位为：岁 · 公斤。那么到底体重与身高更正相关，还是体重与岁数更正相关？，因为单位的原因导致我们没有办法进行比较，所以：

对于二维随机变量  ，各自的方差为：

则：

称为随机变量  和  的 相关系数 。

之前介绍过标准差是有单位的，比如刚才举的例子身高  （单位：厘米）、体重  （单位：公斤）以及年龄  （单位：岁），相除之后：

单位就约掉了，变成没有单位的数了，就可以进行比较了。比如刚才提到的身高  ，体重  以及年龄  ，假如说根据数据算出来：

马上可以知道相对于年龄，身高与体重之间的正相关关系更强烈。

5 线性相关

“正相关”或者“负相关”实际指的是  和  之间线性相关（此处证明省略了，对推导感兴趣的可以参加我们的课程《概率论与数理统计》）：

  和  除了“线性相关”之外，其实还可能是别的关系（下图标出了相关系数，当相关系数不为0时，也就是说“正相关”或“负相关”时，在图中都或多或少地呈现线性关系；当不具备线性关系时，比如说W形、圆圈形等，相关系数为0）：