Ковариация — это мера, показывающая, как две случайные величины X и Y изменяются относительно друг друга. Если изменения одной случайной величины сопровождаются изменениями другой в том же направлении, ковариация будет положительной; если в противоположном направлении — отрицательной.
Ковариация определяется следующим образом:
Cov(X, Y) = E((X - E(X)) * (Y - E(Y)))
Cov(X, Y) = Σ (x - E(X)) * (y - E(Y)) * P(X = x, Y = y).Cov(X, Y) = ∬ (x - E(X)) * (y - E(Y)) * f(x, y) dx dy, где f(x, y) — совместная плотность распределения.Cov(X, Y) > 0, то X и Y имеют тенденцию увеличиваться вместе.Cov(X, Y) < 0, то при увеличении одной величины другая имеет тенденцию уменьшаться.Cov(X, Y) = 0, это может указывать на независимость X и Y, хотя не всегда.Cov(aX + b, Y) = a * Cov(X, Y).Коэффициент корреляции (или корреляция Пирсона) — это нормированная мера взаимосвязи между двумя случайными величинами, которая показывает степень линейной зависимости между ними. Коэффициент корреляции ρ определяется как:
ρ(X, Y) = Cov(X, Y) / (σ_X * σ_Y)
где:
Cov(X, Y) — ковариация случайных величин X и Y.σ_X и σ_Y — стандартные отклонения X и Y соответственно.-1 до 1.X и Y идеально увеличиваются вместе.X и Y изменяются в противоположных направлениях.X и Y независимы, хотя возможны нелинейные зависимости.Предположим, что X и Y — это данные по росту и весу группы людей. Если увеличение роста сопровождается увеличением веса, то ковариация и коэффициент корреляции между этими величинами будут положительными.
Ковариация и коэффициент корреляции являются основными показателями для анализа взаимосвязей между случайными величинами. Ковариация описывает направление зависимости, тогда как коэффициент корреляции нормирует эту зависимость, позволяя судить о её силе. Эти показатели широко используются в статистике, экономике, биологии и других науках для анализа данных и принятия решений.