随机变量的期望和方差反映的是随机变量自身的一维分布特征。然而一维特征之外，随机变量之间可能存在着种种相关关系。比如人的身高与体重，气象的温度与湿度，商品的广告费用与销量等等。有没有数字特征来反映变量间的这种二维关系呢？下面我们就来谈谈描述随机变量之间相关关系的数字特征。

我们知道两个变量的协方差就是一个二维数字特征：

但协方差的取值受两个变量各自的量纲影响，数字的意义并不明显，我们只知道独立的随机变量，协方差为零，其他的关系呢？无法从协方差的数字中直接读出。

今天我们将提出一种方法，对协方差进行无量纲化的修正。会有什么样的结果呢？

我们采用的方法就是对变量进行标准化处理。

如果随机变量X的方差DX存在，且DX>0,则称

X*= (X-EX)/√DX为X的标准化随机变量。我们看到标准化处理就是对原随机变量减其期望再除上其根方差。

由期望方差的运算性质我们可得:

EX*=0

D X*=1

数值如此简单，难怪X*被称为标准化变量。

通过标准化处理任意的随机变量，都转换成了期望为零，方差为1的标准化变量。

标准化的目的就是消除量纲希望以及方差的不同，对数据比较所造成的影响。

在综合评价中，标准分就是一个重要指标。

例如某次考试后，语文和数学的成绩都为均值80的正态分布。

但语文的方差为9，数学的方差为4；甲同学语文80分，数学86分。乙同学数学80分，语文86分。

从总分来看，两人总分相同。请问你觉得他们的能力是否也相同呢？两个86分，由正态分布的3σ原则，数学的86分是不是更加不易？是不是较语文的86分含金量更高？如何体现这种差异呢？对了，标准化处理。

我们分别计算两个86分对应的标准化成绩。

y^*=(86-80)/3=2；

x^*=(86-80)/2=3

减期望再除上根方差，数学的标准分就比语文的标准分高，而单纯的总分没能体现出这样的差别。

所以标准化的思想在综合评价中，特别是分布差异较大的指标时，是一个重要的处理方案。

既然随机变量标准化后，消除了量纲上的差异。那标准化变量X*与Y*的协方差就是两个变量二维特征的本质体现。

我们称X*与Y*的协方差为原变量X 与Y 的相关系数。

即为ρ（X,Y）=cov(X*,Y*)。

由协方差的运算性质:

那相关系数能不能较好的反映随机变量x 与y 之间的关系呢？我们来研究一下相关系数的性质。

相关系数的取值在-1到1之间。

证明:

令X*= (X-EX)/√DX，Y*= (Y-EY)/√DY,则

由于X*与Y*都是标准化变量，方差为1，协方差即为相关系数ρ（X,Y）。

由于方差总是大于等于0的，所以解不等式有2ρ(X,Y)≥-1；

同理由差的方差公式：

解不等式2ρ(X,Y)≤1。

从这个性质之相关系数取值以零为中心，左右对称，以±1为界。

那相关系数取不同的值都代表了什么意思呢？

ρ(X,Y)等于±1的充要条件为X与Y 以概率为1完全线性相关。

即 Y与X有线性的函数关系:

证明:

从刚才性质一的证明过程之相关系数等于1时,等价于D(X*-Y*)=0

而方差为零的变量将以概率1取值于他的期望。

由于X*与Y*为标准化变量，所以X*-Y*的期望为零，即以概率1有X*-Y*等于零。

P{ X*-Y*=0}=1即X*=Y*

P((X-EX)/√DX=(Y-EY)/√DY)=1,即=(X-EX)/√DX = (Y-EY)/√DY

同理，当ρ(X,Y)等于-1时。等价的有P{ X*=-Y*}=1。

表明ρ（X,Y）绝对值等于1时，X 与Y 具有最大的线性相关关系。

ρ（X,Y）=1时:

Y可以表示为X 的斜率为正的线性函数。

ρ（X,Y）=-1时：

Y 可以表示为X 的斜率为负的线性函数。

ρ（X,Y）=0时，表示X 与Y 没有一点儿线性相关的关系，称为X 与Y不线性相关。

ρ（X,Y） 不等于零时，表示X 与Y有部分的线性相关性，称X 与Y线性相关。其中，若大于零为正相关若小于零为负相关。ρ（X,Y）的绝对值的大小反映了相关性程度的大小。如越接近于1。表示Y 越接近于X 的正系数的线性表达；如越接近于-1表示Y越接近于Y 的负系数的线性表达。若越接近于零，表示Y 与X 的线性表达程度越来越弱，直到完全没有线性关系。

X与Y·1 独立则协方差为零，从而相关系数也为零。所以独立则不相关,反之则不然。虽然X与Y不相关，不具有线性关系,但可能存在非线性的关联,那就不是独立的了，所以独立与不相关，并不等价。

但正态分布是一个特例，独立与不相关是等价的。

对于二维正态随机变量

（X、Y）~N(μ1,μ2​,σ12​,σ22​,ρ)，其中中的参数ρ，可以证明它就是X、Y 的相关系数。

由二维正态分布的性质。X、Y独立的重要条件是ρ等于零，即X、Y不相关。