歡迎來到隨機變數的「合作世界」！

在過去的學習中，你可能一直把隨機變數（如 X 和 Y）視為獨立的個體。但在現實世界——以及在 Exam P 的考題中——隨機變數之間往往存在互動。例如，降雨量 (X) 可能與雨傘的銷售量 (Y) 有關。

在本章中，我們將學習如何量化這種「互動」。我們將重點介紹兩個核心工具：共變異數 (Covariance) 和 相關係數 (Correlation Coefficient)。它們能告訴我們變數之間是趨於同步、背道而馳，還是完全互不干擾。如果起初覺得有點抽象也不用擔心，一旦你掌握了當中的規律，這將會是整個課程中最具邏輯的部分之一！

1. 共變異數：關係的「方向」

共變異數是用來衡量兩個隨機變數共同變動程度的指標。當 X 上升時，Y 是否也傾向於上升？如果是，它們就有正的共變異數。

「官方」定義

X 與 Y 的共變異數，記作 \(Cov(X, Y)\)，定義如下：
\(Cov(X, Y) = E[(X - E[X])(Y - E[Y])]\)

「考試速算」公式（必須牢記！）

雖然上述定義有助於理解概念，但在考試中，你幾乎總是會使用這個速算公式，因為它計算起來快得多：
\(Cov(X, Y) = E[XY] - E[X]E[Y]\)

快速溫習：請記住 \(E[XY]\) 是「乘積的期望值」。對於離散變數，你需要將每個可能的 \(x \cdot y\) 乘以其聯合機率並相加；對於連續變數，則需要使用二重積分。

如何解讀結果：

  • 正共變異數： X 和 Y 朝 相同 方向移動。（例如：身高與體重）
  • 負共變異數： X 和 Y 朝 相反 方向移動。（例如：產品價格與銷售量）
  • 零共變異數： X 和 Y 之間沒有線性關係。

常見錯誤警示：學生常以為如果共變異數是 100，就代表關係比 10 時「更強」。事實並非如此！共變異數的大小取決於 單位（例如吋與哩的差異），這正是為什麼我們需要相關係數的原因。

重點總結：

共變異數告訴你關係的方向，但單憑其數值很難直接解釋，因為它對變數的量綱（scale）非常敏感。

2. 相關係數 (\(\rho\))：關係的「強度」

相關係數（以希臘字母 rho, \(\rho\) 表示）就像是「標準化」後的共變異數。它去除了單位影響，讓我們能精確看出線性關係的強弱。

公式

\(\rho_{X,Y} = \frac{Cov(X, Y)}{\sigma_X \sigma_Y}\)

其中 \(\sigma_X\) 和 \(\sigma_Y\) 分別是 X 和 Y 的標準差。

相關係數的黃金法則

  1. 範圍： \(\rho\) 的值 永遠 在 -1 到 1 之間 (\(-1 \le \rho \le 1\))。
  2. \(\rho = 1\)： 完美的正線性關係。若畫在圖表上，點會精確地落在斜率為正的直線上。
  3. \(\rho = -1\)：完美的負線性關係。
  4. \(\rho = 0\)：完全沒有線性關係。

類比：將共變異數想像成風的 速度與方向，而相關係數則像是一份 -100% 到 +100% 的 百分比分數，用來告訴你兩個人跳舞時的同步程度有多完美。

重點總結：

相關係數是無單位的，且永遠介於 -1 到 1 之間。它同時告訴你 X 與 Y 之間線性關係的方向與強度。

3. 獨立性與共變異數

這是 Exam P 出題者最喜歡的考點！你必須徹底理解獨立性與共變異數之間的連結。

若 X 與 Y 獨立...

如果 X 和 Y 是 獨立 的，那麼：

  • \(E[XY] = E[X]E[Y]\)
  • \(Cov(X, Y) = 0\)
  • \(\rho_{X,Y} = 0\)

避開「陷阱」！

獨立代表共變異數為 0，但共變異數為 0 並不一定代表獨立。
兩個變數的共變異數可能為 0，但它們仍可能存在非線性關係（如圓形或 U 型分佈）。如果題目說「X 和 Y 獨立」，你可以直接假設共變異數為 0。但如果題目只說「共變異數為 0」，除非有其他資訊，否則你 不能 假設它們獨立。

你知道嗎？之所以會有這種區別，是因為共變異數只能衡量 線性 關係。它對「曲線」類型的關係是「視而不見」的！

4. 共變異數的性質（好用的速算技巧）

背熟這些性質能為你在考場上省下寶貴的幾分鐘：

  • \(Cov(X, X) = Var(X)\)（變數與自身的共變異數就是它的變異數！）
  • \(Cov(X, Y) = Cov(Y, X)\)（順序不影響結果。）
  • \(Cov(aX + b, cY + d) = ac \cdot Cov(X, Y)\)（加上常數不影響共變異數，但乘以常數會影響！）
重點總結：

當你平移隨機變數（加減）時，共變異數保持不變；當你縮放隨機變數（乘除）時，共變異數會隨之乘以對應的係數乘積。

5. 和與差的變異數

Exam P 常要求你計算將 X 和 Y 相加後產生的新變數之變異數。這正是共變異數大顯身手的地方。

和的公式

\(Var(X + Y) = Var(X) + Var(Y) + 2Cov(X, Y)\)

差的公式

\(Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y)\)

注意！在相減的公式中，個別的變異數仍然是 相加 的。只有共變異數項是減掉的。這是非常容易出現符號錯誤的地方！

一般的線性組合

如果有常數 \(a\) 和 \(b\)：
\(Var(aX + bY) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y)\)

記憶技巧：這看起來就像代數展開式 \((a+b)^2 = a^2 + b^2 + 2ab\)。只要將字母替換成變異數與共變異數即可！

考試複習檢查表

在進行練習題之前，確保你能夠：

  • 從聯合分配中計算 \(E[X]\)、\(E[Y]\) 和 \(E[XY]\)。
  • 使用速算公式 \(Cov(X, Y) = E[XY] - E[X]E[Y]\)。
  • 利用標準差將共變異數轉換為相關係數。
  • 記住 獨立 \(\implies\) 共變異數 = 0。
  • 正確應用 \(Var(X \pm Y)\) 公式，特別留意 \(2Cov(X, Y)\) 這一項。

繼續練習吧！共變異數是將多變數連結在一起的「膠水」，熟練掌握它，會讓你處理複雜的聯合分佈問題時感到得心應手。你一定做得到！