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。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。
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。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。
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：
其中，E 是期望值。它也可以表示为：
直观上来看，协方差表示的是两个变量总体的误差，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 X 与 Y 是统计独立的，那么二者之间的协方差就是 0。这是因为
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。
协方差属性
如果 X 与 Y 是实数随机变量，a 与 b 不是随机变量，那么根据协方差的定义可以得到：
对于随机变量序列 X1, …, Xn 与 Y1, …, Ym，有
对于随机变量序列 X1, …, Xn，有
协方差矩阵
分别为 m 与 n 个标量元素的列向量随机变量 X 与 Y，二者对应的期望值分别为μ与ν，这两个变量之间的协方差定义为 m×n 矩阵。
两个向量变量的协方差 cov(X,Y)与 cov(Y,X)互为转置矩阵。
协方差有时也称为是两个随机变量之间“线性独立性”的度量，但是这个含义与线性代数中严格的线性独立性线性独立不同。
