为什么知道两个方差还不够
两个业务渠道各自波动多大，并不能完全告诉我们总业务量波动多大。若两者经常同时忙碌，总量可能更不稳定；若一个忙时另一个通常清闲，两种波动就可能部分抵消。协方差记录的是两个变量相对各自均值的偏离如何一起变化，因此它是组合风险计算中不能随意删掉的一项。
本文讨论具有有限二阶矩的随机变量。均值的线性关系 E(aX+bY+c)=aE(X)+bE(Y)+c 不要求独立；方差则需要额外的交叉项。把期望值的加法规则直接套到方差，是入门练习中常见且不容易被计算器发现的错误。先区分我们在描述平均水平，还是平均水平周围的波动。
原创联合分布：配对信息要保留
构造三个等可能的营业情景，每个概率为 1/3。情景甲中渠道 X 有 1 单、Y 有 2 单；情景乙为 X=2、Y=2；情景丙为 X=3、Y=5。这是完整指定的教学概率模型，不是从三个真实营业日估计总体，也不表示实际订单只有三种可能。
均值为 E(X)=(1+2+3)/3=2，E(Y)=(2+2+5)/3=3。注意数据的配对不能打乱：三个 X 与三个 Y 不是可以任意重新组合的两列数字。把 Y 重新排序会改变共同出现的情景，从而可能改变协方差，即使每列均值和方差完全不变。
还可以检查概率表本身：三个联合情景的概率之和为一，其余组合在这个模型中的概率为零。例如 X=1 与 Y=5 各自都有可能，但它们同时出现的概率为零，而两个边际概率的乘积为九分之一。这已经说明不能把两列当成独立变量，再补出原模型中不存在的组合。
两条路径计算协方差
按定义，Cov(X,Y)=E[(X−E(X))(Y−E(Y))]。三个情景中 X 的偏离为 −1、0、1，Y 的偏离为 −1、−1、2；逐对相乘为 1、0、2。加权平均得到协方差 (1+0+2)/3=1，单位是订单数的平方。它为正，说明这个模型存在总体上的同向偏离。
也可以计算 E(XY)−E(X)E(Y)。本例 XY 为 2、4、15，故 E(XY)=7，减去 2×3 后仍得 1。第二条路线适合核验算术，第一条路线更能解释符号。协方差不是“两个变量有一单的因果影响”，也不是概率；数值大小依赖变量所用的单位。
从各自方差得到相关系数
X 的方差为 (1+0+1)/3=2/3；Y 的方差为 (1+1+4)/3=2。因此相关系数为 1/[√(2/3)×√2]=√3/2，约 0.866。除以两个标准差后消除了单位，便于比较线性关联的强弱，但这里的高相关仍只属于我们设定的三个情景。
若把 X 的单位改成百单，其数值会除以 100，协方差随之除以 100，X 的方差除以 10000，而相关系数不变。若某个变量恒定、标准差为零，相关系数的这一公式没有定义；不能为了让软件输出一个数而把分母的零换成任意很小的数。
相加与相减的波动为什么不同
通式为 Var(aX+bY)=a²Var(X)+b²Var(Y)+2abCov(X,Y)。对总量 S=X+Y，方差为 2/3+2+2=14/3。直接核验也很简单：S 的三个值为 3、4、8，均值 5，平方偏离为 4、1、9，平均后正好是 14/3。遗漏协方差会算成 8/3，低估总量波动。
对差额 D=X−Y，方差为 2/3+2−2=2/3。D 的值是 −1、0、−2，均值 −1，平方偏离为 0、1、1，同样验证了结果。减号改变的是交叉项，Y 自身方差仍为正。方差衡量平方偏离，不可能因为表达式里有减号就把 Var(Y) 也直接减去。
作为对照，可以另建一个模型，把三个配对改为 (1,5)、(2,2)、(3,2)，仍各以三分之一发生。两列各自的均值和方差不变，但协方差变成负一，总量的方差降为三分之二。这是用于比较的另一套假设分布，不能把真实记录这样重新配对后冒充原始数据。它说明边际波动相同，也可能拥有完全不同的总波动。
零协方差不等于独立，样本也不是总体
另设 U 在 −1、0、1 上等可能取值，V=U²。由于 E(U)=0 且 E(UV)=E(U³)=0，协方差为零；但知道 U=0 就能确定 V=0，而不知道 U 时 V=0 的概率仅为 1/3，所以两者并不独立。这是非线性依赖被线性指标漏掉的具体反例。
在有限方差条件下，独立可以推出零协方差，反方向一般不成立。若三对数值其实是独立同分布样本，常用的样本协方差估计分母为 n−1，本例样本估计会是 3/2，而非概率模型的 1。写计算前必须说明是给定分布的总体量，还是用数据估计总体，不能混用两套分母。
自测：给变量加权、再加常数
沿用三情景模型，令 Z=2X−Y+10。请先用均值和方差公式计算，再列出三个情景的 Z 值核验。解析：E(Z)=2×2−3+10=11；Var(Z)=4×(2/3)+2−4×1=2/3。常数 10 把所有取值平移，改变均值，却不会改变相对均值的偏离。
直接计算得到 Z 的取值为 10、12、11，均值 11，平方偏离为 1、1、0，平均为 2/3。若得到 10 又加进方差，说明把位置平移误当成波动；若得到负方差，应重点检查系数是否平方、交叉项的符号以及协方差是否与方差使用同一数据口径。
把计算结果写成有边界的解释
一份清楚的答案应保留联合情景与概率、各自均值、偏离乘积、方差和最终线性组合。解释时说“在给定分布下，两渠道同向变化使总量方差增加”，比简单说“相关系数大，因此一定危险”更准确。组合系数为负时，同样的正协方差反而可能降低差额的波动。
真实业务中，季节性、共同促销和容量限制都可能改变依赖结构。过去估计出的协方差不自动适用于未来，也不能证明一个渠道引起另一个渠道的变化。学习本方法的目标是识别遗漏的共同波动项，随后检查样本时期、配对方式、异常值和建模假设，而不是把单个相关系数当成完整决策依据。
若用表格软件复核，保留一列情景概率，再分别建立偏离、偏离乘积与平方偏离列。概率不相等时必须使用加权求和，不能因为只有三行就统一除以三。检查权重是否合计为一，也检查同一个情景的两个变量是否来自同一观察单位；这些基础核对通常比多保留几位小数更重要。
参考资料
下一步
如想练习概率与协方差，请说明课程模块、使用的是概率分布还是样本数据，以及已完成的计算步骤。相关辅导能否安排，取决于学科匹配和导师时间。