Eigenschaften und Rechenregeln
Zusammenhang von Kovarianz und Korrelation
Die Kovarianz ist zu zwei Eigenschaften der Daten proportional, der Stärke des Zusammenhangs und den Amplituden beider Streuungen. Um den Zusammenhang isoliert zu betrachten und vergleichbar zu machen, kann die Kovarianz mithilfe der Standardabweichung durch den Korrelationskoeffizient standardisiert werden.
Durch die Umrechnung der Kovarianz in die Korrelation

wird der Wertebereich in das Intervall
projiziert. Dabei können folgende Fälle unterschieden werden:
|
 |
= 1 |
vollständig (positiv) korreliert |
| 0 < |
 |
< 1 |
partiell (positiv) korreliert |
|
 |
= 0 |
vollständig unkorreliert |
| −1 < |
 |
< 0 |
partiell antikorreliert |
|
 |
= −1 |
vollständig antikorreliert |
Verschiebungssatz
Zur oft einfacheren Berechnung der Kovarianz kann man auch den Verschiebungssatz als alternative Darstellung der Kovarianz anwenden.
Satz (Verschiebungssatz für die Kovarianz):

Beweis:
![{\displaystyle {\begin{aligned}\operatorname {Cov} (X,Y)&=\operatorname {E} {\bigl [}(X-\operatorname {E} (X))\cdot (Y-\operatorname {E} (Y)){\bigr ]}\\&=\operatorname {E} {\bigl [}(XY-X\operatorname {E} (Y)-Y\operatorname {E} (X)+\operatorname {E} (X)\operatorname {E} (Y)){\bigr ]}\\&=\operatorname {E} (XY)-\operatorname {E} (X)\operatorname {E} (Y)-\operatorname {E} (Y)\operatorname {E} (X)+\operatorname {E} (X)\operatorname {E} (Y)\\&=\operatorname {E} (XY)-\operatorname {E} (X)\operatorname {E} (Y)\qquad \Box \end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/1f1f5f881c260b38a9ee78fb19c148c4f5f59698)
Beziehung zur Varianz
Wie aus der Definition direkt ersichtlich, gilt
Damit ist die Kovarianz eine Verallgemeinerung der Varianz.
Mit Hilfe der Kovarianzen lässt sich auch die Varianz einer Summe von quadratintegrierbaren Zufallsvariablen berechnen. Allgemein gilt

Speziell für die Summe zweier Zufallsvariablen gilt daher die Formel

Wie sich unmittelbar aus der Definition ergibt, ändert die Kovarianz das Vorzeichen, wenn eine der Variablen das Vorzeichen ändert:

Somit ergibt sich für die Differenz zweier Zufallsvariablen die Formel

Linearität, Symmetrie und Definitheit
Satz: Die Kovarianz ist eine positiv semidefinite symmetrische Bilinearform auf dem Vektorraum der quadratisch integrierbaren Zufallsvariablen.
Es gelten also die folgenden drei Sätze:
Satz (Bilinearität): Für Konstanten
und Zufallsvariablen
gilt:

![{\displaystyle \operatorname {Cov} [X,(eY+f)+(gZ+h)]=e\operatorname {Cov} (X,Y)+g\operatorname {Cov} (X,Z).}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e2ec4fade415de1ca2a724ecc9f1e25a265d661a)

Beweis
![{\displaystyle {\begin{aligned}\operatorname {Cov} (aX+b,cY+d)&=\operatorname {E} {\bigl [}(aX+b-\operatorname {E} (aX+b))\cdot (cY+d-\operatorname {E} (cY+d)){\bigr ]}\\&=\operatorname {E} {\bigl [}(aX-a\operatorname {E} (X))\cdot (cY-c\operatorname {E} (Y)){\bigr ]}\\&=ac\operatorname {E} {\bigl [}(X-\operatorname {E} (X))\cdot (Y-\operatorname {E} (Y)){\bigr ]}\\&=ac\operatorname {Cov} (X,Y)\end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/0c07641b767ecc042277e68bb2d2fb1eeec56326)
![{\displaystyle {\begin{aligned}\operatorname {Cov} [X,(eY+f)+(gZ+h)]&=\operatorname {E} {\bigl [}(X-\operatorname {E} (X))\cdot (eY+f+gZ+h-\operatorname {E} (eY+f+gZ+h)){\bigr ]}\\&=\operatorname {E} {\bigl [}(X-\operatorname {E} (X))\cdot (eY-e\operatorname {E} (Y)+gZ-g\operatorname {E} (Z)){\bigr ]}\\&=\operatorname {E} {\bigl [}(X-\operatorname {E} (X))\cdot e(Y-\operatorname {E} (Y))+(X-\operatorname {E} (X))\cdot g(Z-\operatorname {E} (Z)){\bigr ]}\\&=e\operatorname {E} {\bigl [}(X-\operatorname {E} (X))\cdot (Y-\operatorname {E} (Y)){\bigr ]}+g\operatorname {E} {\bigl [}(X-\operatorname {E} (X))\cdot (Z-\operatorname {E} (Z)){\bigr ]}\\&=e\operatorname {Cov} (X,Y)+g\operatorname {Cov} (X,Z)\qquad \Box \end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2574e1045ef0d8cb1e03affe152285cbd782830b)
- Die dritte Zeile folgt aus den anderen Eigenschaften
![{\displaystyle {\begin{aligned}\operatorname {Cov} [aX+bY,cW+dZ]&=\operatorname {Cov} [aX,cW]+\operatorname {Cov} [aX,dZ]+\operatorname {Cov} [bY,cW]+\operatorname {Cov} [bY,dZ]\qquad \Box \end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/41a9ca038242284f5eb76ecae69e6b0d8c1ab3c0)
Die Kovarianz ist offensichtlich invariant unter der Addition von Konstanten zu den Zufallsvariablen. In der zweiten Gleichung ist die Kovarianz wegen der Symmetrie auch im ersten Argument linear.
Satz (Symmetrie):

Beweis:
![{\displaystyle {\begin{aligned}\operatorname {Cov} (X,Y)&=\operatorname {E} {\bigl [}(Y-\operatorname {E} (Y))\cdot (X-\operatorname {E} (X)){\bigr ]}\\&=\operatorname {Cov} (Y,X)\qquad \Box \end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/c208da3cbdf45e976ee0122f150dceb5cd233795)
Satz (Positive Semidefinitheit):

Beweis:

Insgesamt folgt wie für jede positiv semidefinite symmetrische Bilinearform die Cauchy-Schwarzsche Ungleichung

Beziehung zum Korrelationskoeffizienten
Die Linearität der Kovarianz hat zur Folge, dass die Kovarianz vom Maßstab der Zufallsvariablen abhängt. So erhält man beispielsweise die zehnfache Kovarianz, wenn man anstatt
die Zufallsvariable
betrachtet. Insbesondere hängt der Wert der Kovarianz von den verwendeten Maßeinheiten der Zufallsvariablen ab. Da diese Eigenschaft die absoluten Werte der Kovarianz schwer interpretierbar macht, betrachtet man bei der Untersuchung auf einen linearen Zusammenhang zwischen
und
häufig stattdessen den maßstabsunabhängigen Korrelationskoeffizienten. Der maßstabsunabhängige Korrelationskoeffizient zweier Zufallsvariablen
und
ist die Kovarianz der standardisierten (auf die Standardabweichung bezogenen) Zufallsvariablen
und
:
.
Unkorreliertheit und Unabhängigkeit
Definition (Unkorreliertheit): Zwei Zufallsvariablen
und
heißen unkorreliert, wenn
.
Satz: Zwei stochastisch unabhängige Zufallsvariablen sind unkorreliert.
Beweis: Für stochastisch unabhängige Zufallsvariablen
und
gilt
, d. h.

Der Umkehrschluss gilt im Allgemeinen nicht. Ein Gegenbeispiel ist gegeben durch eine im Intervall
gleichverteilte Zufallsvariable
und
. Offenkundig sind
und
voneinander abhängig. Es gilt aber
.
Stochastisch unabhängige Zufallsvariablen, deren Kovarianz existiert, sind also auch unkorreliert. Umgekehrt bedeutet Unkorreliertheit aber nicht zwingend, dass die Zufallsvariablen stochastisch unabhängig sind, denn es kann eine nichtmonotone Abhängigkeit bestehen, die die Kovarianz nicht erfasst.
Weitere Beispiele für unkorrelierte, aber stochastisch abhängige Zufallsvariablen:
- Seien
und
Zufallsvariablen mit
und 
- Dann gilt
und
, 
- Es folgt
und ebenfalls
, also 
- Andererseits sind
und
wegen
nicht stochastisch unabhängig.
- Seien die Zufallsvariablen
und
bernoulliverteilt mit Parameter
und unabhängig, dann sind
und
unkorreliert, aber nicht unabhängig.
- Die Unkorreliertheit ist klar, denn

- Aber
und
sind nicht unabhängig, denn es ist 