核心要点
协方差 Cov(X,Y)=E[(X-μ_X)(Y-μ_Y)]，衡量两变量同向/反向变动，带量纲，取值范围无界。
相关系数 ρ=Cov(X,Y)/(σ_X·σ_Y)，是协方差对标准差的归一化，无量纲，范围固定在 [-1,1]。
量纲敏感性：对变量做线性缩放，协方差随之改变，但相关系数不变——所以跨变量比较强弱要用相关系数。
二者都只刻画线性关系：ρ=0 仅表示无线性相关，不代表独立（可能有强非线性关系）。
标准回答
定义差异
协方差 (Cov(X,Y)=E[(X-\mu_X)(Y-\mu_Y)]) 度量两个变量是否同向变动：正值同向、负值反向、接近 0 表示无线性关联。但它带有 X 与 Y 单位的乘积量纲，数值大小受尺度影响，无法直接判断相关强弱。
相关系数（Pearson）(\rho=\dfrac{Cov(X,Y)}{\sigma_X\sigma_Y}) 是用两者标准差对协方差做归一化的结果，因此无量纲、严格落在 ([-1,1]) 区间，(|\rho|) 越接近 1 线性关系越强。
关键区别
- 量纲：协方差有量纲，相关系数无量纲。
- 范围：协方差无界，相关系数限定 ([-1,1])。
- 尺度不变性：相关系数对线性缩放不变，协方差不是。
共同局限
两者都只测线性相关。(\rho=0) 不等于独立，例如 (Y=X^2)（X 对称分布）线性相关为 0 但显然不独立。
常见误区
⚠️ 常见踩坑
把相关系数为 0 等同于变量独立——它只说明没有线性相关，非线性依赖仍可能很强；独立可推出 ρ=0，反之不成立。
追问
追问 1：相关系数为 0 一定意味着两个变量独立吗？
不一定。(\rho=0) 只说明没有线性相关。独立是更强的条件（联合分布等于边际分布之积），独立必然 (\rho=0)，但 (\rho=0) 推不出独立。典型反例 (Y=X^2)：当 X 关于 0 对称分布时线性相关为 0，但 Y 完全由 X 决定。要捕捉非线性依赖可用互信息或距离相关。
追问 2：为什么相关系数能被限制在 [-1,1] 之间？
由 Cauchy-Schwarz 不等式 (|Cov(X,Y)|\le\sigma_X\sigma_Y)，两边除以 (\sigma_X\sigma_Y) 即得 (|\rho|\le 1)。等号当且仅当 X、Y 之间存在完全线性关系 (Y=aX+b) 时成立，(a>0) 取 +1、(a<0) 取 -1。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。