"\u0641\u064A \u0646\u0638\u0631\u064A\u0629 \u0627\u0644\u0627\u062D\u062A\u0645\u0627\u0644\u0627\u062A \u0648\u0627\u0644\u0625\u062D\u0635\u0627\u0621\u060C \u0627\u0644\u062A\u063A\u0627\u064A\u0631 (\u0628\u0627\u0644\u0625\u0646\u062C\u0644\u064A\u0632\u064A\u0629: Covariance)\u200F \u0647\u0648 \u0645\u0642\u064A\u0627\u0633 \u0644\u0643\u0645\u064A\u0629 \u062A\u063A\u064A\u064A\u0631 \u0645\u062A\u063A\u064A\u0631\u064A\u0646 \u0645\u0639 \u0628\u0639\u0636\u0647\u0645\u0627 (\u0627\u0644\u062A\u0628\u0627\u064A\u0646 \u0647\u0648 \u062D\u0627\u0644\u0629 \u062E\u0627\u0635\u0629 \u0645\u0646 \u0627\u0644\u062A\u063A\u0627\u064A\u0631\u061B \u064A\u0633\u0645\u0649 \u0627\u0644\u062A\u063A\u0627\u064A\u0631 \u062A\u0628\u0627\u064A\u0646\u0627 \u0639\u0646\u062F\u0645\u0627 \u064A\u0643\u0648\u0646 \u0627\u0644\u0645\u062A\u063A\u064A\u0631\u0627\u0646 \u0645\u062A\u0633\u0627\u0648\u064A\u064A\u0646). \u062A\u0643\u0648\u0646 \u0642\u064A\u0645\u0629 \u0627\u0644\u062A\u063A\u0627\u064A\u0631 \u0645\u0648\u062C\u0628\u0629 \u0639\u0646\u062F\u0645\u0627 \u064A\u062A\u063A\u064A\u0631 \u0645\u062A\u063A\u064A\u0631\u0627\u0646 \u0645\u0639 \u0628\u0639\u0636\u0647\u0645\u0627 \u0627\u0644\u0628\u0639\u0636 (\u0625\u0630\u0627 \u0643\u0627\u0646 \u0623\u062D\u062F \u0627\u0644\u0645\u062A\u062D\u0648\u0644\u064A\u0646 \u0641\u0648\u0642 \u0642\u064A\u0645\u062A\u0647 \u0627\u0644\u0645\u062A\u0648\u0642\u0639\u0629\u060C \u0641\u0625\u0646 \u0627\u0644\u0622\u062E\u0631 \u0623\u064A\u0636\u0627\u064B \u064A\u0643\u0648\u0646 \u0641\u0648\u0642 \u0642\u064A\u0645\u062A\u0647 \u0627\u0644\u0645\u062A\u0648\u0642\u0639\u0629)\u060C \u0648\u0639\u0644\u0649 \u0627\u0644\u0639\u0643\u0633 \u0641\u062A\u0643\u0648\u0646 \u0642\u064A\u0645\u0629 \u0627\u0644\u062A\u063A\u0627\u064A\u0631 \u0633\u0627\u0644\u0628\u0629 \u0639\u0646\u062F\u0645\u0627 \u064A\u0643\u0648\u0646 \u0623\u062D\u062F \u0627\u0644\u0645\u062A\u063A\u064A\u0631\u064A\u0646 \u0641\u0648\u0642 \u0642\u064A\u0645\u062A\u0647 \u0627\u0644\u0645\u062A\u0648\u0642\u0639\u0629 \u0628\u064A\u0646\u0645\u0627 \u0627\u0644\u0622\u062E\u0631 \u064A\u0643\u0648\u0646 \u062F\u0648\u0646\u0647\u0627."@ar . . "157059"^^ . "Covarianza"@es . "En teorio de probabloj kaj statistiko, la kunvarianco inter du reelo-valoraj hazardaj variabloj X kaj Y, kun atendataj valoroj kaj , estas notita per (anka\u016D foje per ), kaj difinita tiel: kie E estas la atendata valoro. Intuicie, kunvarianco estas la mezuro de kiom du variabloj varias kune. Tio estas ke la kunvarianco i\u011Das pli pozitiva por \u0109iu paro de valoroj kiu diferenci\u011Das de iliaj meznombroj en la sama direkto, kaj i\u011Das pli negativa kun \u0109iu paro de valoroj kiuj diferenci\u011Das de ilia meznombro en kontra\u016Daj direktoj. Tiamaniere, ju pli ofte ili diferenci\u011Das en la sama direkto, des pli pozitiva la kunvarianco, kaj ju pli ofte ili diferenci\u011Das en kontra\u016Daj direktoj, des pli negativa la kunvarianco. La kunvarianco estas iam nomata kiel mezuro de \"lineara dependeco\" inter la du hazardaj variabloj. La frazo \"lineara dependeco\" \u0109i tie signifas ne la samon kiel \u011Di signifas en lineara algebro, vidu en lineara dependeco, kvankam \u0109i tiuj signifoj iel interrilatas. La unuo de mezuro de la kunvarianco cov(X, Y) estas tiuj de X multiplikitaj je tiuj de Y. Per kontrasto, la korelacio, kiu dependas de la kunvarianco, estas mezuri de la lineara dependeco. La difino pli supre estas ekvivalenta al la sekva formulo kiu estadas uzata en kalkuloj: . Se X kaj Y estas sendependaj, tiam ilia kunvarianco estas nulo. \u0108i tio sekvas, \u0109ar en okazo de sendependeco: do La reo, tamen, ne estas \u011Denerale vera: eblas ke X kaj Y estas ne sendependaj sed ilia kunvarianco estas nulo. Hazarda variablo, kies kunvarianco (kun certa alia hazarda variablo) estas nulo, estas nomata nekorelaciigita al la alia. Se X kaj Y estas reelo-valoraj hazarda variablo kaj c estas konstanto (\"konstanto\", en \u0109i tiu \u0109irka\u016Dteksto, signifas ke ne hazarda), tiam jenaj faktoj sekvas de la difino de kunvarianco: Por kolumno-vektoro-valoraj hazardaj variabloj X kaj Y kun n kaj m skalaraj komponantoj respektive kaj kun respektivaj atendataj valoroj \u03BC kaj \u03BD, la kunvarianco estas difinita al esti la n\u00D7m matrico Por vektoro-valora hazarda variablo, cov(X, Y) kaj cov(Y, X) estas transponoj unu de la alia: cov(X, Y) = cov(Y, X)T"@eo . "En probabilidad y estad\u00EDstica, la covarianza es un valor que indica el grado de variaci\u00F3n conjunta de dos variables aleatorias respecto a sus medias. Es el dato b\u00E1sico para determinar si existe una dependencia entre ambas variables y adem\u00E1s es el dato necesario para estimar otros par\u00E1metros b\u00E1sicos, como el coeficiente de correlaci\u00F3n lineal o la recta de regresi\u00F3n."@es . "\u5171\u8B8A\u7570\u6578\uFF08\u82F1\u8A9E\uFF1ACovariance\uFF09\uFF0C\u5728\u6A5F\u7387\u8AD6\u8207\u7D71\u8A08\u5B78\u4E2D\u7528\u65BC\u8861\u91CF\u4E24\u4E2A\u968F\u673A\u53D8\u91CF\u7684\u8054\u5408\u53D8\u5316\u7A0B\u5EA6\u3002 \u82E5\u53D8\u91CFX\u7684\u8F83\u5927\u503C\u4E3B\u8981\u4E0E\u53E6\u4E00\u4E2A\u53D8\u91CFY\u7684\u8F83\u5927\u503C\u76F8\u5BF9\u5E94\uFF0C\u800C\u4E24\u8005\u7684\u8F83\u5C0F\u503C\u4E5F\u76F8\u5BF9\u5E94\uFF0C\u5219\u53EF\u7A31\u5169\u8B8A\u6578\u503E\u5411\u4E8E\u8868\u73B0\u51FA\u76F8\u4F3C\u7684\u884C\u4E3A\uFF0C\u534F\u65B9\u5DEE\u4E3A\u6B63\u3002\u5728\u76F8\u53CD\u7684\u60C5\u51B5\u4E0B\uFF0C\u5F53\u4E00\u4E2A\u53D8\u91CF\u7684\u8F83\u5927\u503C\u4E3B\u8981\u5BF9\u5E94\u4E8E\u53E6\u4E00\u4E2A\u53D8\u91CF\u7684\u8F83\u5C0F\u503C\u65F6\uFF0C\u5219\u4E24\u53D8\u91CF\u503E\u5411\u4E8E\u8868\u73B0\u51FA\u76F8\u53CD\u7684\u884C\u4E3A\uFF0C\u534F\u65B9\u5DEE\u4E3A\u8D1F\u3002\u5373\u5171\u8B8A\u7570\u6578\u4E4B\u6B63\u8CA0\u865F\u986F\u793A\u8457\u8B8A\u6578\u7684\u76F8\u5173\u6027\u3002 \u534F\u65B9\u5DEE\u7684\u6570\u503C\u5927\u5C0F\u53D6\u51B3\u65BC\u8B8A\u6578\u5927\u5C0F\uFF0C\u56E0\u6B64\u4E0D\u6613\u89E3\u91CB\u3002\u4E0D\u8FC7\uFF0C\u5E38\u614B\u5F62\u5F0F\u7684\u534F\u65B9\u5DEE\u5927\u5C0F\u53EF\u4EE5\u663E\u793A\u4E24\u53D8\u91CF\u7EBF\u6027\u5173\u7CFB\u7684\u5F3A\u5F31\uFF0C\u53EF\u89C1\u76AE\u5C14\u900A\u79EF\u77E9\u76F8\u5173\u7CFB\u6570\u3002 \u65B9\u5DEE\u70BA\u534F\u65B9\u5DEE\u7684\u4E00\u79CD\u7279\u6B8A\u60C5\u6CC1\uFF0C\u5373\u8A72\u8B8A\u6578\u8207\u5176\u81EA\u8EAB\u4E4B\u5171\u8B8A\u7570\u6578\u3002"@zh . "Covariance"@en . . . . . . . "Covariance"@fr . . "En teorio de probabloj kaj statistiko, la kunvarianco inter du reelo-valoraj hazardaj variabloj X kaj Y, kun atendataj valoroj kaj , estas notita per (anka\u016D foje per ), kaj difinita tiel: kie E estas la atendata valoro. La kunvarianco estas iam nomata kiel mezuro de \"lineara dependeco\" inter la du hazardaj variabloj. La frazo \"lineara dependeco\" \u0109i tie signifas ne la samon kiel \u011Di signifas en lineara algebro, vidu en lineara dependeco, kvankam \u0109i tiuj signifoj iel interrilatas. La difino pli supre estas ekvivalenta al la sekva formulo kiu estadas uzata en kalkuloj: . do cov(X, Y) = cov(Y, X)T"@eo . "Kovarians (sannolikhetsteori)"@sv . . . . . "Sa mhatamaitic, t\u00E9arma a chuims\u00EDonn air\u00EDonna cothrom\u00F3id\u00ED matamaitici\u00FAla a bhfuil a bhfoirmeacha comhionann i gc\u00F3rais dhifri\u00FAla comhordan\u00E1id\u00ED. Tugtar do-athraitheacht foirme air seo freisin. Is air\u00ED riachtanach \u00E9 i gcothrom\u00F3id\u00ED i dteoiric na himtharraingthe is teoiric\u00ED na bhf\u00F3rsa\u00ED n\u00FAicl\u00E9acha."@ga . . "Kowariancja"@pl . . "\u041A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u044F"@ru . . . . "Sa mhatamaitic, t\u00E9arma a chuims\u00EDonn air\u00EDonna cothrom\u00F3id\u00ED matamaitici\u00FAla a bhfuil a bhfoirmeacha comhionann i gc\u00F3rais dhifri\u00FAla comhordan\u00E1id\u00ED. Tugtar do-athraitheacht foirme air seo freisin. Is air\u00ED riachtanach \u00E9 i gcothrom\u00F3id\u00ED i dteoiric na himtharraingthe is teoiric\u00ED na bhf\u00F3rsa\u00ED n\u00FAicl\u00E9acha."@ga . . . . . "Em teoria da probabilidade e na estat\u00EDstica, a covari\u00E2ncia, ou vari\u00E2ncia conjunta, \u00E9 uma medida do grau de interdepend\u00EAncia (ou inter-rela\u00E7\u00E3o) num\u00E9rica entre duas vari\u00E1veis aleat\u00F3rias. Assim, vari\u00E1veis independentes t\u00EAm covari\u00E2ncia zero. A covari\u00E2ncia \u00E9 por vezes chamada de medida de depend\u00EAncia linear entre as duas vari\u00E1veis aleat\u00F3rias."@pt . . "Dins l'entorn de l'estad\u00EDstica la covari\u00E0ncia \u00E9s una mesura de dispersi\u00F3 conjunta de dues variables estad\u00EDstiques."@ca . . "En th\u00E9orie des probabilit\u00E9s et en statistique, la covariance entre deux variables al\u00E9atoires est un nombre permettant de quantifier leurs \u00E9carts conjoints par rapport \u00E0 leurs esp\u00E9rances respectives. Elle s\u2019utilise \u00E9galement pour deux s\u00E9ries de donn\u00E9es num\u00E9riques (\u00E9carts par rapport aux moyennes). La covariance de deux variables al\u00E9atoires ind\u00E9pendantes est nulle, bien que la r\u00E9ciproque ne soit pas toujours vraie. La covariance est une extension de la notion de variance. La corr\u00E9lation est une forme normalis\u00E9e de la covariance (la dimension de la covariance entre deux variables est le produit de leurs dimensions, alors que la corr\u00E9lation est une grandeur adimensionnelle). Ce concept se g\u00E9n\u00E9ralise naturellement \u00E0 plusieurs variables (vecteur al\u00E9atoire) par la matrice de covariance (ou matrice de variance-covariance) qui, pour un ensemble de p variables al\u00E9atoires r\u00E9elles X1... Xp est la matrice carr\u00E9e dont l'\u00E9l\u00E9ment de la ligne i et de la colonne j est la covariance des variables Xi et Xj. Cette matrice permet de quantifier la variation de chaque variable par rapport \u00E0 chacune des autres. La forme normalis\u00E9e de la matrice de covariance est la matrice de corr\u00E9lation. \u00C0 titre d'exemple, la dispersion d'un ensemble de points al\u00E9atoires dans un espace \u00E0 deux dimensions ne peut pas \u00EAtre totalement caract\u00E9ris\u00E9e par un seul nombre, ni par les seules variances dans les directions x et y ; une matrice 2 \u00D7 2 permet d\u2019appr\u00E9hender pleinement la nature bidimensionnelle des variations. La matrice de covariance \u00E9tant une matrice semi-d\u00E9finie positive, elle peut \u00EAtre diagonalis\u00E9e et l\u2019\u00E9tude des valeurs propres et vecteurs propres permet de caract\u00E9riser la distribution \u00E0 l\u2019aide d\u2019une base orthogonale : cette approche est l'objet de l'analyse en composantes principales qui peut \u00EAtre consid\u00E9r\u00E9e comme une sorte de compression de l\u2019information."@fr . . . . "Dins l'entorn de l'estad\u00EDstica la covari\u00E0ncia \u00E9s una mesura de dispersi\u00F3 conjunta de dues variables estad\u00EDstiques."@ca . . "In probability theory and statistics, covariance is a measure of the joint variability of two random variables. If the greater values of one variable mainly correspond with the greater values of the other variable, and the same holds for the lesser values (that is, the variables tend to show similar behavior), the covariance is positive. In the opposite case, when the greater values of one variable mainly correspond to the lesser values of the other, (that is, the variables tend to show opposite behavior), the covariance is negative. The sign of the covariance therefore shows the tendency in the linear relationship between the variables. The magnitude of the covariance is not easy to interpret because it is not normalized and hence depends on the magnitudes of the variables. The normalized version of the covariance, the correlation coefficient, however, shows by its magnitude the strength of the linear relation. A distinction must be made between (1) the covariance of two random variables, which is a population parameter that can be seen as a property of the joint probability distribution, and (2) the sample covariance, which in addition to serving as a descriptor of the sample, also serves as an estimated value of the population parameter."@en . "Kunvarianco"@eo . . . "Kovariance je statistickou m\u00EDrou line\u00E1rn\u00ED z\u00E1vislosti dvou veli\u010Din. Normovan\u00E1 hodnota kovariance je korela\u010Dn\u00ED koeficient."@cs . . "In statistica e in teoria della probabilit\u00E0, la covarianza di due variabili statistiche o variabili aleatorie \u00E8 un valore numerico che fornisce una misura di quanto le due varino assieme."@it . . . . . . "De covariantie is in de statistiek en kansrekening een parameter die bij twee toevalsvariabelen aangeeft in welke mate de beide toevalsvariabelen (lineair) met elkaar samenhangen. De covariantie geeft aan of, en indirect in welke mate, de waarden van de ene variabele toe- dan wel afnemen bij toenemende waarden van de andere.. Met covariantie wordt ook vaak de steekproefcovariantie aangeduid, een grootheid die uit de steekproef berekend wordt als schatter voor de bovengenoemde parameter."@nl . . . "\u0641\u064A \u0646\u0638\u0631\u064A\u0629 \u0627\u0644\u0627\u062D\u062A\u0645\u0627\u0644\u0627\u062A \u0648\u0627\u0644\u0625\u062D\u0635\u0627\u0621\u060C \u0627\u0644\u062A\u063A\u0627\u064A\u0631 (\u0628\u0627\u0644\u0625\u0646\u062C\u0644\u064A\u0632\u064A\u0629: Covariance)\u200F \u0647\u0648 \u0645\u0642\u064A\u0627\u0633 \u0644\u0643\u0645\u064A\u0629 \u062A\u063A\u064A\u064A\u0631 \u0645\u062A\u063A\u064A\u0631\u064A\u0646 \u0645\u0639 \u0628\u0639\u0636\u0647\u0645\u0627 (\u0627\u0644\u062A\u0628\u0627\u064A\u0646 \u0647\u0648 \u062D\u0627\u0644\u0629 \u062E\u0627\u0635\u0629 \u0645\u0646 \u0627\u0644\u062A\u063A\u0627\u064A\u0631\u061B \u064A\u0633\u0645\u0649 \u0627\u0644\u062A\u063A\u0627\u064A\u0631 \u062A\u0628\u0627\u064A\u0646\u0627 \u0639\u0646\u062F\u0645\u0627 \u064A\u0643\u0648\u0646 \u0627\u0644\u0645\u062A\u063A\u064A\u0631\u0627\u0646 \u0645\u062A\u0633\u0627\u0648\u064A\u064A\u0646). \u062A\u0643\u0648\u0646 \u0642\u064A\u0645\u0629 \u0627\u0644\u062A\u063A\u0627\u064A\u0631 \u0645\u0648\u062C\u0628\u0629 \u0639\u0646\u062F\u0645\u0627 \u064A\u062A\u063A\u064A\u0631 \u0645\u062A\u063A\u064A\u0631\u0627\u0646 \u0645\u0639 \u0628\u0639\u0636\u0647\u0645\u0627 \u0627\u0644\u0628\u0639\u0636 (\u0625\u0630\u0627 \u0643\u0627\u0646 \u0623\u062D\u062F \u0627\u0644\u0645\u062A\u062D\u0648\u0644\u064A\u0646 \u0641\u0648\u0642 \u0642\u064A\u0645\u062A\u0647 \u0627\u0644\u0645\u062A\u0648\u0642\u0639\u0629\u060C \u0641\u0625\u0646 \u0627\u0644\u0622\u062E\u0631 \u0623\u064A\u0636\u0627\u064B \u064A\u0643\u0648\u0646 \u0641\u0648\u0642 \u0642\u064A\u0645\u062A\u0647 \u0627\u0644\u0645\u062A\u0648\u0642\u0639\u0629)\u060C \u0648\u0639\u0644\u0649 \u0627\u0644\u0639\u0643\u0633 \u0641\u062A\u0643\u0648\u0646 \u0642\u064A\u0645\u0629 \u0627\u0644\u062A\u063A\u0627\u064A\u0631 \u0633\u0627\u0644\u0628\u0629 \u0639\u0646\u062F\u0645\u0627 \u064A\u0643\u0648\u0646 \u0623\u062D\u062F \u0627\u0644\u0645\u062A\u063A\u064A\u0631\u064A\u0646 \u0641\u0648\u0642 \u0642\u064A\u0645\u062A\u0647 \u0627\u0644\u0645\u062A\u0648\u0642\u0639\u0629 \u0628\u064A\u0646\u0645\u0627 \u0627\u0644\u0622\u062E\u0631 \u064A\u0643\u0648\u0646 \u062F\u0648\u0646\u0647\u0627."@ar . . . . . "Covari\u00E0ncia"@ca . "Kovariance je statistickou m\u00EDrou line\u00E1rn\u00ED z\u00E1vislosti dvou veli\u010Din. Normovan\u00E1 hodnota kovariance je korela\u010Dn\u00ED koeficient."@cs . . "Die Kovarianz (lateinisch con- = \u201Emit-\u201C und Varianz (Streuung) von variare = \u201E(ver)\u00E4ndern, verschieden sein\u201C, daher selten auch Mitstreuung) ist in der Stochastik ein nichtstandardisiertes Zusammenhangsma\u00DF f\u00FCr einen monotonen Zusammenhang zweier Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsverteilung. Der Wert dieser Kennzahl macht tendenzielle Aussagen dar\u00FCber, ob hohe Werte der einen Zufallsvariablen eher mit hohen oder eher mit niedrigen Werten der anderen Zufallsvariablen einhergehen."@de . "Covariantie"@nl . . . . . "Kowariancja, \u2013 liczba okre\u015Blaj\u0105ca odchylenie element\u00F3w od sytuacji idealnej, w kt\u00F3rej wyst\u0119puje zale\u017Cno\u015B\u0107 liniowa. Zale\u017Cno\u015B\u0107 t\u0119 okre\u015Bla si\u0119 mi\u0119dzy zmiennymi losowymi i"@pl . . "\u5171\u5206\u6563\uFF08\u304D\u3087\u3046\u3076\u3093\u3055\u3093\u3001\u82F1: covariance\uFF09\u3068\u306F\u3001\u5927\u304D\u3055\u304C\u540C\u30582\u3064\u306E\u30C7\u30FC\u30BF\u306E\u9593\u3067\u306E\u3001\u5E73\u5747\u304B\u3089\u306E\u504F\u5DEE\u306E\u7A4D\u306E\u5E73\u5747\u5024\u3067\u3042\u308B\u30022 \u7D44\u306E\u78BA\u7387\u5909\u6570 X, Y \u306E\u5171\u5206\u6563 Cov[X, Y] \u306F\u3001E \u3067\u671F\u5F85\u5024\u3092\u8868\u3059\u3053\u3068\u306B\u3057\u3066\u3001 \u3067\u5B9A\u7FA9\u3059\u308B\u3002 \u3068\u3082\u5B9A\u7FA9\u3067\u304D\u308B\u3002 X \u3068 Y \u306E\u5171\u5206\u6563\u306F \u3084 \u3068\u8868\u8A18\u3055\u308C\u308B\u3053\u3068\u3082\u3042\u308B\u3002"@ja . . "\u0423 \u0442\u0435\u043E\u0440\u0456\u0457 \u0439\u043C\u043E\u0432\u0456\u0440\u043D\u043E\u0441\u0442\u0456 \u0442\u0430 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0446\u0456, \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0301\u0446\u0456\u044F (\u0430\u043D\u0433\u043B. covariance) \u2014 \u0446\u0435 \u043C\u0456\u0440\u0430 \u0441\u043F\u0456\u043B\u044C\u043D\u043E\u0457 \u043C\u0456\u043D\u043B\u0438\u0432\u043E\u0441\u0442\u0456 \u0434\u0432\u043E\u0445 \u0432\u0438\u043F\u0430\u0434\u043A\u043E\u0432\u0438\u0445 \u0437\u043C\u0456\u043D\u043D\u0438\u0445. \u042F\u043A\u0449\u043E \u0431\u0456\u043B\u044C\u0448\u0456 \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F \u043E\u0434\u043D\u0456\u0454\u0457 \u0437\u043C\u0456\u043D\u043D\u043E\u0457 \u0437\u0434\u0435\u0431\u0456\u043B\u044C\u0448\u043E\u0433\u043E \u0432\u0456\u0434\u043F\u043E\u0432\u0456\u0434\u0430\u044E\u0442\u044C \u0431\u0456\u043B\u044C\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F\u043C \u0456\u043D\u0448\u043E\u0457, \u0439 \u0442\u0435 \u0441\u0430\u043C\u0435 \u0432\u0438\u043A\u043E\u043D\u0443\u0454\u0442\u044C\u0441\u044F \u0434\u043B\u044F \u043C\u0435\u043D\u0448\u0438\u0445 \u0437\u043D\u0430\u0447\u0435\u043D\u044C, \u0442\u043E\u0431\u0442\u043E \u0437\u043C\u0456\u043D\u043D\u0456 \u0441\u0445\u0438\u043B\u044C\u043D\u0456 \u0434\u0435\u043C\u043E\u043D\u0441\u0442\u0440\u0443\u0432\u0430\u0442\u0438 \u043F\u043E\u0434\u0456\u0431\u043D\u0443 \u043F\u043E\u0432\u0435\u0434\u0456\u043D\u043A\u0443, \u0442\u043E \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u044F \u0454 \u0434\u043E\u0434\u0430\u0442\u043D\u043E\u044E. \u0412 \u043F\u0440\u043E\u0442\u0438\u043B\u0435\u0436\u043D\u043E\u043C\u0443 \u0432\u0438\u043F\u0430\u0434\u043A\u0443, \u043A\u043E\u043B\u0438 \u0431\u0456\u043B\u044C\u0448\u0456 \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F \u043E\u0434\u043D\u0456\u0454\u0457 \u0437\u043C\u0456\u043D\u043D\u043E\u0457 \u0437\u0434\u0435\u0431\u0456\u043B\u044C\u0448\u043E\u0433\u043E \u0432\u0456\u0434\u043F\u043E\u0432\u0456\u0434\u0430\u044E\u0442\u044C \u043C\u0435\u043D\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F\u043C \u0456\u043D\u0448\u043E\u0457, \u0442\u043E\u0431\u0442\u043E \u0437\u043C\u0456\u043D\u043D\u0456 \u0441\u0445\u0438\u043B\u044C\u043D\u0456 \u0434\u0435\u043C\u043E\u043D\u0441\u0442\u0440\u0443\u0432\u0430\u0442\u0438 \u043F\u0440\u043E\u0442\u0438\u043B\u0435\u0436\u043D\u0443 \u043F\u043E\u0432\u0435\u0434\u0456\u043D\u043A\u0443, \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u044F \u0454 \u0432\u0456\u0434'\u0454\u043C\u043D\u043E\u044E. \u041E\u0442\u0436\u0435, \u0437\u043D\u0430\u043A \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u0457 \u043F\u043E\u043A\u0430\u0437\u0443\u0454 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0456\u044E \u0432 \u043B\u0456\u043D\u0456\u0439\u043D\u043E\u043C\u0443 \u0432\u0437\u0430\u0454\u043C\u043E\u0437\u0432'\u044F\u0437\u043A\u0443 \u043C\u0456\u0436 \u0446\u0438\u043C\u0438 \u0437\u043C\u0456\u043D\u043D\u0438\u043C\u0438. \u0412\u0435\u043B\u0438\u0447\u0438\u043D\u0443 \u0436 \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u0457 \u0456\u043D\u0442\u0435\u0440\u043F\u0440\u0435\u0442\u0443\u0432\u0430\u0442\u0438 \u043D\u0435\u043F\u0440\u043E\u0441\u0442\u043E. \u041F\u0440\u043E\u0442\u0435 \u0443\u043D\u043E\u0440\u043C\u043E\u0432\u0430\u043D\u0430 \u0432\u0435\u0440\u0441\u0456\u044F \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u0457, \u043A\u043E\u0435\u0444\u0456\u0446\u0456\u0454\u043D\u0442 \u043A\u043E\u0440\u0435\u043B\u044F\u0446\u0456\u0457, \u043F\u043E\u043A\u0430\u0437\u0443\u0454 \u0441\u0432\u043E\u0454\u044E \u0432\u0435\u043B\u0438\u0447\u0438\u043D\u043E\u044E \u0441\u0438\u043B\u0443 \u0446\u044C\u043E\u0433\u043E \u043B\u0456\u043D\u0456\u0439\u043D\u043E\u0433\u043E \u0432\u0437\u0430\u0454\u043C\u043E\u0437\u0432'\u044F\u0437\u043A\u0443. \u0421\u043B\u0456\u0434 \u0440\u043E\u0437\u0440\u0456\u0437\u043D\u044F\u0442\u0438 (1) \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u044E \u0434\u0432\u043E\u0445 \u0432\u0438\u043F\u0430\u0434\u043A\u043E\u0432\u0438\u0445 \u0437\u043C\u0456\u043D\u043D\u0438\u0445, \u044F\u043A\u0430 \u0454 \u043F\u0430\u0440\u0430\u043C\u0435\u0442\u0440\u043E\u043C \u0441\u0443\u043A\u0443\u043F\u043D\u043E\u0441\u0442\u0456, \u0449\u043E \u043C\u043E\u0436\u043D\u0430 \u0440\u043E\u0437\u0433\u043B\u044F\u0434\u0430\u0442\u0438 \u044F\u043A \u0432\u043B\u0430\u0441\u0442\u0438\u0432\u0456\u0441\u0442\u044C \u0441\u043F\u0456\u043B\u044C\u043D\u043E\u0433\u043E \u0440\u043E\u0437\u043F\u043E\u0434\u0456\u043B\u0443 \u0439\u043C\u043E\u0432\u0456\u0440\u043D\u043E\u0441\u0442\u0456, \u0442\u0430 (2) \u0432\u0438\u0431\u0456\u0440\u043A\u043E\u0432\u0443 \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u044E, \u044F\u043A\u0430 \u043D\u0430 \u0434\u043E\u0434\u0430\u0447\u0443 \u0434\u043E \u0442\u043E\u0433\u043E, \u0449\u043E \u0432\u043E\u043D\u0430 \u0441\u043B\u0443\u0433\u0443\u0454 \u043E\u043F\u0438\u0441\u043E\u043C \u0432\u0438\u0431\u0456\u0440\u043A\u0438, \u0441\u043B\u0443\u0433\u0443\u0454 \u0442\u0430\u043A\u043E\u0436 \u0456 \u043E\u0446\u0456\u043D\u043A\u043E\u044E \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F \u043F\u0430\u0440\u0430\u043C\u0435\u0442\u0440\u0443 \u0441\u0443\u043A\u0443\u043F\u043D\u043E\u0441\u0442\u0456."@uk . . . . . "En th\u00E9orie des probabilit\u00E9s et en statistique, la covariance entre deux variables al\u00E9atoires est un nombre permettant de quantifier leurs \u00E9carts conjoints par rapport \u00E0 leurs esp\u00E9rances respectives. Elle s\u2019utilise \u00E9galement pour deux s\u00E9ries de donn\u00E9es num\u00E9riques (\u00E9carts par rapport aux moyennes). La covariance de deux variables al\u00E9atoires ind\u00E9pendantes est nulle, bien que la r\u00E9ciproque ne soit pas toujours vraie."@fr . "Kowariancja, \u2013 liczba okre\u015Blaj\u0105ca odchylenie element\u00F3w od sytuacji idealnej, w kt\u00F3rej wyst\u0119puje zale\u017Cno\u015B\u0107 liniowa. Zale\u017Cno\u015B\u0107 t\u0119 okre\u015Bla si\u0119 mi\u0119dzy zmiennymi losowymi i"@pl . . "\u041A\u043E\u0432\u0430\u0440\u0438\u0430\u0301\u0446\u0438\u044F \u0438\u043B\u0438 \u043A\u043E\u0440\u0440\u0435\u043B\u044F\u0446\u0438\u043E\u043D\u043D\u044B\u0439 \u043C\u043E\u043C\u0435\u043D\u0442 \u0441\u043B\u0443\u0447\u0430\u0439\u043D\u044B\u0445 \u0432\u0435\u043B\u0438\u0447\u0438\u043D \u2014 \u0432 \u0442\u0435\u043E\u0440\u0438\u0438 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0435\u0439 \u0438 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043A\u0435 \u043C\u0435\u0440\u0430 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u0434\u0432\u0443\u0445 \u0441\u043B\u0443\u0447\u0430\u0439\u043D\u044B\u0445 \u0432\u0435\u043B\u0438\u0447\u0438\u043D. \u0412 \u0442\u0435\u043E\u0440\u0438\u0438 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0435\u0439 \u0438 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043A\u0435 \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u044F \u044F\u0432\u043B\u044F\u0435\u0442\u0441\u044F \u043C\u0435\u0440\u043E\u0439 \u0441\u043E\u0432\u043C\u0435\u0441\u0442\u043D\u043E\u0439 \u0438\u0437\u043C\u0435\u043D\u0447\u0438\u0432\u043E\u0441\u0442\u0438 \u0434\u0432\u0443\u0445 \u0441\u043B\u0443\u0447\u0430\u0439\u043D\u044B\u0445 \u0432\u0435\u043B\u0438\u0447\u0438\u043D. \u0415\u0441\u043B\u0438 \u0431\u043E\u043B\u044C\u0448\u0438\u0435 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F \u043E\u0434\u043D\u043E\u0439 \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u043E\u0439 \u0432 \u043E\u0441\u043D\u043E\u0432\u043D\u043E\u043C \u0441\u043E\u043E\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044E\u0442 \u0431\u043E\u043B\u044C\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F\u043C \u0434\u0440\u0443\u0433\u043E\u0439 \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u043E\u0439, \u0438 \u0442\u043E \u0436\u0435 \u0441\u0430\u043C\u043E\u0435 \u0432\u0435\u0440\u043D\u043E \u0434\u043B\u044F \u043C\u0435\u043D\u044C\u0448\u0438\u0445 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u0439 (\u0442\u043E \u0435\u0441\u0442\u044C \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0435 \u0438\u043C\u0435\u044E\u0442 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0438\u044E \u0434\u0435\u043C\u043E\u043D\u0441\u0442\u0440\u0438\u0440\u043E\u0432\u0430\u0442\u044C \u043E\u0434\u0438\u043D\u0430\u043A\u043E\u0432\u043E\u0435 \u043F\u043E\u0432\u0435\u0434\u0435\u043D\u0438\u0435), \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u044F \u043F\u043E\u043B\u043E\u0436\u0438\u0442\u0435\u043B\u044C\u043D\u0430.\u0412 \u043F\u0440\u043E\u0442\u0438\u0432\u043E\u043F\u043E\u043B\u043E\u0436\u043D\u043E\u043C \u0441\u043B\u0443\u0447\u0430\u0435, \u043A\u043E\u0433\u0434\u0430 \u0431\u043E\u043B\u044C\u0448\u0438\u0435 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F \u043E\u0434\u043D\u043E\u0439 \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u043E\u0439 \u0432 \u043E\u0441\u043D\u043E\u0432\u043D\u043E\u043C \u0441\u043E\u043E\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044E\u0442 \u043C\u0435\u043D\u044C\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F\u043C \u0434\u0440\u0443\u0433\u043E\u0439 (\u0442. \u0435. \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0435 \u0438\u043C\u0435\u044E\u0442 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0438\u044E \u043F\u043E\u043A\u0430\u0437\u044B\u0432\u0430\u0442\u044C \u043F\u0440\u043E\u0442\u0438\u0432\u043E\u043F\u043E\u043B\u043E\u0436\u043D\u043E\u0435 \u043F\u043E\u0432\u0435\u0434\u0435\u043D\u0438\u0435), \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u044F \u043E\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043B\u044C\u043D\u0430. \u0422\u0430\u043A\u0438\u043C \u043E\u0431\u0440\u0430\u0437\u043E\u043C, \u0437\u043D\u0430\u043A \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u0438 \u043F\u043E\u043A\u0430\u0437\u044B\u0432\u0430\u0435\u0442 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0438\u044E \u043B\u0438\u043D\u0435\u0439\u043D\u043E\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u043C\u0435\u0436\u0434\u0443 \u043F\u0435\u0440\u0435\u043C\u0435\u043D"@ru . . "\u041A\u043E\u0432\u0430\u0440\u0438\u0430\u0301\u0446\u0438\u044F \u0438\u043B\u0438 \u043A\u043E\u0440\u0440\u0435\u043B\u044F\u0446\u0438\u043E\u043D\u043D\u044B\u0439 \u043C\u043E\u043C\u0435\u043D\u0442 \u0441\u043B\u0443\u0447\u0430\u0439\u043D\u044B\u0445 \u0432\u0435\u043B\u0438\u0447\u0438\u043D \u2014 \u0432 \u0442\u0435\u043E\u0440\u0438\u0438 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0435\u0439 \u0438 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043A\u0435 \u043C\u0435\u0440\u0430 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u0434\u0432\u0443\u0445 \u0441\u043B\u0443\u0447\u0430\u0439\u043D\u044B\u0445 \u0432\u0435\u043B\u0438\u0447\u0438\u043D. \u0412 \u0442\u0435\u043E\u0440\u0438\u0438 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0435\u0439 \u0438 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043A\u0435 \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u044F \u044F\u0432\u043B\u044F\u0435\u0442\u0441\u044F \u043C\u0435\u0440\u043E\u0439 \u0441\u043E\u0432\u043C\u0435\u0441\u0442\u043D\u043E\u0439 \u0438\u0437\u043C\u0435\u043D\u0447\u0438\u0432\u043E\u0441\u0442\u0438 \u0434\u0432\u0443\u0445 \u0441\u043B\u0443\u0447\u0430\u0439\u043D\u044B\u0445 \u0432\u0435\u043B\u0438\u0447\u0438\u043D. \u0415\u0441\u043B\u0438 \u0431\u043E\u043B\u044C\u0448\u0438\u0435 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F \u043E\u0434\u043D\u043E\u0439 \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u043E\u0439 \u0432 \u043E\u0441\u043D\u043E\u0432\u043D\u043E\u043C \u0441\u043E\u043E\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044E\u0442 \u0431\u043E\u043B\u044C\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F\u043C \u0434\u0440\u0443\u0433\u043E\u0439 \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u043E\u0439, \u0438 \u0442\u043E \u0436\u0435 \u0441\u0430\u043C\u043E\u0435 \u0432\u0435\u0440\u043D\u043E \u0434\u043B\u044F \u043C\u0435\u043D\u044C\u0448\u0438\u0445 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u0439 (\u0442\u043E \u0435\u0441\u0442\u044C \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0435 \u0438\u043C\u0435\u044E\u0442 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0438\u044E \u0434\u0435\u043C\u043E\u043D\u0441\u0442\u0440\u0438\u0440\u043E\u0432\u0430\u0442\u044C \u043E\u0434\u0438\u043D\u0430\u043A\u043E\u0432\u043E\u0435 \u043F\u043E\u0432\u0435\u0434\u0435\u043D\u0438\u0435), \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u044F \u043F\u043E\u043B\u043E\u0436\u0438\u0442\u0435\u043B\u044C\u043D\u0430.\u0412 \u043F\u0440\u043E\u0442\u0438\u0432\u043E\u043F\u043E\u043B\u043E\u0436\u043D\u043E\u043C \u0441\u043B\u0443\u0447\u0430\u0435, \u043A\u043E\u0433\u0434\u0430 \u0431\u043E\u043B\u044C\u0448\u0438\u0435 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F \u043E\u0434\u043D\u043E\u0439 \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u043E\u0439 \u0432 \u043E\u0441\u043D\u043E\u0432\u043D\u043E\u043C \u0441\u043E\u043E\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044E\u0442 \u043C\u0435\u043D\u044C\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F\u043C \u0434\u0440\u0443\u0433\u043E\u0439 (\u0442. \u0435. \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0435 \u0438\u043C\u0435\u044E\u0442 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0438\u044E \u043F\u043E\u043A\u0430\u0437\u044B\u0432\u0430\u0442\u044C \u043F\u0440\u043E\u0442\u0438\u0432\u043E\u043F\u043E\u043B\u043E\u0436\u043D\u043E\u0435 \u043F\u043E\u0432\u0435\u0434\u0435\u043D\u0438\u0435), \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u044F \u043E\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043B\u044C\u043D\u0430. \u0422\u0430\u043A\u0438\u043C \u043E\u0431\u0440\u0430\u0437\u043E\u043C, \u0437\u043D\u0430\u043A \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u0438 \u043F\u043E\u043A\u0430\u0437\u044B\u0432\u0430\u0435\u0442 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0438\u044E \u043B\u0438\u043D\u0435\u0439\u043D\u043E\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u043C\u0435\u0436\u0434\u0443 \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u043C\u0438. \u0412\u0435\u043B\u0438\u0447\u0438\u043D\u0443 \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u0438 \u043D\u0435\u043B\u0435\u0433\u043A\u043E \u0438\u043D\u0442\u0435\u0440\u043F\u0440\u0435\u0442\u0438\u0440\u043E\u0432\u0430\u0442\u044C, \u043F\u043E\u0441\u043A\u043E\u043B\u044C\u043A\u0443 \u043E\u043D\u0430 \u043D\u0435 \u043D\u043E\u0440\u043C\u0438\u0440\u043E\u0432\u0430\u043D\u0430 \u0438, \u0441\u043B\u0435\u0434\u043E\u0432\u0430\u0442\u0435\u043B\u044C\u043D\u043E, \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043E\u0442 \u0432\u0435\u043B\u0438\u0447\u0438\u043D \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0445. \u041E\u0434\u043D\u0430\u043A\u043E \u043D\u043E\u0440\u043C\u0430\u043B\u0438\u0437\u043E\u0432\u0430\u043D\u043D\u0430\u044F \u0432\u0435\u0440\u0441\u0438\u044F \u043A\u043E\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u0438, \u043A\u043E\u044D\u0444\u0444\u0438\u0446\u0438\u0435\u043D\u0442 \u043A\u043E\u0440\u0440\u0435\u043B\u044F\u0446\u0438\u0438, \u0441\u0432\u043E\u0435\u0439 \u0432\u0435\u043B\u0438\u0447\u0438\u043D\u043E\u0439 \u043F\u043E\u043A\u0430\u0437\u044B\u0432\u0430\u0435\u0442 \u0441\u0438\u043B\u0443 \u043B\u0438\u043D\u0435\u0439\u043D\u043E\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438."@ru . . . "\uACF5\uBD84\uC0B0(\u5171\u5206\u6563, \uC601\uC5B4: covariance)\uC740 2\uAC1C\uC758 \uD655\uB960\uBCC0\uC218\uC758 \uC120\uD615 \uAD00\uACC4\uB97C \uB098\uD0C0\uB0B4\uB294 \uAC12\uC774\uB2E4. \uB9CC\uC57D 2\uAC1C\uC758 \uBCC0\uC218\uC911 \uD558\uB098\uC758 \uAC12\uC774 \uC0C1\uC2B9\uD558\uB294 \uACBD\uD5A5\uC744 \uBCF4\uC77C \uB54C \uB2E4\uB978 \uAC12\uB3C4 \uC0C1\uC2B9\uD558\uB294 \uC120\uD615 \uC0C1\uAD00\uC131\uC774 \uC788\uB2E4\uBA74 \uC591\uC218\uC758 \uACF5\uBD84\uC0B0\uC744 \uAC00\uC9C4\uB2E4. \uBC18\uB300\uB85C 2\uAC1C\uC758 \uBCC0\uC218\uC911 \uD558\uB098\uC758 \uAC12\uC774 \uC0C1\uC2B9\uD558\uB294 \uACBD\uD5A5\uC744 \uBCF4\uC77C \uB54C \uB2E4\uB978 \uAC12\uC774 \uD558\uAC15\uD558\uB294 \uC120\uD615 \uC0C1\uAD00\uC131\uC744 \uBCF4\uC778\uB2E4\uBA74 \uACF5\uBD84\uC0B0\uC758 \uAC12\uC740 \uC74C\uC218\uAC00 \uB41C\uB2E4. \uC774\uB807\uAC8C \uACF5\uBD84\uC0B0\uC740 \uC0C1\uAD00\uAD00\uACC4\uC758 \uC0C1\uC2B9 \uD639\uC740 \uD558\uAC15\uD558\uB294 \uACBD\uD5A5\uC744 \uC774\uD574\uD560 \uC218 \uC788\uC73C\uB098 2\uAC1C \uBCC0\uC218\uC758 \uCE21\uC815 \uB2E8\uC704\uC758 \uD06C\uAE30\uC5D0 \uB530\uB77C \uAC12\uC774 \uB2EC\uB77C\uC9C0\uBBC0\uB85C \uC0C1\uAD00\uBD84\uC11D\uC744 \uD1B5\uD574 \uC815\uB3C4\uB97C \uD30C\uC545\uD558\uAE30\uC5D0\uB294 \uBD80\uC801\uC808\uD558\uB2E4. \uC0C1\uAD00\uBD84\uC11D\uC5D0\uC11C\uB294 \uC0C1\uAD00\uAD00\uACC4\uC758 \uC815\uB3C4\uB97C \uB098\uD0C0\uB0B4\uB294 \uB2E8\uC704\uB85C \uBAA8\uC0C1\uAD00\uACC4\uC218\uB85C\uB294 \uADF8\uB9AC\uC2A4 \uBB38\uC790 \u03C1\uB97C, \uD45C\uBCF8\uC0C1\uAD00\uACC4\uC218\uB85C\uB294 \uC54C\uD30C\uBCB3 s\uB97C \uC0AC\uC6A9\uD55C\uB2E4."@ko . . "1116580021"^^ . "\uACF5\uBD84\uC0B0"@ko . . . . . . . . . . . . . . . "In probability theory and statistics, covariance is a measure of the joint variability of two random variables. If the greater values of one variable mainly correspond with the greater values of the other variable, and the same holds for the lesser values (that is, the variables tend to show similar behavior), the covariance is positive. In the opposite case, when the greater values of one variable mainly correspond to the lesser values of the other, (that is, the variables tend to show opposite behavior), the covariance is negative. The sign of the covariance therefore shows the tendency in the linear relationship between the variables. The magnitude of the covariance is not easy to interpret because it is not normalized and hence depends on the magnitudes of the variables. The normalized"@en . . . . . "Covarianza (probabilit\u00E0)"@it . . . . "In statistica e in teoria della probabilit\u00E0, la covarianza di due variabili statistiche o variabili aleatorie \u00E8 un valore numerico che fornisce una misura di quanto le due varino assieme."@it . . "\u5171\u8B8A\u7570\u6578\uFF08\u82F1\u8A9E\uFF1ACovariance\uFF09\uFF0C\u5728\u6A5F\u7387\u8AD6\u8207\u7D71\u8A08\u5B78\u4E2D\u7528\u65BC\u8861\u91CF\u4E24\u4E2A\u968F\u673A\u53D8\u91CF\u7684\u8054\u5408\u53D8\u5316\u7A0B\u5EA6\u3002 \u82E5\u53D8\u91CFX\u7684\u8F83\u5927\u503C\u4E3B\u8981\u4E0E\u53E6\u4E00\u4E2A\u53D8\u91CFY\u7684\u8F83\u5927\u503C\u76F8\u5BF9\u5E94\uFF0C\u800C\u4E24\u8005\u7684\u8F83\u5C0F\u503C\u4E5F\u76F8\u5BF9\u5E94\uFF0C\u5219\u53EF\u7A31\u5169\u8B8A\u6578\u503E\u5411\u4E8E\u8868\u73B0\u51FA\u76F8\u4F3C\u7684\u884C\u4E3A\uFF0C\u534F\u65B9\u5DEE\u4E3A\u6B63\u3002\u5728\u76F8\u53CD\u7684\u60C5\u51B5\u4E0B\uFF0C\u5F53\u4E00\u4E2A\u53D8\u91CF\u7684\u8F83\u5927\u503C\u4E3B\u8981\u5BF9\u5E94\u4E8E\u53E6\u4E00\u4E2A\u53D8\u91CF\u7684\u8F83\u5C0F\u503C\u65F6\uFF0C\u5219\u4E24\u53D8\u91CF\u503E\u5411\u4E8E\u8868\u73B0\u51FA\u76F8\u53CD\u7684\u884C\u4E3A\uFF0C\u534F\u65B9\u5DEE\u4E3A\u8D1F\u3002\u5373\u5171\u8B8A\u7570\u6578\u4E4B\u6B63\u8CA0\u865F\u986F\u793A\u8457\u8B8A\u6578\u7684\u76F8\u5173\u6027\u3002 \u534F\u65B9\u5DEE\u7684\u6570\u503C\u5927\u5C0F\u53D6\u51B3\u65BC\u8B8A\u6578\u5927\u5C0F\uFF0C\u56E0\u6B64\u4E0D\u6613\u89E3\u91CB\u3002\u4E0D\u8FC7\uFF0C\u5E38\u614B\u5F62\u5F0F\u7684\u534F\u65B9\u5DEE\u5927\u5C0F\u53EF\u4EE5\u663E\u793A\u4E24\u53D8\u91CF\u7EBF\u6027\u5173\u7CFB\u7684\u5F3A\u5F31\uFF0C\u53EF\u89C1\u76AE\u5C14\u900A\u79EF\u77E9\u76F8\u5173\u7CFB\u6570\u3002 \u65B9\u5DEE\u70BA\u534F\u65B9\u5DEE\u7684\u4E00\u79CD\u7279\u6B8A\u60C5\u6CC1\uFF0C\u5373\u8A72\u8B8A\u6578\u8207\u5176\u81EA\u8EAB\u4E4B\u5171\u8B8A\u7570\u6578\u3002"@zh . . . . . "\u534F\u65B9\u5DEE"@zh . . . . . . . . . . . . . "\u062A\u063A\u0627\u064A\u0631 (\u0625\u062D\u0635\u0627\u0621)"@ar . "Comhathraitheas"@ga . "Kovarians \u00E4r inom sannolikhetsteori och statistik, ett m\u00E5tt p\u00E5 samvariationen mellan tv\u00E5 stokastiska variabler (slumpvariabler). Om de st\u00F6rre v\u00E4rdena hos en variabel i huvudsak korrelerar med de st\u00F6rre v\u00E4rdena f\u00F6r den andra variabeln och motsvarande g\u00E4ller f\u00F6r de mindre v\u00E4rdena, det vill s\u00E4ga om variablerna tenderar att uppvisa samma beteende, \u00E4r kovariansen positiv. I det motsatta fallet, d\u00E5 de st\u00F6rre v\u00E4rdena hos den ena variabeln i huvudsak korrelerar med de mindre v\u00E4rdena hos den andra, det vill s\u00E4ga n\u00E4r variablerna tenderar att bete sig p\u00E5 motsatt s\u00E4tt, \u00E4r kovariansen negativ. Kovariansens tecken visar s\u00E5ledes tendensen i den linj\u00E4ra relationen mellan variablerna. Kovariansens belopp \u00E4r dock inte l\u00E4tt att tolka. Den normaliserade versionen av kovariansen visar emellertid genom sitt bel"@sv . . . "27942"^^ . . "Kobariantza"@eu . "\u041A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u044F"@uk . . . "En probabilidad y estad\u00EDstica, la covarianza es un valor que indica el grado de variaci\u00F3n conjunta de dos variables aleatorias respecto a sus medias. Es el dato b\u00E1sico para determinar si existe una dependencia entre ambas variables y adem\u00E1s es el dato necesario para estimar otros par\u00E1metros b\u00E1sicos, como el coeficiente de correlaci\u00F3n lineal o la recta de regresi\u00F3n."@es . . . . "\uACF5\uBD84\uC0B0(\u5171\u5206\u6563, \uC601\uC5B4: covariance)\uC740 2\uAC1C\uC758 \uD655\uB960\uBCC0\uC218\uC758 \uC120\uD615 \uAD00\uACC4\uB97C \uB098\uD0C0\uB0B4\uB294 \uAC12\uC774\uB2E4. \uB9CC\uC57D 2\uAC1C\uC758 \uBCC0\uC218\uC911 \uD558\uB098\uC758 \uAC12\uC774 \uC0C1\uC2B9\uD558\uB294 \uACBD\uD5A5\uC744 \uBCF4\uC77C \uB54C \uB2E4\uB978 \uAC12\uB3C4 \uC0C1\uC2B9\uD558\uB294 \uC120\uD615 \uC0C1\uAD00\uC131\uC774 \uC788\uB2E4\uBA74 \uC591\uC218\uC758 \uACF5\uBD84\uC0B0\uC744 \uAC00\uC9C4\uB2E4. \uBC18\uB300\uB85C 2\uAC1C\uC758 \uBCC0\uC218\uC911 \uD558\uB098\uC758 \uAC12\uC774 \uC0C1\uC2B9\uD558\uB294 \uACBD\uD5A5\uC744 \uBCF4\uC77C \uB54C \uB2E4\uB978 \uAC12\uC774 \uD558\uAC15\uD558\uB294 \uC120\uD615 \uC0C1\uAD00\uC131\uC744 \uBCF4\uC778\uB2E4\uBA74 \uACF5\uBD84\uC0B0\uC758 \uAC12\uC740 \uC74C\uC218\uAC00 \uB41C\uB2E4. \uC774\uB807\uAC8C \uACF5\uBD84\uC0B0\uC740 \uC0C1\uAD00\uAD00\uACC4\uC758 \uC0C1\uC2B9 \uD639\uC740 \uD558\uAC15\uD558\uB294 \uACBD\uD5A5\uC744 \uC774\uD574\uD560 \uC218 \uC788\uC73C\uB098 2\uAC1C \uBCC0\uC218\uC758 \uCE21\uC815 \uB2E8\uC704\uC758 \uD06C\uAE30\uC5D0 \uB530\uB77C \uAC12\uC774 \uB2EC\uB77C\uC9C0\uBBC0\uB85C \uC0C1\uAD00\uBD84\uC11D\uC744 \uD1B5\uD574 \uC815\uB3C4\uB97C \uD30C\uC545\uD558\uAE30\uC5D0\uB294 \uBD80\uC801\uC808\uD558\uB2E4. \uC0C1\uAD00\uBD84\uC11D\uC5D0\uC11C\uB294 \uC0C1\uAD00\uAD00\uACC4\uC758 \uC815\uB3C4\uB97C \uB098\uD0C0\uB0B4\uB294 \uB2E8\uC704\uB85C \uBAA8\uC0C1\uAD00\uACC4\uC218\uB85C\uB294 \uADF8\uB9AC\uC2A4 \uBB38\uC790 \u03C1\uB97C, \uD45C\uBCF8\uC0C1\uAD00\uACC4\uC218\uB85C\uB294 \uC54C\uD30C\uBCB3 s\uB97C \uC0AC\uC6A9\uD55C\uB2E4."@ko . "Estatistikan, kobariantza bi aldagai kuantitatiboren arteko korrelaziorako neurria da. Korrelazio lineala neurtzen du eta honela interpretatzen da (ikus Korrelazio): \n* Kobariantza positiboa bada, bi aldagaien arteko korrelazio lineala positiboa edo zuzena da (oso ahula izan daitekeelarik). \n* Kobariantza negatiboa bada, bi aldagaien arteko korrelazio lineala negatiboa edo alderantzizkoa da (oso ahula izan daitekeelarik). Kobariantzaren balioaz ezin da inoiz jakin korrelazio lineala ahula edo sendoa den. Horretarako, Pearson-en korrelazio koefiziente lineala kalkulatu behar da. Kobariantza bi aldagaien unitateen biderkaduretan neurtzen da. Dimentsioak edo unitate hauek izateagatik hain zuzen da neurri desegokia korrelazioaren sendotasuna aztertzeko."@eu . "#0073CF"@en . . . . . . . . . . . . "6"^^ . . "Kovariance"@cs . . . "\u0423 \u0442\u0435\u043E\u0440\u0456\u0457 \u0439\u043C\u043E\u0432\u0456\u0440\u043D\u043E\u0441\u0442\u0456 \u0442\u0430 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0446\u0456, \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0301\u0446\u0456\u044F (\u0430\u043D\u0433\u043B. covariance) \u2014 \u0446\u0435 \u043C\u0456\u0440\u0430 \u0441\u043F\u0456\u043B\u044C\u043D\u043E\u0457 \u043C\u0456\u043D\u043B\u0438\u0432\u043E\u0441\u0442\u0456 \u0434\u0432\u043E\u0445 \u0432\u0438\u043F\u0430\u0434\u043A\u043E\u0432\u0438\u0445 \u0437\u043C\u0456\u043D\u043D\u0438\u0445. \u042F\u043A\u0449\u043E \u0431\u0456\u043B\u044C\u0448\u0456 \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F \u043E\u0434\u043D\u0456\u0454\u0457 \u0437\u043C\u0456\u043D\u043D\u043E\u0457 \u0437\u0434\u0435\u0431\u0456\u043B\u044C\u0448\u043E\u0433\u043E \u0432\u0456\u0434\u043F\u043E\u0432\u0456\u0434\u0430\u044E\u0442\u044C \u0431\u0456\u043B\u044C\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F\u043C \u0456\u043D\u0448\u043E\u0457, \u0439 \u0442\u0435 \u0441\u0430\u043C\u0435 \u0432\u0438\u043A\u043E\u043D\u0443\u0454\u0442\u044C\u0441\u044F \u0434\u043B\u044F \u043C\u0435\u043D\u0448\u0438\u0445 \u0437\u043D\u0430\u0447\u0435\u043D\u044C, \u0442\u043E\u0431\u0442\u043E \u0437\u043C\u0456\u043D\u043D\u0456 \u0441\u0445\u0438\u043B\u044C\u043D\u0456 \u0434\u0435\u043C\u043E\u043D\u0441\u0442\u0440\u0443\u0432\u0430\u0442\u0438 \u043F\u043E\u0434\u0456\u0431\u043D\u0443 \u043F\u043E\u0432\u0435\u0434\u0456\u043D\u043A\u0443, \u0442\u043E \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u044F \u0454 \u0434\u043E\u0434\u0430\u0442\u043D\u043E\u044E. \u0412 \u043F\u0440\u043E\u0442\u0438\u043B\u0435\u0436\u043D\u043E\u043C\u0443 \u0432\u0438\u043F\u0430\u0434\u043A\u0443, \u043A\u043E\u043B\u0438 \u0431\u0456\u043B\u044C\u0448\u0456 \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F \u043E\u0434\u043D\u0456\u0454\u0457 \u0437\u043C\u0456\u043D\u043D\u043E\u0457 \u0437\u0434\u0435\u0431\u0456\u043B\u044C\u0448\u043E\u0433\u043E \u0432\u0456\u0434\u043F\u043E\u0432\u0456\u0434\u0430\u044E\u0442\u044C \u043C\u0435\u043D\u0448\u0438\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F\u043C \u0456\u043D\u0448\u043E\u0457, \u0442\u043E\u0431\u0442\u043E \u0437\u043C\u0456\u043D\u043D\u0456 \u0441\u0445\u0438\u043B\u044C\u043D\u0456 \u0434\u0435\u043C\u043E\u043D\u0441\u0442\u0440\u0443\u0432\u0430\u0442\u0438 \u043F\u0440\u043E\u0442\u0438\u043B\u0435\u0436\u043D\u0443 \u043F\u043E\u0432\u0435\u0434\u0456\u043D\u043A\u0443, \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u044F \u0454 \u0432\u0456\u0434'\u0454\u043C\u043D\u043E\u044E. \u041E\u0442\u0436\u0435, \u0437\u043D\u0430\u043A \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u0457 \u043F\u043E\u043A\u0430\u0437\u0443\u0454 \u0442\u0435\u043D\u0434\u0435\u043D\u0446\u0456\u044E \u0432 \u043B\u0456\u043D\u0456\u0439\u043D\u043E\u043C\u0443 \u0432\u0437\u0430\u0454\u043C\u043E\u0437\u0432'\u044F\u0437\u043A\u0443 \u043C\u0456\u0436 \u0446\u0438\u043C\u0438 \u0437\u043C\u0456\u043D\u043D\u0438\u043C\u0438. \u0412\u0435\u043B\u0438\u0447\u0438\u043D\u0443 \u0436 \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u0457 \u0456\u043D\u0442\u0435\u0440\u043F\u0440\u0435\u0442\u0443\u0432\u0430\u0442\u0438 \u043D\u0435\u043F\u0440\u043E\u0441\u0442\u043E. \u041F\u0440\u043E\u0442\u0435 \u0443\u043D\u043E\u0440\u043C\u043E\u0432\u0430\u043D\u0430 \u0432\u0435\u0440\u0441\u0456\u044F \u043A\u043E\u0432\u0430\u0440\u0456\u0430\u0446\u0456\u0457, \u043A\u043E\u0435\u0444\u0456\u0446\u0456\u0454\u043D\u0442 \u043A\u043E\u0440\u0435\u043B\u044F\u0446\u0456\u0457, \u043F\u043E\u043A\u0430\u0437\u0443\u0454 \u0441\u0432\u043E\u0454\u044E \u0432\u0435\u043B\u0438\u0447\u0438\u043D\u043E\u044E \u0441\u0438\u043B\u0443 \u0446\u044C\u043E\u0433\u043E \u043B\u0456\u043D\u0456\u0439\u043D\u043E\u0433\u043E \u0432\u0437\u0430\u0454\u043C\u043E\u0437\u0432'\u044F\u0437\u043A\u0443."@uk . "Die Kovarianz (lateinisch con- = \u201Emit-\u201C und Varianz (Streuung) von variare = \u201E(ver)\u00E4ndern, verschieden sein\u201C, daher selten auch Mitstreuung) ist in der Stochastik ein nichtstandardisiertes Zusammenhangsma\u00DF f\u00FCr einen monotonen Zusammenhang zweier Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsverteilung. Der Wert dieser Kennzahl macht tendenzielle Aussagen dar\u00FCber, ob hohe Werte der einen Zufallsvariablen eher mit hohen oder eher mit niedrigen Werten der anderen Zufallsvariablen einhergehen. Die Kovarianz ist ein Ma\u00DF f\u00FCr die Assoziation, d. h. sie messen den Grad der Unabh\u00E4ngigkeit respekt. Abh\u00E4ngigkeit zweier Zufallsvariablen, wenn mindestens einer der Zufallsvariablen nominalskalierten ist."@de . . "\u5171\u5206\u6563"@ja . "\u5171\u5206\u6563\uFF08\u304D\u3087\u3046\u3076\u3093\u3055\u3093\u3001\u82F1: covariance\uFF09\u3068\u306F\u3001\u5927\u304D\u3055\u304C\u540C\u30582\u3064\u306E\u30C7\u30FC\u30BF\u306E\u9593\u3067\u306E\u3001\u5E73\u5747\u304B\u3089\u306E\u504F\u5DEE\u306E\u7A4D\u306E\u5E73\u5747\u5024\u3067\u3042\u308B\u30022 \u7D44\u306E\u78BA\u7387\u5909\u6570 X, Y \u306E\u5171\u5206\u6563 Cov[X, Y] \u306F\u3001E \u3067\u671F\u5F85\u5024\u3092\u8868\u3059\u3053\u3068\u306B\u3057\u3066\u3001 \u3067\u5B9A\u7FA9\u3059\u308B\u3002 \u3068\u3082\u5B9A\u7FA9\u3067\u304D\u308B\u3002 X \u3068 Y \u306E\u5171\u5206\u6563\u306F \u3084 \u3068\u8868\u8A18\u3055\u308C\u308B\u3053\u3068\u3082\u3042\u308B\u3002"@ja . . . . . . . "De covariantie is in de statistiek en kansrekening een parameter die bij twee toevalsvariabelen aangeeft in welke mate de beide toevalsvariabelen (lineair) met elkaar samenhangen. De covariantie geeft aan of, en indirect in welke mate, de waarden van de ene variabele toe- dan wel afnemen bij toenemende waarden van de andere.. Een vergelijkbare parameter is de correlatieco\u00EBffici\u00EBnt, die aangeeft in hoeverre sprake is van lineaire samenhang en die direct de sterkte van de samenhang aangeeft. De correlatieco\u00EBffici\u00EBnt is gebaseerd op de covariantie, maar in tegenstelling tot de correlatieco\u00EBffici\u00EBnt is de covariantie afhankelijk van de schaal, zodat aan de grootte van de covariantie niet direct de sterkte van de samenhang afgelezen kan worden. Met covariantie wordt ook vaak de steekproefcovariantie aangeduid, een grootheid die uit de steekproef berekend wordt als schatter voor de bovengenoemde parameter."@nl . . "Covari\u00E2ncia"@pt . . "#F5FFFA"@en . "Kovarianz (Stochastik)"@de . ":"@en . . . "Em teoria da probabilidade e na estat\u00EDstica, a covari\u00E2ncia, ou vari\u00E2ncia conjunta, \u00E9 uma medida do grau de interdepend\u00EAncia (ou inter-rela\u00E7\u00E3o) num\u00E9rica entre duas vari\u00E1veis aleat\u00F3rias. Assim, vari\u00E1veis independentes t\u00EAm covari\u00E2ncia zero. A covari\u00E2ncia \u00E9 por vezes chamada de medida de depend\u00EAncia linear entre as duas vari\u00E1veis aleat\u00F3rias."@pt . . . . . . . . . . . . . . "Kovarians \u00E4r inom sannolikhetsteori och statistik, ett m\u00E5tt p\u00E5 samvariationen mellan tv\u00E5 stokastiska variabler (slumpvariabler). Om de st\u00F6rre v\u00E4rdena hos en variabel i huvudsak korrelerar med de st\u00F6rre v\u00E4rdena f\u00F6r den andra variabeln och motsvarande g\u00E4ller f\u00F6r de mindre v\u00E4rdena, det vill s\u00E4ga om variablerna tenderar att uppvisa samma beteende, \u00E4r kovariansen positiv. I det motsatta fallet, d\u00E5 de st\u00F6rre v\u00E4rdena hos den ena variabeln i huvudsak korrelerar med de mindre v\u00E4rdena hos den andra, det vill s\u00E4ga n\u00E4r variablerna tenderar att bete sig p\u00E5 motsatt s\u00E4tt, \u00E4r kovariansen negativ. Kovariansens tecken visar s\u00E5ledes tendensen i den linj\u00E4ra relationen mellan variablerna. Kovariansens belopp \u00E4r dock inte l\u00E4tt att tolka. Den normaliserade versionen av kovariansen visar emellertid genom sitt belopp den linj\u00E4ra relationens styrka."@sv . . . . . . . . . . "Estatistikan, kobariantza bi aldagai kuantitatiboren arteko korrelaziorako neurria da. Korrelazio lineala neurtzen du eta honela interpretatzen da (ikus Korrelazio): \n* Kobariantza positiboa bada, bi aldagaien arteko korrelazio lineala positiboa edo zuzena da (oso ahula izan daitekeelarik). \n* Kobariantza negatiboa bada, bi aldagaien arteko korrelazio lineala negatiboa edo alderantzizkoa da (oso ahula izan daitekeelarik). Kobariantzaren balioaz ezin da inoiz jakin korrelazio lineala ahula edo sendoa den. Horretarako, Pearson-en korrelazio koefiziente lineala kalkulatu behar da."@eu . .