相关性与依赖结构

小叶用 AI 把课程材料整理成阅读卡片。每份卡片都有事先指定的关键概念，他要核对解释是否正确、例子是否合适，再把必要修改完成。

做过几份以后，他发现：需要核对的概念较多时，自己往往也花了更多时间。这种关系有多明显？能不能用来安排下一次任务？如果 AI 连续给出十次相近的估计，是不是就能因此获得很可靠的判断？

这些问题都涉及多个量怎样一起变化。上一章讨论联合概率与独立性，这一章进一步学习：怎样描述变化的方向与程度，怎样识别数字背后的不同关系，以及这些关系为什么会改变我们对完整任务和重复结果的评价。

一、先看成对数据，再谈“有多相关”

1．每个点都来自一份具体任务

以下数据、任务与概率模型均为教学虚构。小叶保留六份阅读卡片的记录。概念数量在开始任务前确定；时间是他实际投入的核验与修订分钟数，不包含首次生成的等待时间。

把概念数量放在横轴，把时间放在纵轴，每份卡片画成一个点，就得到散点图。

点整体从左下向右上分布，意味着较大的概念数量常伴随较长的核验时间。但这种关系并非每一步都严格增加：第二份两个概念用了七分钟，第三份三个概念反而只用了五分钟。

关系可以在整体上存在，同时允许具体任务之间有差异。小叶不必因为发现一个反向的相邻例子，就否定全部趋势；也不能因为整体上升，就保证每多一个概念一定多用相同时间。

2．图中还可以看什么

除了方向，散点图还可以帮助观察：点是否大体接近直线，是否沿曲线变化，是否形成几个不同群体，是否有少数远离主体的数据。

例如，如果简单材料集中在左下、复杂材料集中在右上，整体上升可能主要反映任务类型不同。如果只有一个特别大的任务把图拉向右上，就需要知道其他普通任务的关系是否也类似。

散点图用于观察线性、非线性、不同范围的波动和异常点，见 NIST 工程统计手册的散点图说明。图不会自动告诉我们应该采取什么行动，但它能帮助确定下一步值得解释的现象。

3．先说清楚一个点代表什么

本例每个点是一份卡片。如果有时记录一份卡片，有时记录一整章课程；有时只算主动核验，有时把等待也算进去，那么同一张图就在混合不同单位。

小叶让 AI 分析数据时，首先需要保留这些对应关系。概念数量与核验时间必须属于同一份任务，不能把两列分别排序以后再拼起来。分别排序会人为制造从小到大的配对，画出的趋势就不再是原先的工作记录。

数据是否成对、单位是否一致，比先选择哪一种画图样式更直接地决定分析有没有意义。

二、协方差：两边是不是常常朝同一方向偏离

1．先找到各自的平均位置

六份卡片的平均概念数与平均时间分别为：

平均概念数三点五并不是说有一份卡片真的包含半个概念，而是用来描述这组记录的中心位置。

现在看一条记录相对两个平均值的位置。第一份卡片的概念数比平均少二点五项，时间比平均少三点五分钟；第六份则概念数多二点五项，时间多四点五分钟。

两条记录分别在平均位置的左下与右上，都表现出同方向偏离。散点图中的两条平均线，就把这些方向直观地分了出来。

2．为什么要把两个偏离量相乘

考虑：

如果两边都高于平均，两个正数相乘为正；如果都低于平均，两个负数相乘也为正。如果一边高、一边低，乘积为负。

乘积还考虑偏离的幅度。两边都只偏一点，贡献较小；两边偏得很远，贡献较大。它并不是单纯数一数正向点比反向点多几个。

把六条记录展开：

这六条记录恰好都在同方向的两个象限中，因此乘积都为正。但它们并没有落在同一条直线上，因为两种偏离的比例还不完全一致。

3．把共同偏离取平均，就是协方差的基本想法

对于随机变量 $X$、$Y$，在相关期望存在时，协方差定义为：

先看各自离平均值有多远，再把两个偏离相乘，最后取期望。这一定义及正负号的解释，见 Statlect 的协方差讲解。

如果把当前六条记录作为固定范围，等概率抽其中一条，那么协方差就是六个乘积的等权平均：

它为正，说明这组记录的共同偏离整体偏向同方向。若整体上是一边高、一边低，协方差可能为负；若正负贡献抵消，则可能为零。

通过展开括号，还能得到另一个等价表达：

本例 $E(XY)=181/6$，而 $E(X)E(Y)=3.5\times 7.5$，相减仍为四十七除以十二。计算时可以选方便的形式，理解时则不要丢掉它对共同偏离的描述。

4．为什么协方差还带着单位

本例横轴单位为项，纵轴为分钟，因此协方差的单位是“项乘分钟”。如果把时间从分钟改成秒，所有时间偏离都会变成原来的六十倍，协方差也随之变成六十倍。

实际任务没有变化，只是换了计量单位，协方差的数值就变大了。因此，仅看到协方差是四还是四十，不能跨不同尺度直接判断哪种关系更强。

这也是下一步需要相关系数的原因：我们希望保留共同变化的信息，同时消除单位与尺度带来的直接影响。

5．计算器为什么可能显示四点七

常见样本协方差使用：

在六条数据中，分母为五，得到 $23.5/5=4.7$。例如，NumPy 的协方差函数默认采用 $N-1$ 归一化，同时提供按 $N$ 归一化的选项，见 NumPy 的协方差文档。

四点七与前面的约三点九一六七，使用的是不同归一化口径。按六计算，描述从固定六条记录等概率抽取的分布；按五计算，是样本统计中常用来估计总体协方差的形式。相关估计问题将在后面的抽样章节展开。

这里先记住，不要把一种口径的协方差与另一种口径的标准差混着使用。计算相关系数时，只要上下保持一致，两个共同的归一化因子会抵消，得到相同结果。

三、相关系数：把共同变化放到统一的尺度上

1．用两边各自的标准差作尺度

皮尔逊相关系数把协方差除以两个标准差的乘积：

这里要求两个标准差存在、有限且大于零。标准差描述各自通常偏离中心的幅度；相除以后，单位抵消，结果就不再带“项”或“分钟”。

也可以先把两列分别标准化，即各自减去平均值，再除以各自的标准差，然后考察标准化结果怎样共同变化。相关系数的定义与范围，见 Statlect 的线性相关说明。

它取值在负一到一之间。接近一，表示强的正向线性关系；接近负一，表示强的反向线性关系。零则表示这里衡量的线性共同变化为零，后面会具体说明这为什么不等于没有任何关系。

2．把六条数据实际算一遍

计算这组记录的两个偏离平方和：

样本相关系数通常记为 $r$，可以直接写成：

代入本例：

这个数与散点图中明显向右上方延伸的形状一致，但没有达到一，因为记录并未完全落在一条上升直线上。

若使用前面按六归一化的协方差，就配合按六归一化的两个方差；若使用按五归一化的样本协方差，就配合按五归一化的样本方差。它们都会化成上面这个平方和形式。

零点八七二不是“百分之八十七点二的卡片是正确的”，也不是“概念数量造成了百分之八十七点二的耗时”。它是在描述这六组数值的线性关联程度。

3．方向与变化幅度，要分别理解

假设一组数据严格满足 $Y=2X+10$，另一组严格满足 $Y=100X+10$，且 $X$ 不是常数。两者相关系数都为一，但第二组中 $X$ 每增加一个单位，$Y$ 的增加幅度大得多。

所以，相关系数告诉我们是否紧密地沿直线共同变化，却不等于“一个变量增加一单位，另一个增加多少”的斜率。

同理，把分钟改成秒，正向线性关系没有变化，相关系数保持不变。给所有时间统一加两分钟，也只是把图整体上移，相关系数不变。若把某个变量改成它的相反数，方向翻转，相关系数的符号也会翻转。这些性质可由标准化与协方差关系推出，参见 ProbabilityCourse 的协方差与相关系数章节。

4．正相关不等于好，负相关也不等于坏

概念数量与核验时间正相关，可能意味着工作量较大；准备质量与错误数量负相关，可能意味着一种有用的关系。正负描述变化方向，没有自带价值评价。

还要看变量本身是什么。如果原来记录“合格得分”，后来改记“缺陷得分”，同一种实际关系可能就会换一个符号。评价 AI 结果时，应先看指标含义，再读相关系数。

如果某一列完全不变化，例如六份卡片的概念数都相同，那么该列标准差为零，上面的相关系数公式无法计算。这时不能把“算不出来”自动填成零，再宣称两项没有关系；当前记录根本没有提供这一变量变化的比较。

四、一个相关系数，能保留多少关系

1．有规律的曲线，也可能算出零

小叶另外试验一种阅读卡片版式。用 $X$ 表示版式参数相对中间档的偏移等级，左边两档为负，右边两档为正；用 $Y$ 表示需要修订的分钟数。为了单独看清非线性关系，建立下面这个教学模型：

五档等概率出现，时间严格按 $Y=2+X^2$ 计算。这是我们设定的例子，不是在宣称真实排版工具必然遵循平方规律。

图形很容易理解：中间档修改最少，两边离中间越远，修改越多。如果小叶知道参数在哪一档，在这个模型里就能准确知道修订时间。

但两者的皮尔逊相关系数恰好为零。

这里 $E(X)=0$，$E(Y)=4$。五个共同偏离的乘积依次是：

也就是负四、一、零、负一、四，相加为零。左右两边对线性共同变化的贡献抵消了，协方差为零；两个变量各自仍有变化，因此相关系数也为零。

这并没有消除曲线。它只是说明，试图用一个有方向的直线关系概括整张图，会丢掉这里最重要的结构。

2．用条件概率确认它确实存在依赖

如果还觉得“相关为零，但有依赖”只是语言游戏，可以直接回到上一章的独立性定义。

没有给定参数时，修订时间等于两分钟的概率为五分之一。已知参数在中间档，即 $X=0$，修订时间等于两分钟的概率为一：

知道一个变量，改变了另一个变量的分布。两者显然不独立。

在有限二阶矩的条件下，独立可以推出协方差为零；协方差为零却未必能推出独立。相关系数有定义时，也相应有“独立推出零相关，但零相关未必独立”。这些关系见 ProbabilityCourse 对独立与不相关的说明。

日常说“两个东西相关”，有时泛指任何关联。本章公式中的“相关系数”，则专指已经定义的皮尔逊系数。读到“相关性很低”时，要知道对方究竟计算了什么。

3．少数远处的点，可以明显改变数值

再看一个新的文件处理例子。小叶记录四个小文件，大小依次为一、二、三、四 MB，处理时间依次为二、一、一、二秒。这四对数的皮尔逊相关系数为零。

后来增加一个二十 MB 的文件，处理时间为二十秒。加入这个点以后，五个点的相关系数约为零点九八八。

左图中，五个点严格按一条曲线排列，相关系数仍为零。右图中，新增的大文件远离原来的小文件群体，对共同偏离的平方和、乘积和都有很大贡献，整个范围的线性关联因此明显上升。

小叶核对后，确认这个大文件的大小与计时记录无误。这条记录应当保留。如果以后需要处理同样大的文件，删掉它还会丢失有用信息。

真正值得说明的是结论适用的范围：在一到四 MB 的小文件中，当前四条记录没有表现出线性关系；在包含二十 MB 文件的五条记录中，整体相关系数很高。这两个结论可以同时成立。

小叶可以继续补充中等大小和更多大型文件，看看变化究竟平滑地发生，还是跨过某个大小后进入另一种处理方式。少数特殊观测对分析的影响，是散点图值得先看的原因之一，可参见 NIST 关于散点图中特殊点的示例。

五、同一批数据，分组以后为什么会换方向

1．先把“任务类型”写在表里

现在换一批阅读任务，研究小叶在生成前准备上下文的时间，与生成后核验返工时间的关系。两项都记录主动投入的分钟数；准备在前，核验在后，时间没有重复计入。任务事先分为简单与复杂两类。

在简单任务内部，准备时间从一到三分钟增加，返工从六到四分钟减少。复杂任务内部也是同样方向，从六到八分钟准备，对应十六到十四分钟返工。

两组各自的相关系数都为负一。这里特意用整齐的数字，让组内关系容易看见；真实工作记录通常会散得多。

可是把六条记录合并，相关系数约为正零点八八八。

2．合并计算同时包含了组间差异

简单任务的平均准备时间为两分钟，平均返工为五分钟；复杂任务的两个平均值分别为七分钟、十五分钟。

所以，复杂任务作为一个群体，既准备得更多，也返工得更多。合并计算时，这种群体之间的同方向差异，会和群体内部的反方向差异一起进入协方差。

本例总体均值为四点五分钟与十分钟，偏离乘积和为七十一，两列偏离平方和分别为四十一点五与一百五十四，因此：

这个正号是按公式正确算出来的。组内两个负号也是正确的。之所以看起来矛盾，是因为我们在比较两个层次：同类任务内部怎样一起变化，以及任务类别之间怎样一起变化。

某种趋势在各组存在，合并后消失或反转，这类现象通常称为辛普森悖论。基本概念可见 伊利诺伊大学的数据科学教学页。在本例中，悖论通过清楚的分组关系得到解释，并不存在算术冲突。

3．问题不同，需要看的比较也不同

如果小叶要为混合任务排日程，准备较多的任务同时往往需要较多核验，这个总体关系仍然有参考价值：它提醒小叶，复杂任务在两个阶段都比较费时。

如果小叶想知道，同样复杂的任务是否值得多准备一点，混合后的总体正号就不足以直接回答。他需要更关注同类任务中的比较，再考虑材料差异、准备方式和实际执行情况。

即使看见组内负相关，也还没有证明“主动增加一分钟准备，就必定减少一分钟返工”。例如，如果小叶恰好把更多准备时间花在自己熟悉的主题上，那么这些任务的返工较少，也可能部分是熟悉程度带来的，不能全归给多准备的几分钟。还可能有表格里尚未记录的其他区别。

不过，这些不确定性没有要求他停止改进。当前模式已经支持一个具体探索：选几份较为接近的任务，试着补充更清楚的概念边界或示例，并记录前后两个阶段的总投入。这样能把关系变成下一次行动的线索。

4．返工少，不自动等于完整投入少

本表还有一个容易忽略的地方：简单组三条记录的准备加返工都为七分钟，复杂组都为二十二分钟。

虽然组内返工随准备增加而减少，两个阶段相加并没有减少。小叶如果只看返工指标，就可能把时间从后面搬到前面，误以为总共省了时间。

这也不意味着准备没有价值。更充分的准备可能改变成果质量、临近截止时的压力，或者后续复用机会，只是这些价值需要用对应信息来观察。本章这两列时间本身，只支持我们对这两项投入及其合计作判断。

因此，选变量本身就是理解任务的一部分。学会计算相关系数以后，还需要回到最初的问题：自己究竟希望改善哪个结果。

六、依赖结构：顺着实际工作过程寻找关系

1．两个结果可能来自同一个上游

小叶让 AI 分别写活动通知和报名提醒。两个任务都使用同一份资料摘要，摘要把截止日期写错了。随后两份文案都忠实采用这个错误日期。

从结果看，是两份文案重复出现同一个错误；沿着工作过程看，是一个上游错误进入两条支路。如果继续用同一份摘要生成更多文案，相同日期再次出现，并没有增加对日期真实性的独立支持。

这里的结构可以直接写成：资料摘要分别进入活动通知与报名提醒。小叶知道实际输入来自哪里，因而能够沿来源检查。若发现两份错误，只在下游反复改写措辞，就没有处理它们共同依赖的那份摘要。

这与概率章节中的共同条件相连：当多个结果共享一个有变化的条件时，结果之间可能出现共同变化。具体是多强的相关、哪一种方向，还取决于共同条件怎样进入各项结果。

2．依赖也可能沿顺序向下传递

另一个任务是整理报名表：先读取文件，再解释字段，再统计人数，最后画图。

如果“人数”一列被误认为“费用”，后面的求和代码可能运行正常，图表也可能画得很漂亮，但它们都在继续加工已经误解的数据。此时几个环节的正确与否，就不能简单视为毫无关系的独立事件。

小叶检查这条链，可以从原表取几行，看看在哪一步第一次改变了字段含义。找到最早的偏差后，再重新生成受影响的下游结果。软件工程课程会展开这种追踪；在这里，我们先认识到，结果之间的关系常常来自实际的数据传递。

前一种是同一上游进入多条支路，后一种是前一步进入下一步。它们都可能产生共同错误，却对应不同的检查位置。

3．共同批次与时间顺序，也提供背景

如果小叶对同一份扫描资料连续问二十个问题，二十次回答都受这份资料的清晰程度影响。换成二十份不同来源的资料，得到的观察范围就不同了。

同样，按时间连续保存的记录，可能遇到模板调整、资料来源变化或流程修改。把时间顺序删掉，只留两列数字，有时会让一个原本很清楚的阶段变化难以解释。

这并不是说同批次一定高度相关，或者隔几天就必然独立。保留批次、来源、版本与执行顺序，是为了让小叶能够检查哪些共同条件真的影响了结果。

一种有用的做法，是让 AI 在原始记录中保留任务编号和这些必要背景，再按问题画图。如此一来，发现一组特别慢的任务后，可以回到那几行资料，理解它们共同经历了什么。

4．看懂关系，就能形成更具体的行动

关系分析可以支持估时、定位问题、挑选新样本和安排试验，并不只有“证明某个原因”一种用途。

例如，概念多的卡片通常核验更久，可以帮助小叶先留出较宽裕的时间；多个错误都来自一个摘要，可以帮助他集中修改上游；某个文件范围的记录还很少，可以提示下一次试用应补哪种材料。

如果目标转为“改变这个条件以后，结果会怎样”，就需要进一步考察干预本身。相关系数是对已有共同变化的概括，干预效果则涉及另一组问题。把两者连起来的方法，将在实验与因果判断章节中继续讲解。

七、任务加在一起，波动也要把关系算进去

1．两项任务各自相同，组合仍然可以很不同

小叶接下来要依次完成两项资料核验工作。设它们所需时间为 $T_1$、$T_2$，单位都是分钟。为比较依赖结构，建立三个新的概率模型。

在每个模型中，单看任意一项任务，它都有一半概率用八分钟，一半概率用十二分钟。因此每项期望都是十分钟，方差都是四平方分钟，标准差都是两分钟。

两项各自的分布完全一样，但怎样配在一起，有三种安排：

独立模型允许四种组合；同方向模型中，两项一起快或一起慢；抵消模型中，一项较慢时另一项恰好较快。

可以把同方向模型想成某个共同条件同时影响两项任务，把抵消模型想成任务分配产生了相反的变化。这只是帮助理解设定，并不是说实际核验工作可以任意切换成其中一种模式。

2．总时间的期望没有变化

三个模型的总时间期望都是：

期望相加不需要两项独立。前面期望章节已经见过这个性质，现在可以更具体地看到：即使一起快、一起慢，或者一快一慢，平均总时间仍为二十分钟。

但小叶排任务时关心的还有：这二十分钟附近能差多远，超过某个截止时间的机会多大。只知道平均值，回答不了这些问题。

3．把总时间分布逐一写出来

在独立模型中，总时间为十六、二十、二十四分钟，概率分别是四分之一、二分之一、四分之一。

总时间偏离二十分钟的幅度分别为负四、零、四，因此方差是：

在同方向模型中，总时间只取十六与二十四分钟，各占一半，方差为十六。两个环节的快慢叠加得更充分。

在抵消模型中，总时间永远是二十分钟，方差为零。每项单独看都有波动，但两项的变化在总量中正好抵消。

同样的单项均值与单项方差，合在一起竟然有这些差别。依赖结构因此直接进入了排期判断。

4．协方差正是公式里补上的那一项

当两个变量方差有限时：

这一关系可见 Statlect 的协方差与和的方差推导。它并不只适用于时间，也适用于满足条件的其他数量。

要理解为什么出现两倍协方差，可以把总偏离写成：

求方差需要把它平方再取平均。展开平方，就会出现两个各自的偏离平方，以及交叉项 $2(T_1-10)(T_2-10)$。交叉项的期望，正好就是两倍协方差。

本例三个模型的协方差分别是零、四、负四。代入公式，分别得到 $4+4+0=8$、$4+4+8=16$、$4+4-8=0$。

所以，只有相应协方差项为零时，两个方差才能直接相加。独立足以保证这里的零协方差，但不是唯一可能的条件。标准差也不能一般地直接相加；本例只有完全同方向变化的模型恰好得到两加二等于四。

5．对整体安排有什么用

小叶若只把两个任务各自的“通常耗时”放进计划表，就容易忽略它们是否会一起遇到困难。

当多个任务依赖同一个资料接口，或者共享一份质量不稳定的材料时，小叶可以为几项任务同时变慢的情况留出时间余量。若确实能把某些工作分散到不同条件下，则值得观察整体波动是否下降。

不过，负相关也可能只是固定预算下的分配关系：两项总共只能用二十分钟，一项多占两分钟，另一项就少两分钟。总时间当然稳定，但第二项可能没有完成。此时仅用耗时的负相关评价“效率提高”，就漏掉了成果是否达标。

使用相关性知识，既要看哪些波动一起发生，也要看所记录的变量代表完成工作、投入资源，还是人为设置的上限。公式算对之后，这层解释仍由任务本身决定。

八、重复十次、一百次，新增了多少不同的信息

1．把重复结果中的两种变化分开

小叶请 AI 根据材料估计某项核验工作需要多少分钟，并对同一任务重复估计。结果可能每次略有差别，也可能都受到同一份材料遗漏的影响。

为了单独分析平均的作用，设第 $i$ 次数值估计为：

$\mu$ 是我们希望估计的固定参考值；$U$ 是这一批估计共同带着的偏离成分；${\epsilon }_i$ 是各次不同的偏离成分。它们的单位都是分钟。

这里的共同成分，可以帮助我们想象材料信息、同一个前提或同一种解释习惯怎样进入多次结果；每次不同的成分，则对应重复过程中有变化的部分。公式是教学模型，不是对某个真实 AI 系统误差来源的实测结论。

设 $U$ 的期望为零、方差为一；每个 ${\epsilon }_i$ 的期望为零、方差为三，并且这些不同次的成分相互独立，也都与 $U$ 独立。

对同一批重复而言，所有 $Z_i$ 共用一次产生的 $U$。数学上说 $U$ 的期望为零，是在模型的不同可能批次之间取平均；并不意味着固定这一批的共同偏离恰好为零。

2．单次波动与两次之间的协方差

由于独立成分的协方差为零，单次结果的方差是：

看不同的第 $i$ 次和第 $j$ 次，两者共同拥有 $U$，各自的 $\epsilon$ 则互不相关。展开协方差后，留下的就是：

两者标准差都为二，因而相关系数为：

零点二五未必在直觉上显得很大。但当小叶把很多次结果放到一起时，每一对结果共享的部分都会进入整体计算。

3．平均会削弱哪一部分

对 $n$ 次结果取平均：

如果同一个前提让这一批估计共同偏高，取平均时，这个共同的偏高部分就不会因为次数增加而自行抵消。平均能够逐渐削弱的是各次不同的偏离，式中的共同成分 $U$ 仍然保留。

在已经设定的独立与方差条件下，不同次成分的总方差为 $3n$，除以 $n$ 的平均会使方差除以 $n^2$，因此：

若换一个比较模型，所有估计真正相互独立，每次方差同样为四，那么平均值的方差是 $4/n$。两个模型的单次波动相同，重复平均后的表现却不同。

表中方差单位均为平方分钟。不能把一点三直接读成平均误差一点三分钟；如果需要标准差，还要开平方。

重复次数增加时，两条曲线都下降，说明重复确实可以减少模型中的一部分波动。但共同成分模型逐渐接近一，独立模型逐渐接近零。

4．结果越来越集中，与答案越来越准确

固定当前这一批的 $U$ 后，随着重复次数增加，平均值会越来越集中在 $\mu +U$ 附近。若当前共同偏离为正一，集中位置就比参考值高一分钟；重复并没有把这个共同成分自动识别出来。

本模型已经假设各成分期望为零。在实际使用中，还可能有额外的系统性偏差，例如材料始终遗漏同一种工作，导致整批估计持续偏低。不能仅因为结果相互一致，就宣布它们围绕真实值展开。

这与小叶反复看到同一个错误日期是相通的：一致性可以来自共同基础，也可以来自共同缺陷。要知道一致意味着什么，需要理解答案背后的输入与过程。

5．改进共同基础，有时比继续增加次数更值得试

如果小叶发现估时材料缺少“逐项查证引用”这一步，补充这项信息，就是在改变多次估计共同使用的基础。它和继续对原材料多问几十遍，是不同的动作。

如果他收集真正完成任务后的计时记录，就增加了另一种观察渠道。如果他换用不同材料考察方法，就扩展了任务范围。这些动作可能帮助发现或减小共同偏离，是否有效仍需通过实际结果判断。

这里也没有规定“换一个工具”就自动独立。两个工具可能共享同一错误输入；同一个工具在不同材料上也可能提供很不相同的观察。对工作有帮助的判断，来自哪些成分真的相同，哪些成分真的发生了变化。

九、把这些知识用于一次完整的数据分析

回到最初的六份阅读卡片。小叶现在可以让 AI 帮忙分析，但他不必把任务压缩成“给我算一个相关系数”。

先保留原来的六行配对数据，注明概念数量在开始前指定、时间只包含主动核验与修订。然后画散点图，显示均值与每条记录，看看零点八七二对应什么样的实际分布。

如果小叶只是准备下一轮学习，可以据此初步给概念多的卡片安排更长核验时间，同时继续记录实际结果。六条记录中的最高概念数为六；若下一份一下增加到三十个概念，原先的小范围趋势就需要新观察补充，不能只把一条直线无限延长。

接下来，按当前问题补充少量有解释力的背景。例如，有些卡片是熟悉课程，有些是陌生课程；有些资料直接列出概念，有些需要从多段文字中整理。保留这些差异，有助于以后理解相同概念数量为什么耗时不同。

如果 AI 直接给出“概念数每增加一项，核验时间增加固定分钟数”，小叶可以要求它展示这是怎样拟合出来的、适用于哪些记录，再对照自己的实际任务。相关系数自身没有给出这个斜率，更没有证明增加概念是耗时变化的唯一原因。

最后，决定下一步要观察什么。若问题是估时，增加几份目标范围内的卡片；若问题是改善流程，试着调整概念整理或来源定位方式，同时记录总投入与成果质量；若问题是判断多次估计是否可靠，就看看它们是否一直在重复同一份材料中的同一个假设。

这时，协方差、相关系数、分组与共同成分，都成为理解工作的方法。小叶可以继续行动，同时逐步提高自己对结果之间关系的判断。下一章将讨论，怎样从有限观察中抽样与估计，使这种积累更有方向。

十、练习与参考分析

练习一：换成秒以后，关系增强了吗

对开头六份卡片，仍以等概率抽取其中一条作为概率模型。小叶把核验时间全部从分钟改成秒，概念数量不变。

求新协方差。相关系数是否变化？如果一份报告说“协方差提高六十倍，所以概念数量与核验时间的关系增强六十倍”，应怎样修改？

参考分析：

原协方差为 $47/12$，单位为项乘分钟。转换后：

单位变为项乘秒。横轴标准差不变，纵轴标准差也扩大六十倍，因此相关系数的分子、分母同时扩大六十倍，仍约为零点八七二。

报告应说明数值变化来自单位转换。这六份任务的配对关系完全没变，没有出现新的观测，也没有增强共同变化。

如果软件采用样本协方差口径，原值为四点七，转换后为二百八十二；它与二百三十五的差别来自分母口径。比较两份报告时，需要同时核对单位与归一化方式。

练习二：零相关能否证明互相不了解

沿用版式参数的五档模型，$X$ 等概率取负二、负一、零、一、二，$Y=2+X^2$。

求 $P(X=0,Y=2)$，并与 $P(X=0)P(Y=2)$ 比较。有人认为既然相关系数为零，知道参数位置就无法帮助了解修订时间，这个解释哪里出了问题？

参考分析：

两件事同时发生，正好就是选中中间档，因此联合概率为五分之一。两个边际概率也分别为五分之一，它们的乘积却是二十五分之一：

仅这一组取值就足以说明变量不独立。在模型里，知道 $X$ 以后，$Y$ 可以按规则直接确定；没有哪一档需要再猜一个时间。

相关系数为零，是因为对称两侧在线性共同偏离中相互抵消。判断错误来自把“这种线性概括为零”扩大成“所有关系都不存在”。若让 AI 分析这样的数据，保留散点图就能立即看到被一个数字省略的曲线。

练习三：多出来的一个文件该不该删

四个小文件的大小为一、二、三、四 MB，处理时间为二、一、一、二秒。加入二十 MB、二十秒的新文件后，相关系数由零变为约零点九八八。

小叶发现新文件确实是二十 MB，时间也记录无误。接下来，他主要想了解二到四 MB 文件的处理表现。应怎样使用这五条记录？

参考分析：

保留完整原始记录，并清楚区分分析范围。新增大文件是真实观测，原始数据中没有因为它影响结果就删除的依据。

对于二到四 MB 的目标范围，小叶应主要考察该范围内的记录，并补充更多相近大小的文件。当前三条范围内记录很少，原来四个小文件的相关系数为零，也不能直接代表所有小文件的长期规律。

完整五条记录可以另外报告，用于说明扩展到较大文件后的现象。但零点九八八这个整体数值，不能直接作为二到四 MB 范围内线性关系很强的证据。

这里要调整的是问题与比较范围之间的对应。保留大文件，并不要求所有问题都必须用同一个总体相关系数回答。

练习四：准备越多，究竟更省还是更费时间

沿用简单与复杂任务的六条记录。两组内部相关系数都为负一，合并为正零点八八八左右。

分别求两个阶段的总投入。能否据此宣布“增加准备可以节省总时间”，或者“增加准备会增加总时间”？如果小叶想改进方法，下一次应该额外观察什么？

参考分析：

简单组分别为 $1+6$、$2+5$、$3+4$，均为七分钟。复杂组分别为 $6+16$、$7+15$、$8+14$，均为二十二分钟。

在各组现有记录中，准备增加与返工减少恰好抵消，没有观察到总投入下降。总体中准备较多的任务总投入也更大，但它们同时属于复杂组，不能把组间差异直接解释为主动增加准备的效果。

因此，两种关于干预的宣布都超出了当前表格。小叶可以选取较为接近的任务，比较不同上下文准备方法，并同时记录准备、核验、成果是否达标及必要的后续修改。

如果额外准备只把同样的工作提前做了，总时间可能不变；如果它减少了反复误解和重复核验，总时间可能下降；如果它还带来更高质量，时间之外也可能有收益。下一次记录应允许这些情况被区分出来，而非只看返工这一列。

练习五：平均都为二十分钟，超时机会是否一样

在两项核验时间的三个模型中，若小叶给这两项连续工作留二十二分钟，超过安排的概率分别是多少？请同时说明总时间的均值、方差和协方差。

参考分析：

独立模型只有组合 $(12,12)$ 会超过二十二分钟，概率为四分之一。同方向模型中，一半时候是 $(12,12)$，所以超过的概率为二分之一。抵消模型的总时间固定二十分钟，超过的概率为零。

三个均值都是二十分钟。协方差依次为零、四、负四，单位是平方分钟；总时间方差依次为八、十六、零，单位也为平方分钟。

这些结果由完整联合模型得到。若只知道均值二十和一个方差，一般仍不能唯一确定超过二十二分钟的概率，因为不同分布可能具有相同均值与方差。这里能精确计算，是因为我们已经列出了所有组合及概率。

安排任务时，协方差帮助看清整体波动；对具体截止时间的判断，还应结合与该任务相符的分布或情景记录。

练习六：继续重复，还是改善共同材料

在重复估计模型中，共同成分方差为一，各次独立成分方差为三。分别计算十次、一百次平均的方差。

再设小叶改进共同材料后，共同成分方差下降到四分之一，各次独立成分方差仍为三，其余模型条件不变。新的两个结果是多少？这能不能证明实际中改材料一定比多问有效？

参考分析：

原模型为 $1+3/n$，十次得到一点三，一百次得到一点零三，单位均为平方分钟。

新模型为：

十次得到零点五五，一百次得到零点二八。按这些假设，改善共同成分后只平均十次，方差也低于原模型平均一百次的一点零三。

这个比较清楚展示了两种改进路径的差别：增加次数主要减少各次不同的成分，改善共同基础可以降低此前保留下来的部分。但“共同成分方差下降到四分之一”是题目给出的条件，需要在现实中另行观察，不能把设定当作改材料的必然效果。

实际还要考虑改进材料的时间、目标是否相同，以及估计有没有系统性偏差。模型提供了值得尝试的方向：当重复结果已很相近，却仍与完成后的实际记录有明显差距时，可以检查共同基础，而不仅继续堆积次数。