起源：协方差自然是由方差衍生而来的，方差反应的是一个变量（一维）的离散程度，到二维了，我们可以对每个维度求其离散程度，但我们还想知道更多。我们想知道两个维度（变量）之间的关系，直观的举例就是身高和体重（青少年），我们采集到的数据里面有一种固有的性质，那就是身高越高的样本似乎总有着更大的体重，那我们如何衡量这种关系呢，单独求两个方差是不行的。
因此协方差应运而生，它的公式也与方差极度同源，方差是每个样本减去均值的平方后去平均（n-1），协方差就把平方的2拆成1+1，就是x减去x的平均，乘以，y减去y的平均，最后对整体取平均。
这个公式似乎有点难以直观理解，先别管，先说结论。
该公式的另一种写法：
协方差的效果是：协方差的值如果为正值，则说明两者是正相关的 (数值越大，相关性越强)，结果为负值就说明负相关的，如果为0，也是就是统计上说的“相互独立”。
再来说原理，如何直观的理解这个协方差公式能达到这种效果呢？
网上有篇文章讲得十分好，以下转载：
终于明白协方差的意义了
如果正相关，这个计算公式，每个样本对（Xi, Yi）, 每个求和项大部分都是正数，即两个同方向偏离各自均值，而不同时偏离的也有，但是少，这样当样本多时，总和结果为正。下面这个图就很直观。下面转载自：
在概率论中，两个随机变量 X 与 Y 之间相互关系，大致有下列3种情况：
当 X, Y 的联合分布像上图那样时，我们可以看出，大致上有： X 越大 Y 也越大， X 越小 Y 也越小，这种情况，我们称为“正相关”。
当X, Y 的联合分布像上图那样时，我们可以看出，大致上有：X 越大Y 反而越小，X 越小 Y 反而越大，这种情况，我们称为“负相关”。
当X, Y 的联合分布像上图那样时，我们可以看出：既不是X 越大Y 也越大，也不是 X 越大 Y 反而越小，这种情况我们称为“不相关”。
怎样将这3种相关情况，用一个简单的数字表达出来呢？
在图中的区域（1）中，有 X>EX ，Y-EY>0 ，所以(X-EX)(Y-EY)>0；
在图中的区域（2）中，有 X<EX ，Y-EY>0 ，所以(X-EX)(Y-EY)<0；
在图中的区域（3）中，有 X<EX ，Y-EY<0 ，所以(X-EX)(Y-EY)>0；
在图中的区域（4）中，有 X>EX ，Y-EY<0 ，所以(X-EX)(Y-EY)<0。
当X 与Y 正相关时，它们的（联合）分布大部分在区域（1）和（3）中，小部分在区域（2）和（4）中，所以平均来说，有E(X-EX)(Y-EY)>0 。(可以从一维 x~N(μ,σ)的大部分的分布（-3σ-3σ）99.7%的区间取值来理解，当符合条件的X和Y区域都在这（1）（3）区间，X-EX和Y-EY的数值同大于0和小于0的居多，其乘积大于0（是一个三维立体型吧，会根据概率密度p(x)来决定该区域数值，），且其对应数值相乘(X-EX)(Y-EY)越大偏离越大)
当 X与 Y负相关时，它们的分布大部分在区域（2）和（4）中，小部分在区域（1）和（3）中，所以平均来说，有(X-EX)(Y-EY)<0 。
当 X与 Y不相关时，它们在区域（1）和（3）中的分布，与在区域（2）和（4）中的分布几乎一样多，所以平均来说，有(X-EX)(Y-EY)=0 。
所以，我们可以定义一个表示X, Y 相互关系的数字特征，也就是协方差
cov(X, Y) = E(X-EX)(Y-EY)。
当 cov(X, Y)>0时，表明 X与Y 正相关；
当 cov(X, Y)<0时，表明X与Y负相关；
当 cov(X, Y)=0时，表明X与Y不相关。
这就是协方差的意义。
另外补充：
1. 求特征协方差矩阵，如果数据是3维，那么协方差矩阵是