)矩
描述随机变量概率分布的宏观特性的一类常用的量。设X为一随机变量,F(x)是它的分布函数。对于任一正整数k,xk的数学期望EXk称为X 的k阶原点矩,它可以由如下的斯蒂尔杰斯积分表示和计算：
。
。
此外,对于任何正实数r，还可以定义X的r阶原点绝对矩
和r阶中心绝对矩
。 概率论中矩的概念与力学中矩的概念是类似的，如果将概率分布类比于物体的质量分布，则数学期望相当于重心，二阶矩相当于转动惯量，等等。由于各种矩在描述和确定概率分布时常起重要作用，因而它们在概率论与数理统计中有广泛运用。
设X与Y是两个随机变量,F(x,y)是它们的联合分布函数,则对于任何正整数k,Л,还可以定义X与Y的k+Л阶混合原点矩EXkYl和k+Л阶混合中心矩
。其中最常用的是二阶混合中心矩
,称之为X与Y的协方差，记作 cov(X，Y)，它又等于EXY-(EX)(EY)，且有如下的积分表达式： 
。
，
的充分必要条件是：存在三个常数α,b,с，其中α，b不全为零，使线性关系式αX+bY=с以概率 1成立。当ρXY=0时，称X与Y不相关,这时成立EXY=(EX)(EY)，var(X+Y)=varX+varY。当
时,X与Y之间的关系是
，其中Z为一随机变量，它满足ρYZ=0,EZ=0以及
。由此可见，当ρXY≠0时，X与Y之间有某种线性联系；|ρXY|越接近1，这种线性联系的程度越密切。此外，若X与Y独立，则X与Y不相关，但逆之不然。 对于n维随机向量 X=(X1,X2,…,Xn)′，若令
，ρij为Xi与Xj的相关系数，则n×n矩阵 
，
，
若Z1,Z2是两个复随机变量，则定义它们的协方差为
，它们的相关系数为
，其中varZ表示复随机变量的方差。
