Jak obliczyć współczynnik korelacji

Współczynnik korelacji są również корреляционным нормированным momentem, który stanowi stosunek корреляционного od systemu 2 losowych (CER) i jego maksymalnej wartości. Z kolei, корреляционный momencie nazywają mieszane centralnym punktem drugiego rzędu (CER X i Y).

Instrukcja

1
Należy zwrócić uwagę, że wartość W(x,y) będzie stanowić łączną gęstość prawdopodobieństwa OZE. Z kolei, корреляционный momencie będzie być cechą wzajemnego rozrzutu wartości CER względem pewnego punktu średniej wielkości (matematycznych oczekiwań my i mx), poziomu liniowego związku między wskaźnikami wolnych wartości X i Y.
2
Należy pamiętać właściwości widzianego корреляционного momentu: Rxx=Dx (dyspersji); R(xy)=0 – dla niezależnych wskaźników X i Y. Przy tym naprawdę następujące równanie: M{Ca, Хц}=0, która w tym przypadku oznacza brak liniowej komunikacji (tu mamy na myśli nie każdego związku, a, na przykład, kwadratowej). Ponadto, w przypadku liniowej sztywne połączenie między wartościami X i Y, będzie naprawdę następujące równanie: Y=Xa+b |R(xy)|=бубх=max.
3
Wróć do rozpatrzenia r(xy) – współczynnik korelacji, którego znaczenie musi być w liniowym związku między losowymi wartościami. Jego wartość może się różnić od -1 do jednostki, poza tym on nie może mieć wymiaru. W związku z tym, że: R(yx)/бхбу=R(xy).
4
Przenieś otrzymane wartości na wykresie. To pomoże ci przedstawić sens нормированного корреляционного momentu, otrzymane doświadczalnie wartości X i Y, które w tym przypadku będą stanowić współrzędnych punktów na danej płaszczyźnie. W przypadku liniowej sztywne połączenia te punkty muszą leżeć na linii prostej dokładnie Y=Xa+b.
5
Weź wartości dodatnie korelacje i połączyć je na otrzymanym wykresie. W równaniu r(xy)=0 wszystkie oznaczone punkty muszą być wewnątrz elipsy z centralnym obszarem w (mx, my). Przy tym wielkość półosi grosza zostanie ustalona wartości dyspersji losowych.
6
Należy pamiętać, wynikające eksperymentalną metodą wartości ST nie mogą w 100% odzwierciedlić gęstość prawdopodobieństwa. Dlatego najlepiej używać oceny wymaganych wartości: mx*=(x1+x2+…+xn)(1/n). Następnie oblicz podobnie my*.