Koeficijent korelacije naziva se i korelacijski normalizirani moment, što je omjer momenta korelacije sustava 2 slučajnih varijabli (SSV) i njegove maksimalne vrijednosti. Zauzvrat, korelacijski moment naziva se miješani središnji trenutak drugog reda (MSC X i Y).
Upute
Korak 1
Treba imati na umu da će vrijednost W (x, y) biti zajednička gustoća vjerojatnosti TCO. Zauzvrat, korelacijski moment bit će karakteristika međusobnog raspršenja vrijednosti TCO u odnosu na određenu točku prosječnih vrijednosti (matematička očekivanja my i mx), razinu linearnog odnosa između indeksa slobodnih vrijednosti X i Y.
Korak 2
Razmotrimo svojstva razmatranog momenta korelacije: Rxx = Dx (varijansa); R (xy) = 0 - za neovisne eksponente X i Y. U ovom slučaju vrijedi sljedeća jednadžba: M {Yts, Xts} = 0, što u ovom slučaju pokazuje odsutnost linearne veze (ovdje ne mislimo na bilo koja veza, ali, na primjer, kvadratna). Uz to, ako postoji linearna kruta veza između vrijednosti X i Y, vrijedit će sljedeća jednadžba: Y = Xa + b - | R (xy) | = bybx = max.
3. korak
Vratite se razmatranju r (xy) - koeficijenta korelacije, čije značenje treba biti u linearnom odnosu između slučajnih varijabli. Njegova vrijednost može varirati od -1 do jedan, uz to ne može imati dimenziju. Sukladno tome, R (yx) / bxby = R (xy).
4. korak
Dobivene vrijednosti prenesite na grafikon. To će vam pomoći da zamislite značenje normaliziranog momenta korelacije, empirijski dobivenih indeksa X i Y, koji će u ovom slučaju biti koordinate točke na određenoj ravnini. U prisutnosti linearne krute veze, te točke moraju ležati na ravnoj crti točno Y = Xa + b.
Korak 5
Uzmite pozitivne vrijednosti korelacije i povežite ih na rezultirajućem grafikonu. S jednadžbom r (xy) = 0, sve označene točke trebaju biti unutar elipse sa središnjim područjem na (mx, my). U tom će se slučaju vrijednost poluosovina centa odrediti vrijednostima varijansi slučajnih varijabli.
Korak 6
Uzmite u obzir da vrijednosti SV dobivene eksperimentalnom metodom ne mogu odražavati gustoću vjerojatnosti 100%. Zato je najbolje koristiti procjene potrebnih veličina: mx * = (x1 + x2 + … + xn) (1 / n). Zatim računajte slično mojem *.
