Korrelaatiokerrointa kutsutaan myös korrelaation normalisoiduksi hetkeksi, joka on satunnaismuuttujien (SSV) järjestelmän 2 korrelaatiomomentin ja sen maksimiarvon suhde. Korrelaatiomomenttia puolestaan kutsutaan toisen asteen sekoitetuksi keskusmomentiksi (MSC X ja Y).
Ohjeet
Vaihe 1
On huomattava, että arvo W (x, y) on TCO: n yhteinen todennäköisyystiheys. Korrelaatiomomentti puolestaan on TCO-arvojen keskinäisen sironnan ominaisuus suhteessa tiettyyn keskiarvojen pisteeseen (matemaattiset odotukset my ja mx), vapaiden arvojen indeksien välisen lineaarisen suhteen tasoon X ja Y.
Vaihe 2
Tarkastellaan tarkastellun korrelaatiomomentin ominaisuuksia: Rxx = Dx (varianssi); R (xy) = 0 - riippumattomille eksponenteille X ja Y. Tässä tapauksessa seuraava yhtälö on voimassa: M {Yts, Xts} = 0, mikä tässä tapauksessa osoittaa lineaarisen yhteyden puuttumisen (tässä ei tarkoiteta mikä tahansa yhteys, mutta esimerkiksi neliöllinen). Lisäksi, jos X: n ja Y: n arvojen välillä on lineaarinen jäykkä yhteys, seuraava yhtälö on voimassa: Y = Xa + b - | R (xy) | = bybx = max.
Vaihe 3
Palaa r (xy) - korrelaatiokertoimen, jonka merkityksen tulisi olla lineaarisessa suhteessa satunnaismuuttujien välillä. Sen arvo voi vaihdella -1: stä yhteen, eikä sillä voi olla ulottuvuutta. Vastaavasti R (yx) / bxby = R (xy).
Vaihe 4
Siirrä saadut arvot kaavioon. Tämä auttaa sinua kuvittelemaan normalisoidun korrelaatiomomentin, empiirisesti saatujen X- ja Y-indeksien merkityksen, jotka tässä tapauksessa ovat tietyn tason pisteen koordinaatit. Lineaarisen jäykän yhteyden läsnä ollessa näiden pisteiden on oltava suoralla viivalla tarkalleen Y = Xa + b.
Vaihe 5
Ota positiiviset korrelaatioarvot ja liitä ne saatuun kuvaajaan. Kun yhtälö r (xy) = 0, kaikkien nimettyjen pisteiden tulisi olla ellipsin sisällä, jonka keskialue on (mx, my). Tässä tapauksessa sentin puoliaksojen arvo määräytyy satunnaismuuttujien varianssien arvojen perusteella.
Vaihe 6
Ota huomioon, että kokeellisella menetelmällä saadut SV-arvot eivät voi heijastaa 100%: n todennäköisyystiheyttä. Siksi on parasta käyttää arvioita vaadituista määristä: mx * = (x1 + x2 +… + xn) (1 / n). Laske sitten samalla tavalla kuin minun *.
