样本相关系数怎么求?

样本相关系数是怎么得出的
1在概率论计算中的应用

例1．若将一枚硬币抛n次，X表示n次试验中出现正面的次数，Y表示n次试验中出现反面的次数。计算ρXY。

解：由于X+Y=n，则Y=-X+n，根据相关系数的攻质推论，得ρXY = − 1。

例2．已知随机变量X、Y分别服从正态分布N(1，9)，N(0，16)且X，Y的相关系数
设，求证X，Z相互独立。

证明：由已知得E(X)=1，D(X)=9，E(Y)= 0，D(Y) = 16

由于正态分布的随机变量的线性组合仍然服从正态分布，知Z是正态变量。

根据数学期望的性质有

根据方差的性质有得

由于 E(XY) = Cov(X,Y) + E(X)E(Y) = − 6，

E(X) = D(X) + [E(X)] = 10

ρXZ = 0，X，Z不相关。

由于正态随机变量的相互独立与互不相关等价，故X,Z相互独立。

因此，一般情况下两个随机变量不相关不一定相互独立。不相关仅指随机变量之间没有线性关系，而相互独立则表明随机变量之间互不影响，没有关系。

2在企业物流上的应用

例一种新产品上市。在上市之前，公司的物流部需把新产品合理分配到全国的10个仓库，新品上市一个月后，要评估实际分配方案与之前考虑的其他分配方案中，是实际分配方案好还是其中尚未使用的分配方案更好，通过这样的评估，可以在下一次的新产品上市使用更准确的产品分配方案，以避免由于分配而产生的积压和断货。表1是根据实际数据所列的数表。

通过计算，很容易得出这3个分配方案中，B的相关系数是最大的，这样就评估到B的分配方案比实际分配方案A更好，在下一次的新产品上市分配计划中，就可以考虑用B这种分配方法来计算实际分配方案。

3在聚类分析中的应用

例如果有若干个样品，每个样品有n个特征，则相关系数可以表示两个样品间的相似程度。借此，可以对样品的亲疏远近进行距离聚类。例如9个小麦品种(分别用A1,A2,,A9表示)的6个性状资料见表2，作相关系数计算并检验。

由相关系数计算公式可计算出6个性状间的相关系数，分析及检验结果见表3。由表3可以看出，冬季分蘖与每穗粒数之间呈现负相关(ρ = − 08982)，即麦冬季分蘖越多，那么每穗的小麦粒数越少，其他性状之间的关系不显著。
相关系数怎么计算
两个变量x,y的相关系数

分子为(xi-x平均数)禒(yi-y平均数)多少个数，一起求和

分母为两个变量的标准差的乘积
excel中的相关系数是如何计算出来的
用统计函数中的CORREL函数,假设的两组数据为:A1:A10和B1:B10

在C1输入公式=CORREL(A1:A10,B1:B10)

相关系数就出来了,

以前我也不知有这个公式,我是用求标准差的办法设置的公式做了一个小模板,累死了,哈哈!
sperman相关系数怎么计算
相关系数γ =Σ ZxZy / (n-1)

相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值一般介于-1～1之间。相关系数不是等距度量值,而只是一个顺序数据。计算相关系数一般需大样本。

相关系数 又称皮（尔生）氏积矩相关系数，说明两个现象之间相关关系密切程度的统计分析指标。

相关系数用希腊字母γ表示，γ值的范围在-1和+1之间。

γ＞0为正相关，γ＜0为负相关。γ＝0表示不相关；

γ的绝对值越大，相关程度越高。

两个现象之间的相关程度，一般划分为四级：

如两者呈正相关，r呈正值，r=1时为完全正相关；如两者呈负相关则r呈负值，而r=-1时为完全负相关。完全正相关或负相关时，所有图点都在直线回归线上；点子的分布在直线回归线上下越离散，r的绝对值越小。当例数相等时，相关系数的绝对值越接近1，相关越密切；越接近于0，相关越不密切。当r=0时，说明X和Y两个变量之间无直线关系。

相关系数的计算公式为：

其中xi为自变量的标志值；i＝1，2，…n；■为自变量的平均值，

为因变量数列的标志值；■为因变量数列的平均值。

为自变量数列的项数。对于单变量分组表的资料，相关系数的计算公式为：

其中fi为权数，即自变量每组的次数。在使用具有统计功能的电子计算机时，可以用一种简捷的方法计算相关系数，其公式为：

使用这种计算方法时，当计算机在输入x、y数据之后，可以直接得出n、■、Σxi、Σyi、Σ■、Σxiy1、γ等数值，不必再列计算表
怎么看相关系数显著性检验表？
这里主要关注两个信息就够了，一个是n，那就是你的样本容量，比如n=100的话就是有100个被试，也即100组配对的数据。根据你的样本量找到检验表里对应的行。另一个就是根据你定的显著性水平来看显著性，一般005水平就够了，比如n=100显著性水平alpha=005时，相关系数显著性的临界值为0195，也就是说这个条件下，只要相关系数r的绝对值在0195以上，就可以认为此相关系数在005水平上显著。

另外，一般报告的原则是，报告统计量所达到的最高显著性水平，也就是如果你的数据达到001水平的显著，就不要说它在005水平显著了
如何计算相关系数
相关系数的计算公式见
怎样在excel中求相关系数
用CORREL函数可以求相关系数，格式为CORREL(array1,array2)，返回单元格区域 array龚 和 array2 之间的相关系数。使用相关系数可以确定两种属性之间的关系。
相关系数多少算具有相关性？
相关系数的强弱仅仅看系数的大小是不够的。一般来说，取绝对值后，0-009为没有相关性，03-弱，01-03为弱相关，03-05为中等相关，05-10为强相关。但是，往往你还需要做显著性差异检验，即t-test，来检验两组数据是否显著相关，这在SPSS里面会自动为你计算的。

样本书越是大，需要达到显著性相关的相关系数就会越小。所以这关系到你的样本大小，如果你的样本很大，比如说超过300，往往分析出来的相关系数比较低，比如02，因为你样本量的增浮造成了差异的增大，但显著性检验却认为这是极其显著的相关。

一般来说，我们判断强弱主要看显著性，而非相关系数本身。但你在撰写论文时需要同时报告这两个统计数据。

郭敦顒回答：
各年份分别以序号i：1，2，3 ，4，5，6表示，
应收款为自变量表示为x（万元），应付款为因变量表示为y（万元），
（1）相关系数表示为k，有如下表所列关系
i， x，y，k＿＿＿，｜xiyi，xi²
1，40，50，1250，｜2000，1600
2，45，55，1222，｜2475，2025
3，50，60，1200，｜3000，2500，
4，52，63，1212，｜3276，2704，
5，56，65，1161，｜3640，3136
6，60，68，1133，｜4080，3600
∑，303，361————|18471，15565
（2）回归方程为直线方程，设为Y=a+bx，
解：a=y(均)―bx(均)，
x(均)=（1/6）∑xi=（40+45+50+52+56+60）/6=303/6=505，
y(均)=（1/6）∑yi=（50+55+60+63+65+68）/6=361/6=601667，
b=∑（xi－x(均)）（yi－y(均)）/∑（xi－x(均)）²=L(xy)/L(xx)
L(xy)= ∑（xi－x(均)）（yi－y(均)）=∑[xiyi－6x(均) y(均)]
＝18471－6505601667
=24049,
L(xy)=24049，
L(xx)= ∑（xi－x(均)）²=∑（xi²－6x(均) ²）=15565－6505²=2635
b = L(xy)/ L(x x)= 24049/2635=0912676
a=y(均)―bx(均)=601667－0912676505=140766
回归方程是： Y=140766+0912676x。
(3)
i，140766+0912676x=====Y，——｜y，｜[Yi－Y(均)] ²
1，140766+091267640=505836，｜50，｜918358
2，140766+091267645=551470，｜55，｜251974
3，140766+091267650=597104，｜60，｜02082
4，140766+091267652=615358，｜63，｜18744
5，140766+091267656=651865，｜65，｜251984
6，140766+091267660=688372，｜68，｜751810
∑，——————————3610005，———｜2194952
Y(均)= 3610005/6=601667，
回归方程的标准偏差S=√(2194952/6) =6048
回归方程的显著性检验略

一元线性回归R，F，rss计算：r=∑（Xi-X）（Yi-Y）/根号［∑（Xi-X）²×∑（Yi-Y）²］上式中”∑”表示从i=1到i=n求和；X，Y分别表示Xi，Yi的平均数。

简单线性回归用于计算两个连续型变量（如X，Y）之间的线性关系，Y=α+βX+εY=α+βX+ε其中εε称为残差，服从从N（0，σ2）N（0，σ2）的正态分布，自由度为（n-1）-（2-1）=n-2为了找到这条直线的位置，使用最小二乘法。

定义

一元线性回归分析预测法，是根据自变量x和因变量Y的相关关系，建立x与Y的线性回归方程进行预测的方法。由于市场现象一般是受多种因素的影响，而并不是仅仅受一个因素的影响。

所以应用一元线性回归分析预测法，必须对影响市场现象的多种因素做全面分析。只有当诸多的影响因素中，确实存在一个对因变量影响作用明显高于其他因素的变量，才能将它作为自变量，应用一元相关回归分析市场预测法进行预测。

计算方法：

y = Ax + B:a = sigma[(yi-y均值)(xi-x均值)] / sigma[(xi-x均值)的平方]；b = y均值 - ax均值。

知识拓展

最小二乘法求回归直线方程的推导过程

这里的是为了区分Y的实际值y（这里的实际值就是统计数据的真实值，我们称之为观察值），当x取值(i=1，2，3……n)时，Y的观察值为，近似值为（或者说对应的纵坐标是）。
其中式叫做Y对x的回归直线方程，b叫做回归系数。要想确定回归直线方程，我们只需确定a与回归系数b即可。
设x，Y的一组观察值为：
i = 1，2，3……n
其回归直线方程为：
当x取值(i=1，2，3……n)时，Y的观察值为，差刻画了实际观察值与回归直线上相应点纵坐标之间的偏离程度，见下图：

实际上我们希望这n个离差构成的总离差越小越好，只有如此才能使直线最贴近已知点。换句话说，我们求回归直线方程的过程其实就是求离差最小值的过程。
一个很自然的想法是把各个离差加起来作为总离差。可是，由于离差有正有负，直接相加会互相抵消，如此就无法反映这些数据的贴近程度，即这个总离差不能用n个离差之和来表示，见下图：
一般做法是我们用离差的平方和，即：

作为总离差 ，并使之达到最小。这样回归直线就是所有直线中Q取最小值的那一条。由于平方又叫二乘方，所以这种使“离差平方和为最小”的方法，叫做最小二乘法。
用最小二乘法求回归直线方程中的a、b的公式如下：
其中，、为和的均值，a、b的上方加“︿”表示是由观察值按最小二乘法求得的估计值，a、b求出后，回归直线方程也就建立起来了。
当然，我们肯定不能满足于直接得到公式，我们只有理解这个公式怎么来的才能记住它，用好它，因此给出上面两个公式的推导过程更加重要。在给出上述公式的推导过程之前，我们先给出推导过程中用到的两个关键变形公式的推导过程。首先是第一个公式：

接着是第二个公式：

基本变形公式准备完毕，我们可以开始最小二乘法求回归直线方程公式的推导了：

至此，公式变形部分结束，从最终式子我们可以看到后两项

与a、b无关，属于常数项，我们只需

即可得到最小的Q值，因此：

---