查看“︁統計學/线性相关”︁的源代码

=线性相关的概念及其统计描述=
两个随机变量X、Y之间呈线性趋势的关系称为线性相关（linear correlation），又称简单相关（sample correlation），简称相关（correlation），线性相关的性质可由散点图直观地说明。

=线性相关系数的意义及计算=
线性相关系数（linear correlation coefficient）又称Pearson积矩相关系数（Pearson product moment correlation coefficient），是定量描述两个变量间线性关系密切程度和相关方向的统计指标，其定义为<br>
r(X,Y)=<math>\frac{Cov(X,Y)}{\sqrt{Var(X)Var(Y)}}</math>[1]<br>
其中，Cov(X,Y)为X与Y的协方差，Var(X)为X的方差，Var(Y)为Y的方差。<br>
当上式右端分别为总体协方差和总体方差时，左端便是总体相关系数，记为ρ。若ρ≠0，称X和Y线性相关，简称相关；若ρ=0，则称X和Y无线性相关。当上式右端分别为样本协方差和样本方差时，左端便是样本相关系数，记为r。<br>
协方差（covariance）的定义及其含义:<br>
当样本值为（x<sub>1</sub>,y<sub>1</sub>）,（x<sub>2</sub>,y<sub>2</sub>）,…,（x<sub>n</sub>,y<sub>n</sub>）时，将X和Y的样本均数分别记为<math>\bar{x}</math>和<math>\bar{y}</math>，<br>
X的样本方差=<math>\frac{\sum_{i=1}^n(x_i-\bar{x})^2}{n-1}</math><br>
Y的样本方差=<math>\frac{\sum_{i=1}^n(y_i-\bar{y})^2}{n-1}</math><br>
类似地，有定义式<br>
X和Y地样本协方差=<math>\frac{\sum_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{n-1}</math>[2]<br>
可见，样本协方差是离均差乘积在样本中地平均。同样，离均差乘积在总体中的平均就是总体协方差。与总体方差一样，在实际中，总体协方差常常是未知的。

=线性相关系数的统计推断=
=线性相关分析应用中应注意的问题=
=简单线性相关的样本量估算=