Koefisien korelasi disebut juga korelasi momen ternormalisasi, yaitu rasio momen korelasi sistem 2 variabel acak (SSV) dan nilai maksimumnya. Pada gilirannya, momen korelasi disebut momen pusat campuran orde kedua (MSC X dan Y).
instruksi
Langkah 1
Perlu dicatat bahwa nilai W (x, y) akan menjadi kepadatan probabilitas gabungan dari TCO. Pada gilirannya, momen korelasi akan menjadi karakteristik hamburan timbal balik nilai TCO relatif terhadap titik nilai rata-rata tertentu (ekspektasi matematis my dan mx), tingkat hubungan linier antara indeks nilai bebas X dan Y
Langkah 2
Pertimbangkan sifat-sifat momen korelasi yang dipertimbangkan: Rxx = Dx (varians); R (xy) = 0 - untuk eksponen bebas X dan Y. Dalam hal ini, persamaan berikut valid: M {Yts, Xts} = 0, yang dalam hal ini menunjukkan tidak adanya hubungan linier (di sini tidak dimaksudkan koneksi apa pun, tetapi, misalnya, kuadrat). Selain itu, jika ada hubungan kaku linier antara nilai X dan Y, persamaan berikut akan valid: Y = Xa + b - | R (xy) | = bybx = max.
Langkah 3
Kembali ke pertimbangan r (xy) - koefisien korelasi, yang artinya harus dalam hubungan linier antara variabel acak. Nilainya dapat bervariasi dari -1 hingga satu, selain itu, tidak dapat memiliki dimensi. Dengan demikian, R (yx) / bxby = R (xy).
Langkah 4
Transfer nilai yang diperoleh ke grafik. Ini akan membantu Anda membayangkan arti momen korelasi ternormalisasi, indeks X dan Y yang diperoleh secara empiris, yang dalam hal ini akan menjadi koordinat titik pada bidang tertentu. Di hadapan koneksi kaku linier, titik-titik ini harus terletak pada garis lurus persis Y = Xa + b.
Langkah 5
Ambil nilai korelasi positif dan hubungkan pada grafik yang dihasilkan. Dengan persamaan r (xy) = 0, semua titik yang ditunjuk harus berada di dalam elips dengan daerah pusat di (mx, my). Dalam hal ini, nilai semiaxes dari satu sen akan ditentukan oleh nilai varians dari variabel acak.
Langkah 6
Mempertimbangkan bahwa nilai SV yang diperoleh dengan metode eksperimental tidak dapat mencerminkan kepadatan probabilitas 100%. Itulah mengapa yang terbaik adalah menggunakan perkiraan jumlah yang diperlukan: mx * = (x1 + x2 +… + xn) (1 / n). Kemudian hitung mirip dengan * saya.
