标签：rac tail cfa bsp lin sdn 随机 svg http
Pearson‘s r，称为皮尔逊相关系数（Pearson correlation coefficient），用来反映两个随机变量之间的线性相关程度。
用于总体（population）时记作ρ (rho)（population correlation coefficient）：
给定两个随机变量X,Y，ρ的公式为：
其中： 
用于样本（sample）时记作r（sample correlation coefficient）：
给定两个随机变量x,y，r的公式为：
其中： 
r的取值在-1与1之间。取值为1时，表示两个随机变量之间呈完全正相关关系；取值为-1时，表示两个随机变量之间呈完全负相关关系；取值为0时，表示两个随机变量之间线性无关。
（注：我们用样本相关系数r作为总体相关系数ρ的估计值，要判断r值是不是由抽样误差或偶然因素导致的，需要进行假设检验。）
那么皮尔逊相关系数是怎么得来的呢？（参考：https://blog.csdn.net/ichuzhen/article/details/79535226）
要理解皮尔逊相关系数，首先要理解协方差（Covariance）
。协方差可以反映两个随机变量之间的关系，如果一个变量跟随着另一个变量一起变大或者变小，那么这两个变量的协方差就是正值，就表示这两个变量之间呈正相关关系，反之相反。协方差的公式如下：
如果协方差的值是个很大的正数，我们可以得到两个可能的结论：
（1） 两个变量之间呈很强的正相关性
（2） 两个变量之间并没有很强的正相关性，协方差的值很大是因为X或Y的标准差很大
那么到底哪个结论正确呢？只要把X和Y变量的标准差，从协方差中剔除不就知道了吗？协方差能告诉我们两个随机变量之间的关系，但是却没法衡量变量之间相关性的强弱。因此，为了更好地度量两个随机变量之间的相关程度，引入了皮尔逊相关系数。可以看到，皮尔逊相关系数就是用协方差除以两个变量的标准差得到的。
皮尔逊相关系数（Pearson Correlation Coefficient, Pearson's r）
标签：rac tail cfa bsp lin sdn 随机 svg http
原文地址：https://www.cnblogs.com/HuZihu/p/10183502.html
