变量x和y之间的相关程度常用相关系数P表示之 EL(x-u-uvI (5-16) 式中E_数学期望离散情况E[x=∑ 连续情况Ex]=mx(ot T→>∞ x随机变量x的均值Hx= Elx p1随机变量y的均值,=EIyl 0x随机变量x的标准差a2=E|(x-Hx)2 随机变量y的标准差a2=E[U-1)21 用柯西许瓦兹不等式E(x=1)y-,)2≤印(x-,)3(y-,)(57) 故知 (可作相关性的绝对评价) 当数据点分布越接近于一条直线时,x的绝对值越接近1,x和y的线性 相关性程度越好,将这样的数据回归成直线才越有意义。P的正付号表示 变量随另一变量增加而增加或减少。当ρ灬接近零时,则认为x和y之 间完全无关。但仍可能存在某种非线性的相关关系甚至函数关系。 KDI变量 x 和 y 之间的相关程度常用相关系数 ρxy 表示之 x y x y xy E x y      [( − )( − )] = （5-16） 式中 E ——数学期望 离散情况 连续情况 = = n i i x n E x 1 1 [ ]   → = 0 ( ) 1 [ ] lim x t dt T E x T μx—随机变量 x 的均值 μx = E [ x ] μy— 随机变量y 的均值 μy = E [ y ] σ x— 随机变量 x 的标准差 σ2 x=E [ (x –μx ) 2 ] σ y— 随机变量y 的标准差 σ2 y=E [ (y –μy ) 2 ] 用柯西—许瓦兹不等式 [( )( )] [( ) ( ) ] 2 2 2 x y x y E x −  y −   E x −  y −  （5-17） 故 知  xy  1 （可作相关性的绝对评价） 当数据点分布越接近于一条直线时，ρxy 的绝对值越接近1，x 和 y 的线性 相关性程度越好，将这样的数据回归成直线才越有意义。Ρ xy 的正付号表示 一变量随另一变量增加而增加或减少。当ρxy 接近零时，则认为 x 和 y 之 间完全无关。但仍可能存在某种非线性的相关关系甚至函数关系。 7