相关指数公式推导

更新日期：2026-09-15 19:27:10

标题

相关指数公式推导

内容

在统计学中，相关指数（通常指相关系数）是衡量两个变量之间线性关系密切程度的重要指标。常见的相关指数有皮尔逊相关系数、斯皮尔曼等级相关系数等。本文将重点介绍皮尔逊相关系数的公式推导过程，并通过与表格形式进行展示。

一、相关指数的基本概念

相关指数是用来描述两个变量之间线性关系的强度和方向的数值指标。其取值范围一般在 -1 到 1 之间：

- 1 表示完全正相关；

- 0 表示无线性相关；

- -1 表示完全负相关。

二、皮尔逊相关系数的定义

设有两个变量 $ X $ 和 $ Y $，它们的样本数据为：

X = (x_1, x_2, \dots, x_n),\quad Y = (y_1, y_2, \dots, y_n)

则皮尔逊相关系数 $ r $ 的公式为：

r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2} \cdot \sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}}

其中：

- $ \bar{x} = \frac{1}{n}\sum_{i=1}^{n}x_i $

- $ \bar{y} = \frac{1}{n}\sum_{i=1}^{n}y_i $

三、公式的推导过程

1. 协方差的计算

协方差反映了两个变量之间的变化趋势：

\text{Cov}(X,Y) = \frac{1}{n} \sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})

2. 标准差的计算

标准差表示变量的离散程度：

\sigma_x = \sqrt{\frac{1}{n} \sum_{i=1}^{n}(x_i - \bar{x})^2},\quad \sigma_y = \sqrt{\frac{1}{n} \sum_{i=1}^{n}(y_i - \bar{y})^2}

3. 相关系数的定义

将协方差除以两个变量的标准差，得到标准化后的相关系数：

r = \frac{\text{Cov}(X,Y)}{\sigma_x \cdot \sigma_y}

4. 代入公式化简

代入协方差和标准差的表达式，最终得到：

r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2} \cdot \sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}}

四、

相关指数（如皮尔逊相关系数）是衡量两组数据之间线性相关性的关键工具。其公式基于协方差与标准差的比值，能够有效反映变量间的变化趋势。推导过程中，首先计算协方差以衡量变量间的共同变化，再通过标准差对数据进行标准化，从而消除量纲影响，使得相关系数具有可比性。

五、表格展示

概念	公式	说明
协方差	$ \text{Cov}(X,Y) = \frac{1}{n} \sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y}) $	衡量两个变量之间的共同变化程度
标准差	$ \sigma_x = \sqrt{\frac{1}{n} \sum_{i=1}^{n}(x_i - \bar{x})^2} $	表示变量的离散程度
相关系数	$ r = \frac{\text{Cov}(X,Y)}{\sigma_x \cdot \sigma_y} $	标准化后的协方差，取值范围 [-1, 1]

结语：

相关指数的推导过程体现了统计学中“去中心化”和“标准化”的核心思想，是理解变量间关系的基础工具。通过掌握其公式与意义，可以更好地应用于数据分析与建模中。

随便看