相关系数r等于0，说明两个变量之间不存在相关关系。这样说对吗？

1. 相关系数r等于0，说明两个变量之间不存在相关关系。这样说对吗？

是不对的。
相关系数r是根据样本数据计算的度量两个变量之间线性关系强度的统计量。如果相关系数r=0，说明两个变量之间不存在线性相关关系。并不说明变量之间不存在其它相关关系，比如非线性相关关系。
Pearson相关系数的适用条件：
1、适用于线性相关的情形，对于曲线相关等更为复杂的情形、积差相关系数的大小并不能代表相关性的强弱。
2、无明显异常值，存在极端值则予剔除或转换。
3、变量呈双变量正态分布，如各自服从正态分布两个变量计算Pearson相关系数、假阳率偏高一点。

扩展资料

利用样本相关系数推断总体中两个变量是否相关，可以用t 统计量对H0假设（即二者相关系数为0）进行检验。若t检验显著，则拒绝原假设，即两个变量是线性相关的；反之，则不能拒绝原假设，即两个变量不是线性相关的。
r的取值为，-1~+1。r＞0表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；r＜0表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。
r 的绝对值越大，则两变量相关性越强。若r=0，表明两个变量间不是线性相关，但可能存在其他方式的相关（比如曲线方式）。
（1）一般认为：|r|≥0.8时，可认为两变量间高度相关；0.5≤|r|<0.8，可认为两变量中度相关；0.3≤|r|<0.5，可认为两变量低度相关；|r|<0.3，可认为两变量基本不相关。
（2）也有认为：|r|≥0.8时，可认为两变量间极高度相关；0.6≤|r|<0.8，可认为两变量高度相关；0.4≤|r|<0.6，可认为两变量中度相关；0.2≤|r|<0.4，可认为两变量低度相关；|r|<0.2，可认为两变量基本不相关。
（3）还有认为：|r|≥0.7时，可认为两变量间强相关；0.4≤|r|<0.7，可认为两变量中度相关；0.2≤|r|<0.4，可认为两变量弱相关；|r|<0.2，可认为两变量极弱相关或不相关。
参考资料来源：百度百科-相关系数

2. 相关系数等于零表明两个变量之间的关系是什么？

相关系数等于零表明两个变量之间的关系是非线性相关关系。相关系数为0说明两变量不存在直线相关关系，但这并不意味着两个变量之间不存在其他类型的关系。
相关系数最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母r表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。
相关表和相关图反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。
相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。
相关系数的缺点：
需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1。
当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。

3. 相关系数等于0,表明两个变量之间的关系是什么？

相关系数为0说明两变量不存在直线相关关系，但这并不意味着两个变量之间不存在其他类型的关系，比如非线性相关关系。

相关介绍：
相关系数最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 r 表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。
相关表和相关图反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。
相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。
需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。
依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）。

4. 判断题两个变量相关叫负相关

根据散点图，由相关性可知：
  图a各点散布在从左下角到右上角的区域里，是正相关；
  图b中各点分布不成带状，相关性不明确，所以不相关；
  图c中各点分布在从左上方到右下方的区域里，是负相关．
  故选：D．

5. 怎样理解正相关和负相关

在回归与相关分析中，因变量值随自变量值的增大（减小）而减小（增大），在这种情况下，因变量和自变量的相关系数为负值，即负相关。
正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。

相关应用
概率论
【例】若将一枚硬币抛n次，X表示n次试验中出现正面的次数，Y表示n次试验中出现反面的次数。计算ρXY。
解：由于X+Y=n，则Y=-X+n，根据相关系数的性质推论，得ρXY = − 1。

企业物流
【例】一种新产品上市。在上市之前，公司的物流部需把新产品合理分配到全国的10个仓库，新品上市一个月后，要评估实际分配方案与之前考虑的其他分配方案中，是实际分配方案好还是其中尚未使用的分配方案更好，通过这样的评估，可以在下一次的新产品上市使用更准确的产品分配方案，以避免由于分配而产生的积压和断货。表1是根据实际数据所列的数表。
通过计算，很容易得出这3个分配方案中，B的相关系数是最大的，这样就评估到B的分配方案比实际分配方案A更好，在下一次的新产品上市分配计划中，就可以考虑用B这种分配方法来计算实际分配方案。

聚类分析
【例】如果有若干个样品，每个样品有n个特征，则相关系数可以表示两个样品间的相似程度。借此，可以对样品的亲疏远近进行距离聚类。例如9个小麦品种(分别用A1,A2,...,A9表示)的6个性状资料见表2，作相关系数计算并检验。
由相关系数计算公式可计算出6个性状间的相关系数，分析及检验结果见表3。由表3可以看出，冬季分蘖与每穗粒数之间呈现负相关(ρ = − 0.8982)，即麦冬季分蘖越多，那么每穗的小麦粒数越少，其他性状之间的关系不显著。

6. 怎样理解正相关和负相关

相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母r表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。那么怎样理解正相关和负相关？
   
  1、 正相关是指两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。
 
  2、 负相关在回归与相关分析中，因变量值随自变量值的增大（减小）而减小（增大）的现象。在这种情况下，表示相关程度的相关系数为负值。
 
  3、 统计学中常用相关系数r来表示两变量之间的相关关系。r的值介于-1与1之间，r为正时是正相关，反映当x增加(减少)时，y随之相应增加(减少)；呈正相关的两个变量之间的相关系数一定为正值，这个正值越大说明正相关的程度越高。当这个正值为1时就是完全正相关的情形，如点子排为一条直线，为完全正相关。正相关虽然意思明确，其实是个模糊的概念，不可以量化，只是定性说法。如果有明确的关系，例如y=2x，这叫y与x成正比，如果只是大体上，x、y的变化方向一样，例如x上升，y也上升或者x下降，y也下降，那么，这叫正相关。反之，x上升，y却下降，或者x下降，y却上升，就叫负相关了。
 
 关于怎样理解正相关和负相关的内容就介绍到这了。

7. 正相关和负相关

正相关：自变量增长,因变量也跟着增长。负相关：自变量增长,因变量反而减少。在回归与相关分析中，因变量值随自变量值的增大（减小）而减小（增大），在这种情况下，因变量和自变量的相关系数为负值，即负相关。正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。在正相关的情况下，一个变量随着另一个变量的变化而发生相同方向的变化（两个变量同时变大或变小）。其中，引起变化的量叫做自变量（即自己发生变化的量），另一个变量叫做因变量（即跟着自变量变化的量）。

8. 正相关和负相关

正相关：自变量增长,因变量也跟着增长。负相关：自变量增长,因变量反而减少。在回归与相关分析中，因变量值随自变量值的增大（减小）而减小（增大），在这种情况下，因变量和自变量的相关系数为负值，即负相关。正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。在正相关的情况下，一个变量随着另一个变量的变化而发生相同方向的变化（两个变量同时变大或变小）。其中，引起变化的量叫做自变量（即自己发生变化的量），另一个变量叫做因变量（即跟着自变量变化的量）。