相关系数是描述两个随机变量之间的相关程度的指标。两个随机变量的关系可分为独立和相依，在相依中，又可以分为线性和非线性相依，非线性的种类非常多，至今无实用指标来区分它们，但线性相依可以用线性相关系数来描述，这个指标在线性方面应用已经非常成熟，并得到国际的认可和通用。

下面给出相关系数的计算方法：

注：Cov(x,y)叫做x与y之间的协方差

相关系数在-1~+1之间，绝对值越接近1表示两个变量之间的相关程度越高，接近0表示相关性越差，0表示没有相关性。
R＝0时，X与Y不相关，X的变动不会影响Y的变动；|R|＝1时，X与Y完全相关，X与Y已经变成了函数关系；0<|R|<1时，X的变动引起Y的部分变动，R的绝对值起大，引起对Y的变动就越大，|R|>0.8时称为高度相关，当|R|<0.3，即R2<0.09时，称为低度相关，其他为中度相关。

相关系数的平方叫决定系数，比如R＝0.8,则R的平方就是0.64,它的意思是指自变量可以大约解释64％的因变量的变化，其余的影响由观测误差及其它未考虑因素在内。

统计学里的相关系数应用非常广泛，下面举一个在企业物流上的应用。

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，我们要评估实际分配方案与我们之前考虑的其它分配方案中，是实际分配方案好还是其中我们尚未使用的分配方案更好，通过这样的评估，我们可以在下一次的新产品上市进行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。    下表是实际的数据，EXCEL文件点击这里下载相关系数在新产品上市铺货中的应用，EXCEL中相关系数的计算函数是CORREL。

地区    上市后一个月地区销量    A（实际铺货）    B    C
广州    5032    6000    5100    5200
北京    6532    6500    6600    5800
上海    5500    7000    5400    4800
成都    4530    4000    4300    4200
南京    2300    2000    2200    2500
杭州    3254    3000    3500    3000
哈尔滨    8095    9000    7800    8500
沈阳    7530    8000    7000    7500
昆明    3841    3200    3500    3200
西安    4500    5200    4800    4000
相关系数    　    0.963     0.991     0.978

通过上表的计算，我们很容易看出，这3个分配方案中，B的相关系数是最大的，这样我们就评估到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，我们就可以考虑用B这种分配方法来计算实际分配方案。