1.数据说明
这里我对R语言的自带的数据包中states.x77（关于美国50个州的某些数据）第1至6列的50份数据从统计的角度以及R语言的角度进行分析，看看R语言是怎么做相关分析的，同时怎么看分析出的结果
首先我们观察一下states.x77中第1至6列的数据及其意义
2.统计学的计算过程
（1）我们拿出文盲率（设为x）和预期寿命（设为y）来从统计的角度计算相关系数r以及显著性水平α：
首先，我们假设文盲率和预期寿命符合计算Pearson相关系数的变量要求：
①两变量相互独立
②两变量为连续变量
③两变量的分布遵循正态分布
④两变量呈线性关系
换句话来说，当你选择的变量符合上要求的时候，可以选择使用Pearson相关系数来求两个变量间的相关关系
（2）按照上一篇文章对相关分析的解说，计算Pearson相关系数的时候，有两个步骤：
①计算相关系数r
②计算显著性水平α
因此这里作出简单的讲解：
①计算相关系数r
Pearson的相关系数r的公式为：
那么把数据代入到公式中计算
这个时候我们根据1977年发布的美国50个州的states.x77样本中的数据算出了相关系数r=-0.5884779，因为样本states.x77只是从总体（设为总体A）抽出来的数据（总体应该是这么多年来美国各个州的文盲率和预期寿命的数据），那么这个states.77样本中算出的相关系数r并不一定能代表总体A的相关系数ρ
②计算显著性水平α
设想一下，如果我们的总体A的相关系数ρ实际上为0的（也就是说总体上文盲率和预期寿命没有相关关系），因为误差或者抽样偏差的关系，抽样所得的states.x77的文盲率和预期寿命数据计算出来的相关系数r并不为0（也就是说样本上显示文盲率和预期寿命有相关关系），因此要进行显著性检验：
提出假设：
H0：总体A的相关系数ρ=0（也就是说假设总体上文盲率和预期寿命没有相关关系）
H1：总体A的相关系数ρ≠0（也就是说总体上文盲率和预期寿命有相关关系）
计算检验的统计量：
查表确定显著性水平α
把数据代入公式中计算：
123得出T=-5.042706
3.R语言应用以及观察结果
在R语言中，有直接的函数cor( )计算出Pearson相关系数
同样是两个步骤：
计算文盲率和预期寿命之间的相关系数r：
和我们使用计算Pearson系数计算出的结果一致
进行显著性检验
4.R语言扩展应用
当我们不仅仅需要计算文盲率和预期寿命的相关关系，而是计算state.x77中各个数据之间的相关关系，使用cor()也是可以做到的：
再次按照相关分析的步骤：
①计算相关系数r（两两变量间的相关系数）
②计算显著性水平α
123456789101112131415161718192021222324252627282930从以上结果可以看出，具有显著性相关关系（设显著性水平为0.05，即超过95%的概率有相关关系）的两两变量有：
变量 P值 r值 Population，Murder 0.01 0.34 Income， Illiteracy 0.00 -0.44 Income，Life Exp 0.02 0.34 Income， HS Grad 0.00 0.62 Illiteracy， Life Exp 0.00 -0.59 Illiteracy， Murder 0.00 0.70 Illiteracy， HS Grad 0.00 -0.66 Life Exp， HS Grad 0.00 0.58 Life Exp， Murder 0.00 -0.78 Murder， HS Grad 0.00 -0.49