步骤1.生成皮尔森随机数。

从两个不同的皮尔逊分布产生1000张随机数，使用pearsrnd功能。第一分布具有的参数值亩等于0，当δ等于1，歪斜等于1，和峰度等于4。第二分布具有的参数值亩等于0，当δ等于1，歪斜等于0.75，和峰度等于3。

RNG默认％用于重现P1 = pearsrnd（0,1，-1,4,1000,1）;P2 = pearsrnd（0,1,0.75,3,1000,1）;

在这个阶段，P1和P2是从它们各自的皮尔逊分布独立样本，并且是不相关的。

第2步画出皮尔森随机数。

创建一个scatterhist绘制可视化皮尔森随机数。

图scatterhist（P1，P2）

直方图显示的边缘分布P1和P2。散点图显示了联合分布P1和P2。缺乏格局的散点图显示P1和P2是独立的。

第3步：生成使用高斯系词随机数。

用copularnd产生具有相关系数1000张相关的随机数等于-0.8，使用高斯连接函数。创建一个scatterhist绘制可视化从Copula函数产生的随机数。

U = copularnd（“高斯”，-0.8,1000）;图scatterhist（U（：，1）中，u（：，2））

直方图显示的是，在接合装置的每列中的数据有一个边缘均匀分布。散点图显示在两列中的数据是负相关的。

第4步排序Copula函数随机数。

使用Spearman秩相关，改造两个独立皮尔逊样品放入相关的数据。

使用分类功能，从最小到最大的系词随机数进行排序，并返回描述该号码的重新排列的顺序索引的矢量。

[S1，I1] =排序（U（：，1））;[S2，I2] =排序（U（：，2））;

S1和S2从连接函数的第一和第二列包括数字，ü，排序依次从最小到最大。I1和I2是所描述的元素的重新排列的顺序为索引矢量S1和S2。例如，如果在排序矢量的第一个值S1是在原未排序矢量第三值，则在索引向量的第一个值I13。

第5步：使用Spearman秩相关变换皮尔逊样本。

创建零的两个向量，X1和X2中，对大小排序的连接函数矢量相同，S1和S2。排序中的值P1和P2从最小到最大。放置值代入X1和X2在相同的顺序指数I1和I2通过排序连接函数的随机数生成。

X1 =零（尺寸（S1））;X2 =零（尺寸（S2））;X1（I1）=排序（P1）;X2（I2）=排序（P2）;

步骤6，绘制相关皮尔逊随机数。

创建一个scatterhist剧情以可视化的相关Pearson数据。

图scatterhist（X1，X2）

直方图显示数据的每列中的边际皮尔逊分布。散点图显示的联合分布P1和P2，并表示该数据正在呈负相关。

步骤7.确认Spearman秩相关系数的值。

确认的Spearman等级相关系数是为连接函数的随机数和所述相关皮尔逊随机数相同。

copula_corr =更正件（U，'类型'，“斯皮尔曼）

copula_corr =2×21.0000 -0.7858 -0.7858 1.0000

pearson_corr =科尔（[X1，X2]，'类型'，“斯皮尔曼）

pearson_corr =2×21.0000 -0.7858 -0.7858 1.0000

Spearman等级相关性是系词与皮尔森的随机数相同。