Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Що таке кореляція? | Коваріація та Кореляція
Основи Теорії Ймовірностей
course content

Зміст курсу

Основи Теорії Ймовірностей

Основи Теорії Ймовірностей

1. Базові Поняття Теорії Ймовірностей
2. Ймовірність Складних Подій
3. Поширені Дискретні Розподіли
4. Поширені Неперервні Розподіли
5. Коваріація та Кореляція

book
Що таке кореляція?

Кореляція — це статистична міра, яка кількісно визначає взаємозв'язок між двома змінними. Вона визначається як масштабована коваріація, і завдяки цьому масштабу можна визначити не лише напрямок, а й силу залежності.
Кореляція змінюється в межах від -1 до 1, де:

  1. Якщо кореляція дорівнює +1, то значення мають ідеальний прямий лінійний зв'язок. При зростанні однієї змінної інша також зростає пропорційно;

  2. Якщо кореляція дорівнює -1, то значення мають ідеальний обернений лінійний зв'язок. При зростанні однієї змінної інша зменшується пропорційно;

  3. Якщо коефіцієнт кореляції близький до 0, то між змінними немає лінійного зв'язку.

Для обчислення кореляції можна виконати ті ж кроки, що й для обчислення коваріації, та використати np.corrcoef(x, y)[0, 1].

123456789101112131415161718192021222324252627
import matplotlib.pyplot as plt import numpy as np # Create a figure with three subplots fig, axes = plt.subplots(1, 3) fig.set_size_inches(10, 5) # Positive linear dependence x = np.random.rand(100) * 10 # Generate random x values y = x + np.random.randn(100) # Generate y values with added noise axes[0].scatter(x, y) # Scatter plot of x and y axes[0].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Negative linear dependence x = np.random.rand(100) * 10 # Generate random x values y = -x + np.random.randn(100) # Generate y values with added noise axes[1].scatter(x, y) # Scatter plot of x and y axes[1].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Independent np.random.seed(0) # Set random seed for reproducibility x = np.random.rand(200) # Generate random x values y = np.random.rand(200) # Generate random y values axes[2].scatter(x, y) # Scatter plot of x and y axes[2].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient plt.show() # Display the plot
copy

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 5. Розділ 2

Запитати АІ

expand

Запитати АІ

ChatGPT

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

course content

Зміст курсу

Основи Теорії Ймовірностей

Основи Теорії Ймовірностей

1. Базові Поняття Теорії Ймовірностей
2. Ймовірність Складних Подій
3. Поширені Дискретні Розподіли
4. Поширені Неперервні Розподіли
5. Коваріація та Кореляція

book
Що таке кореляція?

Кореляція — це статистична міра, яка кількісно визначає взаємозв'язок між двома змінними. Вона визначається як масштабована коваріація, і завдяки цьому масштабу можна визначити не лише напрямок, а й силу залежності.
Кореляція змінюється в межах від -1 до 1, де:

  1. Якщо кореляція дорівнює +1, то значення мають ідеальний прямий лінійний зв'язок. При зростанні однієї змінної інша також зростає пропорційно;

  2. Якщо кореляція дорівнює -1, то значення мають ідеальний обернений лінійний зв'язок. При зростанні однієї змінної інша зменшується пропорційно;

  3. Якщо коефіцієнт кореляції близький до 0, то між змінними немає лінійного зв'язку.

Для обчислення кореляції можна виконати ті ж кроки, що й для обчислення коваріації, та використати np.corrcoef(x, y)[0, 1].

123456789101112131415161718192021222324252627
import matplotlib.pyplot as plt import numpy as np # Create a figure with three subplots fig, axes = plt.subplots(1, 3) fig.set_size_inches(10, 5) # Positive linear dependence x = np.random.rand(100) * 10 # Generate random x values y = x + np.random.randn(100) # Generate y values with added noise axes[0].scatter(x, y) # Scatter plot of x and y axes[0].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Negative linear dependence x = np.random.rand(100) * 10 # Generate random x values y = -x + np.random.randn(100) # Generate y values with added noise axes[1].scatter(x, y) # Scatter plot of x and y axes[1].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Independent np.random.seed(0) # Set random seed for reproducibility x = np.random.rand(200) # Generate random x values y = np.random.rand(200) # Generate random y values axes[2].scatter(x, y) # Scatter plot of x and y axes[2].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient plt.show() # Display the plot
copy

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 5. Розділ 2
some-alt