Une corrélation nulle entre les échantillons ne signifie pas nécessairement qu'il n'y a pas de relation linéaire. - page 2
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
En fait, les livres disent que si QC=0, cela ne signifie pas que les deux quantités en question ne sont pas liées.
Les livres disent qu'ils ne sont pas linéairement liés.
Le lien que Rosh a donné est exactement le coefficient de corrélation des rangs de Spearman. C'est comme ça que c'est calculé. Si vous voulez voir l'autocorrélation, elle est calculée un peu différemment, comme ceci https://www.mql5.com/ru/code/8295.
On a compris pourquoi une relation linéaire est associée à une corrélation.
Imaginez deux BP comme des vecteurs. Le fait est que, pour une raison quelconque, on a décidé qu'il n'y avait pas de relation linéaire si les vecteurs étaient orthogonaux.
L'orthogonalité des vecteurs est le produit scalaire nul.
Pour l'espace euclidien, le produit scalaire des vecteurs est considéré comme suit :
Ainsi, si les vecteurs sont linéairement indépendants (d'après la définition ci-dessus), leur corrélation est nulle.
Une autre chose est que la dépendance linéaire, définie comme une mesure de l'angle entre les vecteurs, est une assez mauvaise définition.
Un peu d'information de base.
La corrélation et la dépendance sont souvent confondues parce que dans le cas de distributions gaussiennes, elles sont équivalentes (voir n'importe quel manuel de matstatique pour la preuve), et beaucoup de gens croient que tout dans le monde est normalement distribué :)).
Une autre erreur courante consiste à confondre les concepts de "coefficient de corrélation" (c'est-à-dire une caractéristique de la dépendance stochastique entre les c.v.) et de "coefficient de corrélation de l'échantillon" (une estimation - une parmi plusieurs possibles - du véritable CS). Il s'agit en fait de choses très différentes, et substituer l'une à l'autre est fondamentalement erroné.
Pour poursuivre, deux autres termes sont souvent confondus : la dépendance fonctionnelle et la dépendance stochastique (alias statistique, régression, etc.).
En lisant ce fil de discussion pour la centième fois, je suis convaincu que les statistiques mathématiques ne peuvent être comprises simplement en lisant une douzaine de manuels.
VOUS DEVEZ Y PASSER L'EXAMEN.
De préférence avec "excellent" : ))))
Une autre idée fausse courante consiste à confondre le "coefficient de corrélation" (c'est-à-dire une caractéristique de la relation stochastique entre les c.i.s.) et le "coefficient de corrélation de l'échantillon" (une estimation - une parmi plusieurs possibles - du véritable CS). Il s'agit en fait de choses très différentes, et substituer l'une à l'autre est fondamentalement erroné.
Juste une petite leçon.
La corrélation et la dépendance sont souvent confondues car dans le cas de distributions gaussiennes, elles sont équivalentes (voir n'importe quel manuel de mathématiques pour la preuve), et de nombreuses personnes croient que tout dans le monde est normalement distribué :))
Une autre idée fausse courante consiste à confondre les concepts de "coefficient de corrélation" (c'est-à-dire une caractéristique de la dépendance stochastique entre les c.v.) et de "coefficient de corrélation de l'échantillon" (une estimation - une parmi plusieurs possibles - du véritable CC). Il s'agit en fait de choses très différentes, et substituer l'une à l'autre est fondamentalement erroné.
En suivi, deux autres termes qui sont souvent confondus : la dépendance est fonctionnelle et la dépendance est stochastique (aka statistique, régression, etc.).
En lisant le fil de discussion, pour la centième fois, je suis convaincu que les matstatiques ne peuvent pas être comprises simplement en lisant une douzaine de manuels.
VOUS DEVEZ PASSER UN EXAMEN DANS CE DOMAINE.
De préférence avec un "A" :)))
Et s'il y a un désir d'"utiliser" les travaux ?
Sans parler de FFT ou autre.
Régressions et corrélations multiples.
;)
Des sons !
Quel est le rapport avec le modèle physique des forums ?
D'accord, ils le feraient sur une fondue, au moins là la métrique de l'espace d'état n'est pas un tore, mais une boule.
;) DDD
On a compris pourquoi une relation linéaire est associée à une corrélation.
Imaginez deux BP comme des vecteurs. Le fait est que, pour une raison quelconque, on a décidé qu'il n'y avait pas de relation linéaire si les vecteurs étaient orthogonaux.
L'orthogonalité des vecteurs est le produit scalaire nul.
Pour l'espace euclidien, le produit scalaire des vecteurs est considéré comme suit :
- C'est presque une corrélation toute faite.
Ainsi, si les vecteurs sont linéairement indépendants (d'après la définition ci-dessus), leur corrélation est nulle.
Une autre chose est que la dépendance linéaire, définie comme une mesure de l'angle entre les vecteurs, est une assez mauvaise définition.
On ne vous donne pas assez de devoirs à l'institut ?
....
Votre autocorrélation ne compte pas du tout correctement.Il s'avère que j'ai été idiot de revérifier le code 10 fois avant de le poster. J'ai regardé dans les manuels. J'ai vérifié avec des échantillons de matrice avec des paquets de matrice connus. En particulier, matcadec a une fonction intégrée. J'ai vérifié et tout correspondait. Mais il s'avère que c'est faux...
Vous pouvez peut-être me dire comment le faire correctement ? Avant que je ne me trompe vraiment.
juste au cas où https://ru.wikipedia.org/wiki/Автокорреляционная_функция