Однако, так может быть не всегда, так как обратное изменение одной должно вести к обратному изменению другой. Сравните:
1. Увеличение количества врачей приводит к увеличению количества заболевших людей.
2. Увеличение количества лекарств приводит к появлению новых штаммов вируса.
3. Чем чаще зимой происходят аварии, тем чем чаще падают пешеходы.
Как видно из 1 примера, взаимосвязь есть, ведь может заболеть врач, а также, чем больше заболевших (эпидемия какая-нибудь или пандемия (когда вирус ебёт всех и вся)), тем больше врачей требуется, чтобы в итоге послать нахуй вирусню. А попытка уменьшить количество врачей ваще может выкосить нахуй все человечество.
2 пример показывает корреляцию – чем больше лекарств, тем больше штаммов, так как без лекарств вирусу не нужно было бы мутировать, чтобы поддерживать свои хит поинты.
А в 3 примере вообще 2 несвязные величины, хотя у них есть общая причина – обледенение.
Корреляция делится на положительную и отрицательную. Положительная имеет прямо пропорциональную зависимость, то есть увеличение одной величины = увеличение второй величины. Обратно пропорциональная корреляция – это отрицательная корреляция, где увеличение одной величины = уменьшение второй.
Ну, а теперь к формуле. Есть такое понятие – ковариация – хуйня, показывающая, какая это зависимость:
• cov(X, Y) = M[(X-M{X})(Y-M{Y})], где X, Y – случайные величины (числа), М(Х) – ожидаемое изменение Х при бесконечном повторе, М(Y) – ожидаемое изменение Y при бесконечном повторе. Однако, через неравенство Коши-Буняковского можно упростить эту запись:
• cov(X, Y) =〈X, Y〉
〈X, Y〉– это скалярное произведение (то есть типа «+»*«+» = «+», «+»*«-» = «-», «-»*«-» = «+»). Также, если X никак не зависит от Y и наоборот, то:
• cov(X, Y) = 0.
Короче, корреляция показывает, есть ли связь между 2 событиями и вид этой связи.
Спасибо за то, что вы с нами.
С любовью, Рителлинг favorite
