Korelace

 

Vztah mezi znaky či náhodnými veličinami X a Y může být kladný, pokud (přibližně) platí Y = kX, nebo záporný (Y = -kX). Hodnota korelačního koeficientu −1 značí zcela nepřímou závislost (antikorelaci), tedy čím více se zvětší hodnoty v první skupině znaků, tím více se zmenší hodnoty v druhé skupině znaků, např. vztah mezi uplynulým a zbývajícím časem. Hodnota korelačního koeficientu +1 značí zcela přímou závislost, např. vztah mezi rychlostí bicyklu a frekvencí otáček kola bicyklu. Pokud je korelační koeficient roven 0 (nekorelovanost), pak mezi znaky není žádná statisticky zjistitelná lineární závislost. Je dobré si uvědomit, že i při nulovém korelačním koeficientu na sobě veličiny mohou záviset, pouze tento vztah nelze vyjádřit lineární funkcí (např.${\displaystyle Y=X^{2}}$  ), a to ani přibližně.^[2][3]

Pearsonův korelační koeficient je definován, pokud jsou druhé mocniny náhodných veličin X a Y ${\displaystyle E(X^{2}),E(Y^{2})}$  konečné a jejich rozptyly nenulové. Vypočte se normováním kovariance tak, že ji podělíme směrodatnými odchylkami obou proměnných na bezrozměrné číslo nabývající hodnoty -1 až 1:

${\displaystyle \rho _{X,Y}={\mathrm {cov} (X,Y) \over \sigma _{X}\sigma _{Y}}={E((X-\mu _{X})(Y-\mu _{Y})) \over \sigma _{X}\sigma _{Y}}}$ 

Jelikož ${\displaystyle \mu _{X}=E(X)}$ , ${\displaystyle \sigma _{X}^{2}=E(X^{2})-E^{2}(X)}$  a obdobně pro Y, lze výše uvedený vzorec upravit do přehlednějšího výpočetního tvaru:

${\displaystyle \rho _{X,Y}={\frac {E(XY)-E(X)E(Y)}{{\sqrt {E(X^{2})-E^{2}(X)}}~{\sqrt {E(Y^{2})-E^{2}(Y)}}}}}$ 

Korelační koeficient nabývá hodnot z intervalu ${\displaystyle \langle -1,1\rangle }$ . Při nezávislosti náhodných veličin ${\displaystyle X}$  a ${\displaystyle Y}$  je korelační koeficient roven 0. Nulový korelační koeficient však neznamená, že jsou náhodné veličiny ${\displaystyle X}$  a ${\displaystyle Y}$  nezávislé. Nulový korelační koeficient má například dvojice náhodných veličin ${\displaystyle X}$  a ${\displaystyle Y=X^{2}}$ .

Tuto míru asociace jako první odvodil anglický psycholog a antropolog sir Francis Galton.

Existují nicméně i jiné koeficienty asociace, například Spearmanovo rhó či Kendallovo tau pro ordinální (pořadová) data.

Související informace naleznete také v článku korelace (zpracování signálu).

Zkrácený výraz pro korelační funkci.

Pro spojité signály ${\displaystyle f(t)}$  a ${\displaystyle g(t)}$ :

${\displaystyle (f\star g)(t)\ {\stackrel {\mathrm {def} }{=}}\int _{-\infty }^{\infty }f^{*}(\tau )\cdot g(t+\tau )\,{\rm {d}}\tau }$ 

Pro diskrétní signály ${\displaystyle f_{k}}$  a ${\displaystyle g_{k}}$ :

${\displaystyle (f\star g)_{k}\ {\stackrel {\mathrm {def} }{=}}\sum _{i=-\infty }^{\infty }f_{i}^{*}\ g_{k+i}}$ 

U komplexních signálů ${\displaystyle f^{*}}$  představuje komplexně sdružené číslo k ${\displaystyle f}$ .

Velmi se podobá konvoluci. Rozdíl je hlavně v časovém překlopení druhé funkce ${\displaystyle g}$ .

Autokorelací se rozumí korelace ${\displaystyle (f\star f)}$ . Lze tak určit tzv. soběpodobnost signálu, tedy zda se např. signál v určitých periodách opakuje.

• Charakteristika náhodné veličiny
• Korelace neimplikuje kauzalitu
• Spearmanův koeficient pořadové korelace

•   Obrázky, zvuky či videa k tématu korelace na Wikimedia Commons

Tento článek je příliš stručný nebo postrádá důležité informace. Pomozte Wikipedii tím, že jej vhodně rozšíříte. Nevkládejte však bez oprávnění cizí texty.