np.cov(x, y, ddof=0)[0,1] et np.corrcoef(x, y)[0,1], puis en vérifiant à la mainObtenir la covariance empirique et le coefficient de corrélation linéaire d'une série double.
Calculer la covariance et le coefficient de corrélation des séries et .
Obtenir la covariance empirique et le coefficient de corrélation linéaire d'une série double.
La covariance empirique vaut et le coefficient de corrélation , avec .
x et y de même longueur, et je vérifie len(x) == len(y).cov = np.cov(x, y, ddof=0)[0, 1] pour obtenir la covariance empirique (le paramètre ddof=0 assure le diviseur et non ).r = np.corrcoef(x, y)[0, 1] pour obtenir le coefficient de corrélation linéaire, automatiquement dans .xm, ym = np.mean(x), np.mean(y), cov_manuel = np.mean((x - xm) * (y - ym)), r_manuel = cov_manuel / (np.std(x) * np.std(y)).Calculer la covariance et le coefficient de corrélation des séries et .
x et y de même longueur, et je vérifie len(x) == len(y).J'écris x = np.array([1,2,3,4,5]) et y = np.array([2,4,6,8,10]), tous deux de longueur .
cov = np.cov(x, y, ddof=0)[0, 1] pour obtenir la covariance empirique (le paramètre ddof=0 assure le diviseur et non ).cov = np.cov(x, y, ddof=0)[0,1] renvoie .
r = np.corrcoef(x, y)[0, 1] pour obtenir le coefficient de corrélation linéaire, automatiquement dans .r = np.corrcoef(x, y)[0,1] renvoie .
xm, ym = np.mean(x), np.mean(y), cov_manuel = np.mean((x - xm) * (y - ym)), r_manuel = cov_manuel / (np.std(x) * np.std(y)).Vérification : , , et , somme , divisée par donne . Le produit , donc .
Le coefficient vaut exactement : corrélation linéaire parfaite, cohérent avec .
et .
Les applications suivantes et la correction guidée sont réservées aux membres Premium
La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.