Калькулятор коефіцієнта кореляції Пірсона

Коефіцієнт кореляції Пірсона (r) — одна з найпоширеніших статистичних метрик, що показує наскільки сильно й у якому напрямку два набори числових даних пов'язані лінійною залежністю. Запропонований Карлом Пірсоном наприкінці XIX ст. на основі ідей Френсіса Гальтона, він широко застосовується в статистиці, економіці, науці про дані та природничих науках.

Даний інструмент реалізує науково обґрунтований підхід до обчислень, що базується на перевірених математичних методах і стандартних формулах. Усі розрахунки виконуються у реальному часі безпосередньо у браузері — без відправки даних на сервер і без необхідності встановлювати додаткове програмне забезпечення. Інтерфейс оптимізований для зручного введення параметрів, відображення результатів з необхідною точністю та покрокових пояснень застосованих формул.

Розрахунок коефіцієнта кореляції

Формула та шкала інтерпретації

Формула коефіцієнта Пірсона

r = Σ((xi − x̄)(yi − ȳ)) / √( Σ(xi − x̄)² · Σ(yi − ȳ)² ) де: x̄, ȳ — середні значення вибірок X та Y xi, yi — окремі спостереження (пари значень) Σ — сума за всіма парами i

Орієнтовна шкала інтерпретації |r|

0.0 – 0.3 → Слабкий (незначний) лінійний зв'язок 0.3 – 0.7 → Помірний лінійний зв'язок 0.7 – 1.0 → Сильний лінійний зв'язок Знак r визначає напрямок: "+" позитивний, "−" негативний

Ця шкала — узвичаєне емпіричне правило (rule of thumb), а не абсолютний стандарт. Межі можуть відрізнятися залежно від галузі: у соціальних науках r = 0,3 вже вважається помітним зв'язком, тоді як у фізичних вимірюваннях аналогічне значення часто вважають слабким.

Обмеження коефіцієнта Пірсона

  • Тільки лінійні зв'язки — не виявляє нелінійні (наприклад, параболічні) залежності, навіть детерміновані
  • Чутливість до викидів — один аномальний спостереження може суттєво спотворити r
  • Не доводить причинність — кореляція лише вказує на статистичний зв'язок, а не на причину і наслідок
  • Потребує достатньої вибірки — на малій кількості пар (менше 5-10) оцінка r нестабільна
  • Чутливість до нелінійних трансформацій — логарифмування або інше перетворення даних може змінити значення r

Приклади розв'язання

Покрокові задачі

Приклад 1: Дослідник фіксує кількість годин підготовки (X) та бали за тест (Y) для 5 студентів: X = {1, 2, 3, 4, 5}, Y = {2, 4, 5, 4, 5}. Визначте коефіцієнт кореляції.

Розв'язання:

Середні: x̄ = (1+2+3+4+5)/5 = 3; ȳ = (2+4+5+4+5)/5 = 4

Відхилення (xi − x̄): −2, −1, 0, 1, 2; (yi − ȳ): −2, 0, 1, 0, 1

Добутки (xi−x̄)(yi−ȳ): 4, 0, 0, 0, 2 → Σ = 6

Σ(xi−x̄)² = 4+1+0+1+4 = 10; Σ(yi−ȳ)² = 4+0+1+0+1 = 6

r = 6 / √(10 × 6) = 6 / √60 = 6 / 7,7460 ≈ 0,7746

Відповідь: r ≈ 0,77 — сильний позитивний лінійний зв'язок (більше часу підготовки пов'язане з вищими балами).

Приклад 2: Для 5 днів відомі середня температура повітря, °C (X) та витрати на опалення, ум. од. (Y): X = {5, 10, 15, 20, 25}, Y = {100, 90, 70, 50, 40}.

Розв'язання:

Середні: x̄ = 15; ȳ = 70

Відхилення (xi − x̄): −10, −5, 0, 5, 10; (yi − ȳ): 30, 20, 0, −20, −30

Добутки: −300, −100, 0, −100, −300 → Σ = −800

Σ(xi−x̄)² = 100+25+0+25+100 = 250; Σ(yi−ȳ)² = 900+400+0+400+900 = 2600

r = −800 / √(250 × 2600) = −800 / √650000 = −800 / 806,226 ≈ −0,9923

Відповідь: r ≈ −0,99 — дуже сильний негативний зв'язок: чим вища температура, тим нижчі витрати на опалення.

Приклад 3: Перевіряється зв'язок між номером спостереження (X) та випадковим показником (Y): X = {1, 2, 3, 4, 5}, Y = {5, 3, 6, 2, 4}.

Розв'язання:

Середні: x̄ = 3; ȳ = 4

Відхилення (xi − x̄): −2, −1, 0, 1, 2; (yi − ȳ): 1, −1, 2, −2, 0

Добутки: −2, 1, 0, −2, 0 → Σ = −3

Σ(xi−x̄)² = 10; Σ(yi−ȳ)² = 1+1+4+4+0 = 10

r = −3 / √(10 × 10) = −3 / 10 = −0,30

Відповідь: r = −0,30 — на межі слабкого й помірного зв'язку; для впевнених висновків потрібна більша вибірка.

Практичне значення та контекст

Де застосовується

Інструменти даного типу широко застосовуються в освіті, науці та інженерній практиці. Студенти використовують їх для перевірки домашніх та контрольних завдань, розуміння методів розв'язання та самоперевірки. Викладачі — для ілюстрації методів на лекціях і лабораторних. Аналітики та науковці — для швидких оціночних розрахунків зв'язку між метриками та верифікації результатів спеціалізованого статистичного програмного забезпечення. Простота доступу через браузер робить ці калькулятори незамінним інструментом як у навчальному процесі, так і в практичній роботі — від аналізу фінансових активів до оцінки результатів A/B-тестів.

Часті запитання (FAQ)

Що вимірює коефіцієнт кореляції Пірсона?
Коефіцієнт кореляції Пірсона (r) вимірює силу та напрямок ЛІНІЙНОГО зв'язку між двома кількісними змінними. Важливо: він реагує лише на лінійні залежності. Якщо між змінними існує сильний нелінійний зв'язок (наприклад, параболічний), значення r може бути близьким до нуля, хоча реальний зв'язок сильний — тому перед інтерпретацією варто подивитись на діаграму розсіювання.
У яких межах знаходиться значення r?
Коефіцієнт Пірсона завжди знаходиться в діапазоні від -1 до +1. r = +1 означає ідеальний позитивний лінійний зв'язок (обидві змінні зростають синхронно), r = -1 означає ідеальний негативний зв'язок (одна зростає, інша спадає), а r = 0 означає відсутність лінійного зв'язку.
Чи означає кореляція причинно-наслідковий зв'язок?
Ні, кореляція не доводить причинність ("correlation is not causation"). Класичний приклад: продажі морозива та кількість випадків утоплення влітку сильно корелюють, але морозиво не спричиняє утоплень — обидва показники зростають через спільний фактор, спекотну погоду. Для встановлення причинності потрібні контрольовані експерименти або спеціальні методи причинного висновку, а не лише кореляційний аналіз.
Що означає r = 0? Чи це гарантує відсутність будь-якого зв'язку?
r = 0 означає відсутність ЛІНІЙНОГО зв'язку між змінними, але це не виключає наявності сильного нелінійного зв'язку. Наприклад, для даних, що описують параболу y = x², коефіцієнт Пірсона на симетричному діапазоні X може бути близьким до нуля, хоча x та y пов'язані детермінованою (нелінійною) формулою. Тому r = 0 варто трактувати як "немає лінійної залежності", а не як "змінні повністю незалежні".
Де застосовується коефіцієнт кореляції Пірсона на практиці?
Коефіцієнт Пірсона широко використовують у фінансах та економіці (зв'язок між активами, диверсифікація портфеля), у наукових дослідженнях (перевірка гіпотез про зв'язок змінних, наприклад дози препарату та ефекту), а також в аналізі A/B-тестів та product-аналітиці — наприклад, для оцінки зв'язку між метриками залучення користувачів і конверсією.

📁 Категорія: Статистика