مفهوم همبستگی در کلمات ساده به چه معناست؟ معرفی. اثرات همبستگی الکترون

ما قبلاً به خوبی به هنر همبستگی پرداخته ایم و اکنون مستقیماً با جفت ارزها سروکار خواهیم داشت. احتمالاً بیش از یک بار متوجه شده اید که وقتی یک جفت ارز بالا می رود، دومی تمایل به کاهش دارد. یا رابطه بین آنها کاملاً مستقیم است - نرخ یک جفت کاهش می یابد و نرخ دیگری همراه با آن کاهش می یابد.

این همان چیزی است که همبستگی جفت ارز به نظر می رسد - اتصالی که اغلب در معاملات استفاده می شود.

نحوه تعامل جفت ارزها با یکدیگر

همبستگی فقط نحوه حرکت دو دارایی را در رابطه با یکدیگر نشان می دهد. در مورد همبستگی ارز، کاملاً همان جعفری است. زوج ها ممکن است با هم حرکت کنند، در جهات مختلف حرکت کنند یا اصلاً با هم تعامل نداشته باشند.

فراموش نکنید که ما نه فقط یک ارز، بلکه یک جفت ارز را معامله می کنیم که در آن هر یک از اعضای جفت روی دیگری تأثیر می گذارد. بنابراین، همبستگی ممکن است تبدیل شود ابزار مفیدو تقریباً تنها موردی است که می خواهید همزمان چندین جفت ارز را با موفقیت معامله کنید.

همبستگی ارز بر اساس به اصطلاح ضریب همبستگی ، که در محدوده ساده بین -1 و +1 قرار دارد.

• یک همبستگی مثبت کامل (ضریب 1+) به این معنی است که دو جفت ارز در 100٪ مواقع در یک جهت حرکت می کنند.
• یک همبستگی منفی کامل (ضریب 1-) دقیقاً برعکس دلالت دارد. زوج ها دائماً در جهات مختلف حرکت می کنند.

اگر همبستگی 0 باشد، اصلاً همبستگی وجود ندارد، صفر است و جفت ها به هیچ وجه به هم مرتبط نیستند.

کجا به دنبال همبستگی ارز باشیم

مطمئناً خودتان در نمودار نیست، این اتلاف وقت است. ما از یک ابزار فوق العاده به نام Oanda استفاده خواهیم کرد که به نام آن است ارزی. دقیقاً به ما نشان می دهد که جفت ارزها چگونه نسبت به یکدیگر حرکت می کنند. واقع شده است در:

همانطور که می بینید، تمام مقایسه ها در رابطه با جفت اصلی و محبوب EUR/USD انجام می شود. به‌طور پیش‌فرض، یک قالب «حباب» پیشنهاد می‌شود، که در آن هرچه دایره آبی بزرگ‌تر باشد، همبستگی منفی بیشتر است، و هر چه قرمز بزرگ‌تر باشد، رابطه مثبت مشخص‌تر است.

گزینه با جدول همبستگی جفت ارز بصری تر است:

Heatmap - یک نسخه پیشرفته از نمودار حباب

خطرات همبستگی ارز

اگر همزمان با چندین جفت ارز کار می کنید، باید فوراً درک کنید که چنین معاملاتی چقدر مخاطره آمیز است. گاهی اوقات افراد برای به حداقل رساندن خطرات خود چندین جفت را به طور همزمان انتخاب می کنند، اما وقتی جفت ها در یک جهت حرکت می کنند، همبستگی مثبت را فراموش می کنند.

فرض کنید ما دو جفت را در بازه زمانی 4 ساعته گرفتیم، EUR/USD و GBP/USD:

ضریب همبستگی است 0.94 ، بسیار خوب. این بدان معنی است که هر دو زوج به معنای واقعی کلمه از یکدیگر پیروی می کنند، مانند یک دیوانه و قربانی او. همانطور که می بینید، هر دو به سمت پایین می روند و تقریباً شبیه به تصویر هستند.

اگر معاملات را روی هر دو جفت باز کنیم، در نتیجه بلافاصله موقعیت و ریسک خود را دو برابر خواهیم کرد. آنها در حال افزایش هستند! زیرا اگر در پیش بینی خود اشتباه کنید، دو برابر اشتباه خواهید کرد، زیرا جفت ها آینه ای هستند.

آنها آن را گذاشتند، قیمت پایین آمد - ضرر دو برابر. خیلی برای همبستگی. همچنین فروش یک ساز و خرید یک ساز دیگر فایده ای ندارد زیرا حتی با یک پیش بینی دقیق یکی از آنها برای شما ضرر خواهد داشت. در باینری، یک تراکنش موفق تراکنش ناموفق را پوشش نمی دهد - پرداخت ها کمتر از 100٪ است. و در فارکس، هزینه امتیاز برای جفت ارزهای مختلف نیز متفاوت است.

نوسانات نیز متفاوت است. یک جفت می تواند 200 امتیاز پرش کند، دومی فقط با 180 امتیاز. بنابراین، شما باید با تراکنش های همزمان روی جفت های مختلف با دقت و بدون تعصب بازی کنید، همبستگی همه چیز اینجاست.

حالا بیایید گزینه مقابل، جفت EUR/USD و USD/CHF را با هم مقایسه کنیم. آنها برعکس دارند، یک همبستگی معکوس قوی، که در آن ضریب اغلب به یک مقدار مطلق می رسد -1.00 .

جفت ها مانند دو آهنربا با قطب های مخالف هستند که دائماً یکدیگر را دفع می کنند.

اگر معاملات مخالف را روی دو جفت با همبستگی منفی باز کنید، مانند دو معامله یکسان روی جفت‌هایی با همبستگی مثبت خواهد بود - دوباره ریسک شما را دو برابر می‌کند.

البته معقول ترین کار این است که فقط با یک جفت کار کنید و در تراکنش های جفت مخالف بازی نکنید، زیرا می توانید خیلی سریع به نتایج زشتی برسید.

ضرایب همبستگی

حال بیایید ببینیم چگونه می توانیم به ضرایب همبستگی نگاه کنیم.

• -1.0. همبستگی معکوس کامل
• -0.8. همبستگی معکوس بسیار قوی
• -0.6. همبستگی معکوس قوی
• -0.4. همبستگی معکوس متوسط.
• -0.2. همبستگی معکوس ضعیف
• 0. همبستگی وجود ندارد
• 0.2. همبستگی ضعیف و ناچیز
• 0.4. همبستگی ضعیف
• 0.6. همبستگی متوسط
• 0.8. همبستگی قوی
• 1.0. همبستگی کامل

پس با همبستگی چه باید کرد، آیا می توان از آن استفاده کرد یا چه؟

1. خطر را از بین ببرید

اگر دوست دارید معاملات همزمان روی جفت‌های مختلف باز کنید، دانستن همبستگی آنها به شما کمک می‌کند تا در موقعیت توصیف‌شده قرار نگیرید که در آن اگر دو جفت در یک جهت حرکت کنند، ریسک خود را دو برابر می‌کنید.

یا در جهات مختلف شرط بندی می کنید و متوجه نمی شوید که جفت ها همبستگی معکوس دارند و این دوباره ریسک شما را دو برابر می کند.

2. درآمد یا ضرر خود را دو برابر کنید

اگر تصمیم دارید با معاملات همزمان در جفت های مختلف بازی کنید، یک معامله موفق با جفت هایی که همبستگی مستقیم دارند درآمد شما را دو برابر می کند. یا ضرر، البته، اگر مشکلی پیش بیاید و پیش بینی نادرست باشد.

3. تنوع بخشیدن به ریسک ها

ریسک های بازار را می توان بین دو جفت ارز تقسیم کرد. اگر مطمئناً درک می کنید که چه کاری انجام می دهید و اگر یک همبستگی کامل بین جفت ها وجود ندارد. برای انجام این کار، جفت هایی را با همبستگی مستقیم حدود 0.7 (نه بیشتر) انتخاب کنید، مثلاً EUR/USD و GBP/USD.

فرض کنید روی رشد دلار شرط بندی کرده اید. به جای دو شرط برای کاهش نرخ EUR/USD، می توانید روی کاهش EUR/USD و GBP/USD شرط بندی کنید. اگر دلار کاهش یابد، یورو کمتر از پوند تحت تأثیر قرار می گیرد.

4. پوشش ریسک

این تکنیک قبلاً در فارکس استفاده می شود، جایی که در نظر گرفته شده است که هر جفت ارز دارای ارزش پیپ خاص خود است. اگر یک پوزیشن خرید در یورو/دلار آمریکا باز کرده‌اید و قیمت بر خلاف شما است، یک موقعیت کوتاه در جفت ارز مقابل مانند USD/CHF می‌تواند به شما کمک کند.

مقادیر مختلف پیپ ها در فارکس را فراموش نکنید. بیایید بگوییم که همبستگی تقریباً کاملی بین EUR/USD و USD/CHF وجود دارد، اما هنگام معامله با لات کوچک 10000 دلاری، یک امتیاز EUR/USD یک دلار و USD/CHF 0.93 دلار هزینه دارد.

در نتیجه، خرید یک مینلات یورو/دلار آمریکا به شما این امکان را می‌دهد که ریسک‌های خود را محافظت کنید و همزمان یک مینلات USD/CHF خریداری کنید. اگر EUR/USD 10 پیپ سقوط کند، 10 دلار از دست داده اید. با این حال، درآمد USD/CHF 9.30 خواهد بود. این بدان معناست که به جای 10 دلار فقط 70 سنت از دست خواهید داد، عالی است.

هجینگ در فارکس عالی به نظر می رسد، اما معایب زیادی نیز دارد. زیرا با رشد خشمگین EUR/USD، شما به طور همزمان پول USD/CHF را از دست می دهید. همچنین، همبستگی به ندرت کامل است، دائماً شناور است، بنابراین به جای پوشش، می توانید همه چیز را از دست بدهید.

5. همبستگی، شکست و شکست کاذب

از همبستگی می توان برای پیش بینی رفتار قیمت در سطوح قابل توجه استفاده کرد. بیایید فرض کنیم که EUR/USD سطح پشتیبانی قابل توجهی را آزمایش می کند. ما این موضوع را مطالعه کردیم و تصمیم گرفتیم که در سطحی فراگیر وارد شویم. از آنجایی که EUR/USD با GBP/USD همبستگی مثبت و با USD/CHF و USD/JPY همبستگی منفی دارد، لازم است بررسی شود که آیا سه جفت دیگر در نوسانی مشابه EUR/USD حرکت می کنند یا خیر.

به احتمال زیاد، GBP/USD نیز در نزدیکی سطح مقاومت "مالش" است، و USD/CHF و USD/JPY نزدیک به سطوح مقاومت کلیدی هستند. همه این‌ها نشان می‌دهد که دلار در اینجا حرف اول را می‌زند و نشانه‌هایی از شکست EUR/USD وجود دارد، زیرا هر سه جفت در حال حرکت هستند. باید منتظر خرابی بود.

حال بیایید تصور کنیم که این سه جفت به طور همزمان با EUR/USD حرکت نمی کنند. برای مثال، GBP/USD حتی به سقوط فکر نمی‌کند، USD/JPY رشد نمی‌کند، و USD/CHF عموماً در حرکت‌های جانبی «بیمار» است. این یعنی چی؟ فقط اینکه سقوط یورو/دلار ربطی به دلار ندارد و به وضوح ناشی از اخبار منفی از منطقه یورو است.

ممکن است قیمت کمتر از سطح حمایت کلیدی باشد، با این حال، اگر سه جفت همبستگی حرکتی به اندازه کافی با EUR/USD نداشته باشند، انتظار برای شکست وجود ندارد. علاوه بر این، ممکن است یک شکست کاذب در سطح مقاومت رخ دهد که همه ما آن را دوست نداریم.

بله، بدون تایید همبستگی، همچنان می توانید وارد یک شکست شوید، اما سپس حجم معامله را کوچکتر کنید، زیرا باید ریسک های خود را کاهش دهید.

همبستگی ارز دائما در حال تغییر است

بازار ارز نمی‌خواهد ما را با ثبات خوشحال کند و وارد است حالت ثابتهیجان، همانطور که معامله گران با او کار می کنند. در نتیجه، حتی قوی‌ترین همبستگی‌ها، که می‌تواند ماه‌ها و سال‌ها ادامه داشته باشد، گاهی تغییر می‌کند و در نامناسب‌ترین لحظه. آنچه در این ماه یک همبستگی است ممکن است در یک ماه جدید به یک داستان کاملاً متفاوت تبدیل شود.

بیایید این را با مثال چند جفت نشان دهیم و USD/CHF را برجسته کنیم:

همانطور که می بینید، همبستگی به طور منظم، اغلب به مقادیر کاملاً قطبی تغییر می کند. بنابراین آنها نه تنها در معرض تغییر هستند - بلکه این تغییرات می توانند چشمگیر باشند. بنابراین، برای استفاده از اثر همبستگی به نفع خود، فقط باید آن را به طور منظم بررسی کنید و برای انجام این کار تنبلی نکنید.

فرض کنید برای یک هفته تمام همبستگی بین USD/JPY و USD/CHF 0.22 بود. این یک ضریب همبستگی بسیار پایین است که نمی توان آن را کافی در نظر گرفت. با این حال، در طول دوره 3 ماهه شاهد افزایش این عدد به 0.52، سپس 0.78 برای بازه زمانی 6 ماهه و در نهایت 0.74 برای بازه زمانی سالانه هستیم.

به عبارت دیگر، جفت ها یک همبستگی بلندمدت دارند، اما می تواند در بازه های زمانی کوچک بسیار تغییر کند. یک همبستگی سالانه قوی می تواند در دوره های زمانی کوتاه به یک همبستگی ضعیف تبدیل شود.

بیایید EUR/USD و GBP/USD را مقایسه کنیم تا رفتار کاملا پوچ را نشان دهیم.

هفته عالی است، ضریب 0.94 است، جفت ها تقریباً به صورت آینه ای حرکت می کنند. با این حال، در طول یک ماه این مقدار به 0.13 کاهش می یابد. در دوره 3 ماهه به 0.83 قابل توجه جهش می کند و در دوره 6 ماهه دوباره سقوط می کند.

USD/JPY و NZD/USD چطور؟ همبستگی سالانه 0.69- است، همبستگی ماهانه به اندازه 0.07 است، یعنی وجود ندارد. بنابراین، چنین عواملی باید در نظر گرفته شوند.

چرا همبستگی تغییر می کند؟ دلایل زیادی وجود دارد. تغییرات در نرخ های کلیدی و سیاست پولی، رویدادهای سیاسی و اقتصادی، هر عامل اساسی که بر روحیه معامله گران و نگرش آنها نسبت به یک ارز خاص تأثیر می گذارد.

نحوه محاسبه همبستگی در اکسل

اگر از ابزار Oanda خوشتان نمی آید و می خواهید همه کارها را به صورت دستی انجام دهید، اکسل به شما این امکان را می دهد که این کار را بدون هیچ مشکلی درست مانند یک ماشین حساب انجام دهید. با این حال، برای به دست آوردن نتایج قابل اعتماد، باید حداقل 6 ماه یک آرشیو از نقل قول ها را تهیه کنید، در غیر این صورت متوجه نوسانات شدید مقادیر نخواهید شد.

سپس این داده ها در جدول کپی می شوند:

جدول همبستگی از مقادیر روزانه استفاده می کند که بسیار منطقی است، اگرچه، البته، هیچ کس مانع از وارد کردن حداقل مقادیر دقیقه نمی شود. اگرچه، من می ترسم که این کار باعث خرابی اکسل و کل رایانه شما به همراه آن شود.

برای مثال، بیایید داده های روزانه را برای یک ماه در نظر بگیریم.

اکنون، در اولین سلول خالی زیر جفت مورد نظر (در مورد ما، EUR/USD، که با USD/JPY مقایسه خواهیم کرد)، مقدار " را وارد کنید. =correl(" (بدون نقل قول). یا، برای نسخه روسی اکسل، مقدار " =CORREL(". همانطور که می بینیم، نه فرمول های پیچیدهنیاز نخواهد داشت.

تنها چیزی که باقی می ماند انتخاب ستون با محدوده داده است (یک مستطیل با مرزهای نقطه چین ظاهر می شود). کاما می گذاریم.

پس از کاما، به طور مشابه محدوده قیمت USD/JPY را انتخاب کنید. کلیک واردو ضریب همبستگی ما را برای جفت انتخاب شده بدست آوریم.

این کار برای جفت های دیگر تکرار می شود و پس از آن می توانید برای هر دوره، از یک هفته تا یک سال، یک جدول مناسب با این ضرایب درست کنید.

شما می توانید چنین داده هایی را هفته ای یک بار به روز کنید؛ انجام این کار بیشتر عاقلانه نیست - خیلی زودتر خسته می شوید.

همبستگی: مزایا و معایب

اینجا همه چیز واضح است. معایب - اگر معاملات را برای دو جفت همبسته آینه باز کنید، ریسک شما دو برابر می شود. علاوه بر این، همبستگی به طور منظم در بازه های زمانی مختلف تغییر می کند که باید در کار مورد توجه قرار گیرد.

از جنبه مثبت، همبستگی این امکان را فراهم می کند که ریسک ها را متنوع کنید، تراکنش های خود را پوشش دهید و در فارکس، به لطف اهرم، درآمد کسب کنید.

همچنین به یاد داشته باشید که:

• شانس بر اساس قیمت های بسته شدن روزانه محاسبه می شود.
• ضریب مثبت به این معنی است که دو جفت در یک جهت حرکت می کنند.
• منفی - در جهت مخالف؛
• هر چه ضریب به مقادیر +1 و -1 نزدیکتر باشد، همبستگی قوی تر است.

نمونه هایی از جفت هایی که به طور همزمان حرکت می کنند:

• EUR/USD و GBP/USD؛
• EUR/USD و AUD/USD؛
• EUR/USD و NZD/USD؛
• USD/CHF و USD/JPY؛
• AUD/USD و NZD/USD.

جفت های با همبستگی منفی:

• EUR/USD و USD/CHF;
• GBP/USD و USD/JPY؛
• USD/CAD و AUD/USD؛
• USD/JPY و AUD/USD؛
• GBP/USD و USD/CHF.

فراموش نکنید که از همه چیزهایی که قبلاً آموخته اید استفاده کنید، مدیریت ریسک را به خاطر بسپارید و سپس همبستگی جفت ارزها می تواند به ابزاری ارزشمند در زرادخانه معاملاتی شما تبدیل شود. و مهمتر از همه، به شما این امکان را می دهد که هنگام معامله دو جفت به طور همزمان از اشتباه جلوگیری کنید و حتی متوجه نشوید که اگر یک همبستگی کامل بین جفت های انتخاب شده وجود داشته باشد، ریسک خود را دو برابر می کنید.

• بازگشت:
• رو به جلو:

برای قرن ها، مردم ماه کامل را مقصر بسیاری از گناهان می دانند، به ویژه آن را عامل عجیب و غریب می دانستند، رفتار انحرافی. در قرون وسطی، داستان هایی در مورد چگونگی تبدیل ماه کامل مردم به گرگینه رونق یافت. در قرن 18 اعتقاد بر این بود که ماه کامل می تواند باعث صرع و تب شود. حتی شکسپیر در نمایشنامه اتللو خود به این اسطوره معروف اشاره می کند:

اتللو
انحراف مقصر ماه:
تازه داشت به زمین نزدیک می شد
و ذهن مردم تیره شده است.

همه این داستان های به ظاهر خارق العاده حتی اکنون نیز در زبان ما منعکس شده است: به عنوان مثال، کلمه "خوابگرد" (یعنی شخصی که برخی از اعمال را در خواب انجام می دهد) از ریشه لاتین "luna" می آید.

در قرن بیست و یکم، ما دیگر اسطوره ها را باور نمی کنیم، و با تکیه بر قضاوت های خود بر عقل و حقایق علمی اثبات شده ایم. مردم دیگر فازهای ماه را برای بیماری و بیماری مقصر نمی دانند. با این حال، حتی امروز گاهی اوقات می توانید بشنوید که کسی رفتار دیوانه کننده را با تأثیر ماه کامل توضیح می دهد. به عنوان مثال، وقتی یک بیمارستان روانی شلوغ می شود، پرستاران اغلب می گویند: "امروز باید ماه کامل باشد."

چرا این اتفاق می افتد: علم در مقابل. اسطوره ها

در همین حال، شواهد زیادی وجود ندارد که نشان دهد فاز کامل ماه واقعاً بر رفتار ما تأثیر می گذارد. تجزیه و تحلیل بیش از 30 مطالعه نشان داد که هیچ ارتباطی بین مراحل برنده شدن ماه و کازینو، تعداد بستری شدن در بیمارستان، تعداد خودکشی یا تصادفات رانندگی، میزان جرم و جنایت و بسیاری از شاخص‌های دیگر وجود ندارد.

اما نکته جالب اینجاست: اگرچه همه شواهد خلاف این را نشان می دهد، اما یک مطالعه در سال 2005 نشان داد که از هر 10 پرستار، 7 پرستار هنوز به این افسانه معتقدند که ماه کامل منجر به هرج و مرج و رفتارهای عجیب در بیماران روانی می شود. طبق این آزمایش، اکثریت قریب به اتفاق کارمندان بیمارستان (69٪!) به تأثیر فاز ماه کامل بر تعداد بیماران بستری در بیمارستان اعتقاد دارند.

فکر نکنید پرستارانی که قسم می‌خورند که ماه کامل باعث رفتارهای عجیب و غریب می‌شود احمق هستند و به همین دلیل همه چیز بیهوده را باور می‌کنند. آنها به سادگی قربانی یک اشتباه روانی رایج شدند که بسیاری از ما مرتکب آن می شویم. کارشناسان این نقص کوچک در مغز ما را "همبستگی های توهم آمیز" می نامند.

چگونه بدون اینکه متوجه شویم خود را گول می زنیم

همبستگی وهمی زمانی اتفاق می‌افتد که به اشتباه به یک عنصر اهمیت بیشتری می‌دهیم در حالی که بقیه را نادیده می‌گیریم. تصور کنید که وارد یک شهر بزرگ شده اید شهر ناآشنا، به مترو می روید و ... ناگهان یک نفر درست قبل از وارد شدن به ماشین، حرف شما را قطع می کند. رسیدن به ایستگاه مورد نظر، تصمیم می گیرید ناهار بخورید و به نزدیک ترین رستوران بروید، اما... گارسون آشکارا با شما بداخلاق می کند. در خیابان متوجه می شوید که گم شده اید، از یک رهگذر راهنمایی می خواهید و ... جهت اشتباه به شما نشان داده می شود. با رسیدن به خانه ، به احتمال زیاد به بستگان خود در مورد بدبختی هایی که در سفر برای شما آمده است بگویید (البته فقط این "رشته بدشانسی" را به یاد دارید!) و ثابت کنید که ساکنان کلان شهرها بی ادب و بد اخلاق هستند.

با این حال، در داستان خود به احتمال زیاد فراموش خواهید کرد که غذاهای خوشمزه ای را که در رستوران امتحان کرده اید، یا صدها نفر دیگر در مترو که شما را روی سکو هل نداده اند، ذکر کنید. همه این چیزهای کوچک آنقدر غیر قابل توجه بودند که ما هیچ اهمیتی برای آنها قائل نیستیم، آنها حتی وضعیت رویدادهای زندگی ما را دریافت نمی کنند. اینها بیشتر "غیر رویداد" هستند. در نتیجه، معلوم می‌شود که به یاد آوردن زمانی که کسی با شما بی‌ادب بوده، آسان‌تر است تا زمانی که یک ناهار خوشمزه خورده‌اید یا با خیال راحت وارد واگن مترو شده‌اید.

علم مغز وارد عمل می شود

صدها تحقیقات روانشناختیثابت کرده‌اند که ما تمایل داریم اهمیت رویدادهایی را که به راحتی به خاطر می‌آوریم دست‌کم می‌گیریم و آن لحظاتی را در زندگی که یادآوری آنها دشوار است، دست کم می‌گیریم. اصل نحوه عملکرد مغز ما در این مورد ساده است: هر چه یک رویداد آسان تر به خاطر سپرده شود، ارتباط بین آن و رویداد دیگر قوی تر است. اما در واقع، این پدیده ها ممکن است ارتباط ضعیفی داشته باشند یا اصلاً به یکدیگر مرتبط نباشند.

در روانشناسی به این پدیده «اکتشافی در دسترس» می گویند. هر چه به یاد آوردن لحظه ای از زندگی مان آسان تر باشد (هرچه در دسترس تر باشد)، احتمال اینکه اهمیت آن را بیش از حد برآورد کنیم، بیشتر می شود.

همبستگی وهمی ترکیبی از اکتشافی در دسترس بودن و سوگیری شناختی است که به عنوان سوگیری تأیید (تمایل به تفسیر اطلاعات به گونه ای که مفاهیم موجود را تأیید می کند) شناخته می شود.

شما به راحتی می توانید برخی از موارد (اکتشافی در دسترس بودن) را به خاطر بسپارید و بنابراین شروع به فکر می کنید که چنین مواردی اغلب تکرار می شوند و حتی به یک روند خاص تبدیل می شوند. وقتی دوباره این اتفاق بیفتد (مانند ماه کامل در مورد پرستاران)، شما بلافاصله این دو پدیده را به هم متصل خواهید کرد و ظن خود را تأیید خواهید کرد (سوگیری تأیید).

چگونه یک همبستگی توهمی را تشخیص دهیم؟

برای تعیین اینکه مغز شما کجا شکست خورده است و از خود در برابر تأثیرات همبستگی های واهی محافظت می کند، می توانید از یک جدول احتمالی برای کمک به تعیین اعتبار قضاوت های خود و اهمیت واقعی رویدادها استفاده کنید.

بیایید مثال ماه کامل را به خاطر بیاوریم:

سلول A: ماه کامل و اورژانس در یک بیمارستان روانی. این دو پدیده ترکیبی به یاد ماندنی را ایجاد می کنند، بنابراین در آینده اهمیت آنها را دوباره ارزیابی خواهیم کرد.

سلول B: ماه کامل و ساکت در بیمارستان. هیچ اتفاق خاصی نمی افتد ("غیر رویدادی"). یادآوری این شب برای ما بسیار دشوار خواهد بود، بنابراین تمایل داریم این سلول را نادیده بگیریم.

سلول C: ماه کامل وجود ندارد، اما در بیمارستان عجله دارد. در این شرایط، پرستاران در پایان شیفت به سادگی می گویند: "شب شلوغ سر کار...".

سلول D: هنوز ماه کامل نیست و بیماران آرام عمل می کنند. این دوباره نمونه ای از یک "غیر رویداد" است: هیچ چیز به یاد ماندنی اتفاق نمی افتد، بنابراین ما این شب را نادیده می گیریم.

جدول تصادفی الگوریتمی را نشان می دهد که توسط آن پرستاران وضعیت را در ماه کامل تجزیه و تحلیل می کنند. آنها ممکن است به سرعت شبی را به یاد بیاورند که بیمارستان در ماه کامل کامل شده بود، اما تغییرات زیادی را که بیماران در طول ماه کامل طبق معمول رفتار می کردند، کاملاً نادیده می گیرند (به سادگی فراموش می کنند). مغز آنها به راحتی اطلاعات مربوط به شرایط اضطراری را در طول ماه کامل "داده" می کند، به همین دلیل است که آنها مطمئن هستند که این دو رویداد به هم مرتبط هستند.

این جدول از کتاب "50 اسطوره بزرگ روانشناسی عامه پسند" را می توان برای هر موقعیت زندگی اقتباس کرد. بیشتر اوقات، ما بیش از حد به سلول A توجه می کنیم، اما به ندرت متوجه سلول B می شویم، که می تواند منجر به یک همبستگی واهی شود. استفاده از هر چهار سلول به شما امکان می دهد تا همبستگی واقعی بین دو رویداد را محاسبه کنید و تحت تأثیر افسانه های رایج مانند "اثر ماه کامل" قرار نگیرید.

چگونه اشتباهات مغز خود را اصلاح کنیم؟

معلوم می‌شود که ما در بسیاری از زمینه‌های زندگی همبستگی‌های واهی برقرار می‌کنیم: همه داستان‌های موفقیت بیل گیتس یا مارک زاکربرگ را شنیده‌اند که دانشگاه را رها کرده‌اند تا کسب‌وکاری را راه‌اندازی کنند که میلیاردها دلار به دست آوردند. ما به این موارد اهمیت بیشتری می دهیم و آنها را با دوستان و آشنایان در میان می گذاریم. در ضمن، شما هرگز در مورد آن دانش آموزان بی دقتی نخواهید شنید که به موفقیت نرسیده اند و جهانی را ایجاد نکرده اند. شرکت های معروف. در سیل اطلاعات، ما فقط خارق‌العاده‌ترین موارد را می‌گیریم، جمع‌آوری خامه محصول، در حالی که صدها یا حتی هزاران داستان افرادی را که دانشگاه را رها کرده‌اند اما در الگوی موفقیت قرار نمی‌گیرند نادیده می‌گیریم.

اگر بشنوید که یکی از اعضای یک گروه قومی یا نژادی دستگیر شده است، احتمالاً همه افراد از آن کشور یا قاره را به عنوان یک راهزن بالقوه درک خواهید کرد. اما در عین حال آن 99 درصد افراد ناشناخته را که زندگی مثال زدنی دارند و هرگز دستگیر نشده اند را فراموش می کنید (چون دستگیری یک اتفاق است و عدم دستگیری غیرواقعی).

اگر در اخبار درباره حمله کوسه بخوانیم، از رفتن به اقیانوس در تعطیلات در ساحل خودداری می کنیم. احتمال حمله از آخرین باری که کشتی گرفتیم افزایش پیدا نکرده است، زیرا میلیون ها نفری را که بدون آسیب برگشته اند را محاسبه نمی کنیم. اما هیچ‌کس علاقه‌ای به تیترهای خسته‌کننده ندارد: «میلیون‌ها گردشگر هر روز زنده می‌مانند»، بنابراین روزنامه‌نگاران روی موارد خارق‌العاده تمرکز می‌کنند، و ما همبستگی توهمی ایجاد می‌کنیم و از تعطیلات در ساحل امتناع می‌کنیم.

سوگیری‌های شناختی ما را تشویق می‌کنند که بسیاری از تداعی‌ها را ببینیم که وجود ندارند. به عنوان مثال، بسیاری از افراد مبتلا به آرتریت اصرار دارند که مفاصل آنها در هوای بارانی بیشتر از هوای صاف آسیب می بینند. با این حال، تحقیقات نشان می دهد که این ارتباط حاصل تخیل آنهاست. به نظر می‌رسد این افراد بیش از حد به جعبه A توجه می‌کنند - زمان‌هایی که باران می‌بارد و مفاصلشان درد می‌کند - که باعث می‌شود آنها رابطه‌ای را درک کنند که وجود ندارد.

بسیاری از ما حتی نمی‌دانیم که حافظه انتخابی ما از رویدادها بر باورهایی که داریم تأثیر می‌گذارد. اکنون شما در مورد تحریف های شناختی می دانید و می توانید همبستگی های واهی را در آن شناسایی و حذف کنید زندگی روزمرهبا استفاده از جدول تصادفی

O. Sinanoglu

جلد اول این کتاب تئوری اوربیتال‌های مولکولی موضعی و غیرمحلی شده برای الکترون‌ها و الکترون‌ها را در سیستم‌هایی با پوسته‌های پر و پر نشده ارائه می‌کند. علاوه بر این، برخی از اثرات همبستگی قبلاً به طور ضمنی در هنگام توجیه تقریب‌های خاص در نظریه در نظر گرفته شده‌اند.

جلد دوم به طور خاص به نظریه اثرات همبستگی اختصاص دارد و توجه اصلی به مواردی است که نظریه سادهمعلوم می شود که MO غیرقابل دفاع است.

با توجه به سه نوع سیستم مولکولی (با پوسته‌های پر و پر نشده اوربیتال‌های مولکولی هارتری-فوک و سیستم‌هایی با اوربیتال‌های موضعی)، سه نوع نظریه اثرات همبستگی وجود دارد. تئوری اثرات همبستگی برای سیستم‌هایی با پوسته‌های پر شده از اوربیتال‌های مولکولی Hartree-Fock و برای سیستم‌هایی با اوربیتال‌های موضعی اخیراً به تفصیل مورد بحث قرار گرفته است. در این جلد در بخش. 1-7 نسخه ای از این نظریه را با اوربیتال های مولکولی ارائه می دهد که در سیستم هایی با پوسته های پر نشده اعمال می شود.

اثر همبستگی الکترون بر روی اوربیتال های پوسته های پر شده معمولا کم است. محاسبات توزیع بار و گشتاورهای دوقطبی که در چارچوب تئوری MO برای -سیستم‌ها (جلد 1، بخش اول) و سیستم‌ها (جلد 1، بخش دوم) انجام شده‌اند، برای پوسته‌های بسته کاملاً رضایت‌بخش هستند، مگر اینکه وجود داشته باشند. اثرات بزرگ "تقریبا انحطاط" " وضعیت برای سیستم هایی با پوسته های پر نشده متفاوت است. در اینجا، برعکس، لازم است هم تأثیر همبستگی الکترونیکی بر روی اوربیتال‌های مولکولی و هم تأثیرات ویژه «قطب‌بندی متوسط» اوربیتال‌ها را در نظر بگیریم. اثرات اخیر می‌تواند توزیع بار را در مقایسه با آنچه که با محاسبه ساده با استفاده از اوربیتال های هارتری-فوک به دست می آید. آنها همچنین ممکن است

برای مثال، بر لحظات دوقطبی حالت‌های برانگیخته تأثیر می‌گذارد.

اگر سطوح تحت تأثیر همبستگی الکترونیکی کمی تغییر کند، از نظریه اغتشاش معمول استفاده می شود. تئوری اغتشاش انحطاط (که در آن انحطاط از همان ابتدا حذف می شود و اثرات "نزدیک به انحطاط" حذف می شود) باید در صورت تلاقی سطوح و تغییر مکان استفاده شود. تا حدودی مشکل مشابه چیزی است که در نظریه سیستم ها به طور بی نهایت مطرح می شود تعداد زیادیذرات برهم کنش، زمانی که نظریه آدیاباتیک اغتشاشات در حالت پایه غیرقابل دفاع است (به بخش این جلد مراجعه کنید). در این مورد، همانطور که مشخص است، استفاده از نظریه اغتشاش دما (که به نظریه اغتشاش برای حالت پایه کاهش می یابد) ضروری است.

در سیستم‌های اتمی، اثرات همبستگی یک الکترون بیرونی با الکترون‌های درونی به شدت محدود شده در مفهوم "قطب شدن هسته" گنجانده شده است. این نوع همبستگی در مقیاس کوچک است. به عنوان مثال، همبستگی این است که همبستگی های نوع "قطبی شدن هسته" هنگام در نظر گرفتن حالات ریدبرگ مولکول ها و برهم کنش یک الکترون با یک حلال ظاهر می شود. در مورد دوم، اثرات همبستگی نشان‌داده‌شده از نوع «قطب‌سازی هسته»، البته با اثرات همبستگی قوی‌تر از نوع مداری، پوشانده می‌شوند، برای مثال، با معرفی یک شبه پتانسیل (به بخش‌های II-2 و II مراجعه کنید). -3 از این جلد). وقتی اعداد کوانتومی اصلی الکترون‌های متناظر منطبق شوند، اثرات همبستگی بین مداری قوی‌تر می‌شوند. به عنوان مثال، انرژی همبستگی بین -الکترون ها تقریباً برابر است (به بخش های 1-2 این جلد مراجعه کنید). در این راستا، اثرات همبستگی بین و -الکترون در -سیستم های الکترونیکی(جلد 1 بخش را ببینید.

مشکل برهمکنش یک الکترون آزاد با مایعات، تأثیرات مهم برهمکنش مولکول ها با یک حلال را روشن می کند. علاوه بر این، ارتباط مستقیمی با شیمی محلول های فلزی در آمونیاک دارد. فلزات مایعو شیمی تابش (به بخش های II-1، II-3، II-5، و بخش های III-4 و III-5 این جلد مراجعه کنید).

همبستگی های نوع "قطب شدن هسته" را می توان به عنوان نتیجه برخی از اثرات واندروالسی بین توزیع های بار غیر همپوشانی در نظر گرفت. بیانی برای نیروهای جاذبه بین پیوندهای مختلف در یک مولکول یا بیانی برای نیروهای بین مولکولی بین دو مولکول گاز جدا شده را می توان با تبدیل بیان انرژی همبستگی از یک سیستم مولکولی به دست آورد.

اوربیتال ها به سیستمی از اوربیتال های موضعی. بررسی منحنی های انرژی پتانسیل برهمکنش بین مولکولی بر این اساس در طیف وسیعی از فواصل مؤثر است (به بخش III-2 این جلد مراجعه کنید). با این حال، مفهوم منحنی یا سطح انرژی پتانسیل اساساً به این بستگی دارد که چگونه می توان، پیرو تقریب بورن-اپنهایمر، مختصات هسته و الکترون را در یک مسئله معین جدا کرد (به بخش III-1 مراجعه کنید).

در مکانیک آماری مایعات ساده، معمولاً از همان ابتدا فرض می شود که پتانسیل بین مولکولی به صورت افزایشی از پتانسیل های برهمکنش تشکیل شده است. در کاربردهای مکانیک آماری، معمولاً هر جفت پتانسیل برابر با پتانسیل اندرکنش جفت در فاز گاز در نظر گرفته می‌شود. با این حال، در واقعیت، برای مایعات و مواد جامدانحرافات قابل توجه از افزایشی باید در نظر گرفته شود، حتی اگر فقط نیروهای واندروالس در نظر گرفته شوند. برخی از نمونه‌هایی از چنین نیروهای غیرافزونی چند اتمی که بین اتم‌ها با پوسته‌های پر شده عمل می‌کنند در بخش مورد بحث قرار می‌گیرند. IIT-2 و III-3 این جلد. ما با یک مورد شدید از عدم افزایش فعل و انفعالات بین مولکولی در فلزات مواجه می شویم. در بخش III-4 و III-5 اطلاعات پایه ای را در مورد این برهمکنش ها از نقطه نظر تئوری اوربیتال های مولکولی و نظریه همبستگی که برای فلزات و آلیاژها اعمال می شود، ارائه می دهند.

06.06.2018 14 012 0 ایگور

روانشناسی و جامعه

همه چیز در جهان به هم مرتبط است. هر فردی در سطح شهود سعی می کند بین پدیده ها روابطی بیابد تا بتواند آنها را تحت تأثیر قرار دهد و کنترل کند. مفهومی که این رابطه را منعکس می کند، همبستگی نامیده می شود. در کلمات ساده به چه معناست؟

محتوا:

مفهوم همبستگی

همبستگی (از لاتین "correlatio" - نسبت، رابطه)- یک اصطلاح ریاضی که به معنای معیاری از رابطه احتمالی آماری بین متغیرهای تصادفی(متغیرها).

مثال:بیایید دو نوع رابطه را در نظر بگیریم:

1. اولین- یک خودکار در دست یک نفر. دست در چه جهتی حرکت می کند، قلم در آن جهت می رود. اگر دست در حالت استراحت باشد، قلم نمی‌نویسد. اگر فردی آن را کمی بیشتر فشار دهد، علامت روی کاغذ غنی تر می شود. این نوع رابطه منعکس کننده یک وابستگی شدید است و همبستگی نیست. این رابطه عملکردی است.
2. نوع دوم- رابطه بین سطح تحصیلات یک فرد و خواندن ادبیات. از قبل معلوم نیست کدام یک از افراد بیشتر می خوانند: آموزش عالییا بدون آن این ارتباط تصادفی یا تصادفی است؛ علم آماری که منحصراً به پدیده های توده ای می پردازد، آن را مطالعه می کند. اگر یک محاسبات آماری امکان اثبات همبستگی بین سطح تحصیلات و مطالعه ادبیات را فراهم کند، این امر امکان پیش‌بینی و پیش‌بینی وقوع احتمالی رویدادها را فراهم می‌کند. در این مثال با احتمال زیاد می توان استدلال کرد که افراد دارای تحصیلات عالی، آنهایی که تحصیلات بیشتری دارند، بیشتر کتاب می خوانند. اما از آنجایی که ارتباط بین این پارامترها کاربردی نیست، ممکن است اشتباه کنیم. شما همیشه می توانید احتمال چنین خطایی را محاسبه کنید که منحصراً کوچک خواهد بود و سطح نامیده می شود اهمیت آماری(پ).

نمونه هایی از روابط بین پدیده های طبیعیهستند:زنجیره غذایی در طبیعت، بدن انسان، که متشکل از سیستم های اندامی است که به هم پیوسته هستند و به عنوان یک کل واحد عمل می کنند.

ما هر روز در زندگی روزمره با یک همبستگی روبرو هستیم: بین آب و هوا و حال خوب, جمله بندی صحیحاهداف و دستیابی به آنها، نگرش مثبت و شانس، احساس خوشبختی و رفاه مالی. اما ما به دنبال ارتباط هستیم، نه بر محاسبات ریاضی، بلکه بر اسطوره ها، شهود، خرافات و حدس و گمان های بیهوده تکیه می کنیم. ترجمه این پدیده ها به زبان ریاضی، بیان آنها به صورت اعداد و اندازه گیری بسیار دشوار است. وقتی پدیده‌هایی را که می‌توان آن‌ها را محاسبه کرد و در قالب اعداد ارائه کرد، تحلیل می‌کنیم، موضوع دیگری است. در این حالت می‌توان همبستگی را با استفاده از ضریب همبستگی (r) تعریف کرد که قدرت، درجه، نزدیکی و جهت همبستگی بین متغیرهای تصادفی را نشان می‌دهد.

همبستگی قوی بین متغیرهای تصادفی- شواهدی مبنی بر وجود برخی ارتباط آماری به طور خاص بین این پدیده ها، اما این ارتباط را نمی توان به همان پدیده ها منتقل کرد، اما برای یک موقعیت متفاوت. اغلب محققین با داشتن ارتباط معناداری بین دو متغیر در محاسبات، بر اساس سادگی تجزیه و تحلیل همبستگی، فرضیات شهودی نادرستی در مورد وجود روابط علت و معلولی بین علائم ایجاد کنید، فراموش کنید که ضریب همبستگی ماهیت احتمالی دارد.

مثال:تعداد مجروحان در شرایط یخبندان و تعداد تصادفات جاده ای بین وسایل نقلیه موتوری. این مقادیر با یکدیگر مرتبط خواهند بود، اگرچه آنها مطلقاً به هم مرتبط نیستند، اما فقط با علت مشترک این رویدادهای تصادفی - یخ سیاه - ارتباط دارند. اگر تجزیه و تحلیل آشکار نمی کند رابطه همبستگیبین پدیده‌ها، این هنوز دلیلی بر عدم وابستگی بین آنها نیست، که ممکن است غیرخطی پیچیده باشد و از طریق محاسبات همبستگی آشکار نشود.

اولین کسی که مفهوم همبستگی را وارد کاربرد علمی کرد فرانسوی ها بودند دیرینه شناس ژرژ کوویر. در قرن 18، او قانون همبستگی قطعات و اندام های موجودات زنده را استنباط کرد، که به لطف آن می توان ظاهر یک موجود فسیلی، حیوان، را از قسمت های یافت شده بدن (بقایای) بازیابی کرد. در آمار، واژه همبستگی اولین بار در سال 1886 توسط یک دانشمند انگلیسی استفاده شد فرانسیس گالتون. اما او نتوانست فرمول دقیقی را برای محاسبه ضریب همبستگی به دست آورد، اما شاگردش این کار را انجام داد - کارل پیرسون، ریاضیدان و زیست شناس معروف.

انواع همبستگی

بر حسب اهمیت- بسیار مهم، قابل توجه و ناچیز.

انواع	r برابر است
بسیار قابل توجه است	r با سطح معناداری آماری p مطابقت دارد<=0,01
قابل توجه	r مطابق با p است<=0,05
ناچیز	r به p>0.1 نمی رسد

منفی(کاهش مقدار یک متغیر منجر به افزایش سطح متغیر دیگر می شود: هر چه فرد فوبیای بیشتری داشته باشد، احتمال کمتری برای اشغال موقعیت رهبری دارد) و مثبت (اگر افزایش یک متغیر منجر به افزایش شود. در سطح دیگری: هر چه عصبی تر باشید، بیشتر احتمال دارد بیمار شوید). اگر بین متغیرها ارتباطی وجود نداشته باشد، چنین همبستگی صفر نامیده می شود.

خطی(زمانی که یک مقدار افزایش یا کاهش می یابد، دومی نیز افزایش یا کاهش می یابد) و غیر خطی (زمانی که وقتی یک مقدار تغییر می کند، ماهیت تغییر در دومی را نمی توان با استفاده از یک رابطه خطی توصیف کرد، سپس قوانین ریاضی دیگر اعمال می شود - چند جمله ای، هذلولی روابط).

با قدرت.

شانس

بسته به اینکه متغیرهای مورد مطالعه به کدام مقیاس تعلق دارند، انواع مختلفی از ضرایب همبستگی محاسبه می شوند:

1. ضریب همبستگی پیرسون، ضریب همبستگی خطی زوجی، یا همبستگی گشتاور محصول برای متغیرهایی با مقیاس های اندازه گیری فاصله و مقیاس محاسبه می شود.
2. ضریب همبستگی رتبه اسپیرمن یا کندال - زمانی که حداقل یکی از کمیت ها دارای مقیاس ترتیبی باشد یا به طور معمول توزیع نشده باشد.
3. ضریب همبستگی دو سریال نقطه ای (ضریب همبستگی علامت فچنر) - اگر یکی از دو کمیت دوگانه باشد.
4. ضریب همبستگی چهار میدانی (ضریب همبستگی چندگانه (همخوانی) - اگر دو متغیر دوگانه باشند.

ضریب پیرسون به شاخص‌های همبستگی پارامتریک اشاره دارد، بقیه ناپارامتریک هستند.

مقدار ضریب همبستگی از 1- تا 1+ متغیر است. با یک همبستگی مثبت کامل، r = +1، با یک همبستگی منفی کامل، r = -1.

فرمول و محاسبه

مثال ها

تعیین رابطه بین دو متغیر سطح رشد فکری (طبق آزمون) و تعداد تاخیر در ماه (بر اساس درج شده در مجله آموزشی) در بین دانش آموزان ضروری است.

داده های اولیه در جدول ارائه شده است:

№	داده های IQ (x)	اطلاعات مربوط به تعداد تأخیرها (y)
مجموع	1122
میانگین	112,2

برای ارائه تفسیر صحیح از شاخص به دست آمده، لازم است علامت ضریب همبستگی (+ یا -) و مقدار مطلق آن (مدول) مورد تجزیه و تحلیل قرار گیرد.

مطابق با جدول طبقه بندی ضریب همبستگی بر اساس قدرت، نتیجه می گیریم که rxy = 0.827 یک همبستگی منفی قوی است. بنابراین، تعداد دانش آموزان مدرسه ای که با تأخیر مواجه می شوند، وابستگی بسیار زیادی به سطح رشد فکری آنها دارد. می توان گفت دانش آموزان با سطح هوشی بالا کمتر از دانش آموزان با سطح هوشی پایین در کلاس ها دیر می آیند.

ضریب همبستگی هم توسط دانشمندان برای تایید یا رد فرض وابستگی دو کمیت یا پدیده و سنجش قدرت و اهمیت آن و هم توسط دانشجویان برای انجام تحقیقات تجربی و آماری در موضوعات مختلف قابل استفاده است. باید به خاطر داشت که این شاخص ابزار ایده آلی نیست، بلکه فقط برای اندازه گیری قدرت یک رابطه خطی محاسبه می شود و همیشه یک مقدار احتمالی خواهد بود که دارای خطای خاصی است.

تحلیل همبستگی در زمینه های زیر استفاده می شود:

• علم اقتصاد؛
• فیزیک نجومی؛
• علوم اجتماعی (جامعه شناسی، روانشناسی، آموزش و پرورش)؛
• شیمی کشاورزی;
• متالورژی;
• صنعت (برای کنترل کیفیت)؛
• هیدروبیولوژی;
• بیومتریک و غیره

دلایل محبوبیت روش تحلیل همبستگی:

1. سادگی نسبی محاسبه ضرایب همبستگی نیازی به آموزش ریاضی خاصی ندارد.
2. به شما امکان می دهد روابط بین متغیرهای تصادفی جرمی را که موضوع تجزیه و تحلیل در علم آمار هستند محاسبه کنید. در این راستا این روش در زمینه تحقیقات آماری رواج یافته است.

امیدوارم اکنون بتوانید یک رابطه کارکردی را از یک رابطه همبستگی تشخیص دهید و بدانید که وقتی در تلویزیون در مورد همبستگی می شنوید یا در مطبوعات می خوانید، به معنای وابستگی متقابل مثبت و نسبتاً معنادار بین دو پدیده است.