X-Git-Url: https://git.auder.net/?p=epclust.git;a=blobdiff_plain;f=TODO;fp=TODO;h=c5f4081dd34ea2e61f684bfe3639e4a8c9e63617;hp=95b9aa1b3fe44ffdfe97d85dff8f0840a610cce3;hb=e06420d26899e68416f782e83ed586e9e8f0b6e6;hpb=c00b5f8dfe79e28ee4c990ddf384fd3e9188f81c

diff --git a/TODO b/TODO
index 95b9aa1..c5f4081 100644
--- a/TODO
+++ b/TODO
@@ -79,3 +79,26 @@ Plutôt ça que hack auto notebook generation:
 #Options : smooth_lvl + filtre gaussien (smooth_method ?)
 (this file :
 https://github.com/tgouhier/biwavelet/blob/master/R/smooth.wavelet.R )
+
+=====
+
+Voici le code :
+
+library(epclust)
+
+n <- 5
+N <- 128
+M <- matrix(runif(n * N), nrow = n) #séries en lignes
+M <- t(apply(M, 1, cumsum)) / sqrt(n * N)
+matplot(t(M), type = 'l', lty = 1)
+
+dists3a <- computeWerDists(1:n, function(inds) M[,inds], n)
+
+# je passe de distance Wer à corrélations : moralement tout est à 0
+summary((1 - dists3a[lower.tri(dists3a)]^2) / N / n)
+
+# or, les courbes sont très similaires, nous devrions être proche de 1 !
+corM <- cor(t(M))
+summary(corM[lower.tri(corM)])
+
+---------> à checker