Además de utilizar la correlación de Pearson, también puede utilizar el rango de correlación como el de Spearman o de Kendall correlación. También puede visualizar el diagrama de dispersión de las filas cuya distribución (llamado empírica de la cópula) es un estimador de la base de la copula de la codificación de la `verdadera' dependencia entre el tiempo de la serie.
En pseudo-Python (bastante transparente en R):
n = len(X) #== len(Y)
Xrk = scipy.stats.rankdata(X)/n
Yrk = scipy.stats.rankdata(Y)/n
plot(Xrk,Yrk)
Si los puntos están distribuidos en la diagonal, luego fuerte (perfecto) comovements, si los puntos se distribuyen de manera uniforme en $[0,1]^2$ variables son independientes (más fuerte que no correlacionados).