2.3变量间的相关关系54545资料.pptVIP

2.3 变量间的相关关系 2.3.1 变量之间的相关关系 2.3.2 两个变量的线性关系 探究： . 从上表发现，对某个人不一定有此规律，但对很多个体放在一起，就体现出“人体脂肪随年龄增长而增加”这一规律.而表中各年龄对应的脂肪数是这个年龄人群的样本平均数.我们也可以对它们作统计图、表，对这两个变量有一个直观上的印象和判断. 下面我们以年龄为横轴，脂肪含量为纵轴建立直角坐标系，作出各个点，称该图为散点图。 从刚才的散点图发现：年龄越大，体内脂肪含量越高，点的位置散布在从左下角到右上角的区域。称它们成正相关。但有的两个变量的相关，如下图所示： 如高原含氧量与海拔高度 的相关关系，海平面以上， 海拔高度越高，含氧量越 少。 作出散点图发现，它们散 布在从左上角到右下角的区 域内。又如汽车的载重和汽 车每消耗1升汽油所行使的 平均路程，称它们成负相关. 我们再观察它的图像发现这些点大致分布在一条直线附 近,像这样，如果散点图中点的分布从整体上看大致在一条直线附近，我们就称这两个变量之间具有线性相 关关系,这条直线叫做回归直线，该直线叫回归方程。 那么，我们该怎样 来求出这个回归方 程？ 同学们展开讨论， 能得出哪些具体的 方案？ . 方案1、先画出一条直线，测量出各点与它的距离，再移动直线，到达一个使距离的和最小时，测出它的斜率和截距，得回归方程。 . 方案2、在图中选两点作直线，使直线两侧的点的个数基本相同。 方案3、如果多取几对点，确定多条直线，再求出 这些直线的斜率和截距的平均值作为回归直线的斜率和截距。而得回归方程。 如图 我们还可以找到 更多的方法，但 这些方法都可行 吗?科学吗？ 准确吗？怎样的 方法是最好的？ 我们上面给出的几种方案可靠性都不是很强，人们经过长期的实践与研究，已经找到了计算回归方程的斜率与截距的一般公式: * * 探究下面变量间的关系: 1.球的体积与该球的半径; 2.粮食的产量与施肥量; 3.小麦的亩产量与光照; 4.匀速行驶车辆的行驶距离与时间; 相关关系—两个变量的关系可能是确定的也可能是不确定的,当自变量取值一定,因变量的取值带有一定的随机性时,两个变量之间的关系称为相关关系.(非确定性关系) 函数关系---函数关系指的是自变量和因变量之间的关系是相互唯一确定的.(确定性关系) 如上的一组数据，你能分析人体的脂肪含量与年龄之间有怎样的关系吗？ 年龄 脂肪 23 9.5 27 17.8 39 21.2 41 25.9 45 49 27.5 26.3 50 28.2 53 29.6 54 56 31.4 57 30.8 58 33.5 30.2 60 35.2 61 34.6 年龄 脂肪 如图： O 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 5 10 15 20 25 30 35 40 O 正相关: 散点图中的点散布在从左下角到右上角的区域． 负相关: 散点图中的点散布在从左上角到右下角的区域. 线性相关: 散点图中的点均匀地分布在一条直线的周围. 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 如图 ： 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 以上公式的推导较复杂，故不作推导，但它的原理较为简单：即各点到该直线的距离的平方和最小，这一方法叫最小二乘法。（书本P88~89） 其中，b是回归方程的斜率，a是截距 回归方程为: 例：假设某设备的使用年限x（年）和所支出的维修费用y（万元）有如下统计资料： 7.0 6.5 5.5 3.8 2.2 维修费用y(万元) 6 5 4 3 2 使用年限x(年) 由资料知 y对 x呈线性关系，试求： (2)估计使用年限是10年时，维修费用估计是多少？ 解：(1) 制表： 112.3 42.0 32.5 22.0 11.4 4.4 xi yi 90 36 25 16 9 4 xi2 25 7.0 6.5 5.5 3.8 2.2 yi 20 6 5 4 3 2 xi 合计 5 4 3 2 1 i (2) 回归直线方程是 (2)估计使用年限是10年时，维修费用估计是多少？ 答：估计使用10年时，维修费用估计是12.4万元。 * * * 1.由一