华师一附中2012届高(三新课标)第一轮复习教案(第十二章)第三讲：变量间的相关关系.docVIP

第三讲 变量间的相关关系 教学目的： 认识变量间的相关关系. 明确事物间的相互联系. 教学重点： 利用散点图直观认识两个变量之间的线性关系；根据给出的线性回归方程的系数公式建立线性回归方程． 教学难点： 变量之间相关关系的理解；作散点图和理解两个变量的正相关和负相关；理解最小二乘法的思想. 知识点1 相关关系 自变量取值一定时,因变量的取值带有一定随机性的两个变量之间的关系,叫做相关关系. 两个变量之间的关系分两类： ① 确定性的函数关系,例如我们以前学习过的一次函数、二次函数等； ② 带有随机性的变量间的相关关系. 如商品销售收入与广告支出经费之间的关系.（还与商品质量、居民收入、生活环境等有关） 知识点2 两个变量间的相关关系的判断 散点图的概念：将各数据在平面直角坐标系中的对应点画出来,得到表示两个变量的一组数据的图形,这样的图形叫做散点图，如右图. 根据散点图中变量的对应点的离散程度,可以准确地判断两个变量是否具有相关关系 如果所有的样本点都落在某一函数曲线上,就用该函数来描述变量之间的关系,即变量之间具有函数关系． 如果所有样本点都落在某一直线附近,变量之间就有线性相关关系. 正相关与负相关的概念：如果散点图中的点散布在从左下角到右上角的区域内,称为正相关. 如果散点图中的点散布在从左上角到右下角的区域内,称为负相关. 如果散点图的点几乎没有什么规则,则这两个变量之间不具有相关关系. 2．变量的相关性 ①通过收集现实问题中两个有关联变量的数据作出散点图，并利用散点图直观认识变量间的相关关系； ②经历用不同估算方法描述两个变量线性相关的过程。知道最小二乘法的思想，能根据给出的线性回归方程系数公式建立线性回归方程 知识点 线性相关 如果所有的样本点都落在某一直线附近,变量之间就有线性相关的关系. 知识点 求回归直线的方程 从散点图上看,这些点大致分布在通过散点图中心的一条直线附近.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(regression line). 回归直线的方程简称回归方程那么,我们应当如何具体求出这个回归方程呢? 实际上,求回归方程的关键是如何用数学的方法来刻画“从整体上看,各点与此直线的距离最小”.人们经过长期的实践与研究,已经得出了计算回归方程的斜率与截距的一般公式 其中，b是回归方程的斜率，a是截距. 推导公式①的计算比较复杂，这里不作推导.但是,我们可以解释一下得出它的原理. 假设我们已经得到两个具有线性相关关系的变量的一组数据(x1,y1),(x2,y2),…,(xn,yn)，且所求回归方程是=bx+a, 其中a、b是待定参数.当变量x取xi(i=1,2,…,n)时可以得到=bxi+a(i=1,2,…,n),它与实际收集到的yi之间的偏差是yi-=yi-(bxi+a)(i=1,2,…,n). 这样，用这n个偏差的和来刻画“各点与此直线的整体偏差”是比较合适的.由于（yi-）可正可负，为了避免相互抵消，可以考虑用来代替，但由于它含有绝对值，运算不太方便，改用Q=(y1-bx1-a)2+(y2-bx2-a)2+…+(yn-bxn-a)2 ② 来刻画n个点与回归直线在整体上的偏差. 这样，问题就归结为:当a,b取什么值时Q最小，即总体偏差最小.经过数学上求最小值的运算，a,b的值由公式①给出. 通过求②式的最小值而得出回归直线的方法，即求回归直线，使得样本数据的点到它的距离的平方和最小，这一方法叫做最小二乘法（method of least square）. 求线性回归方程的步骤： （1）计算平均数； （）计算xi与yi的积，求∑xiyi; （） 计算∑xi2,∑yi2， （）将上述有关结果代入公式求b,a,写出回归直线方程． 直线回归方程的应用: ① 描述两变量之间的依存关系；利用直线回归方程即可定量描述两个变量间依存的数量关系. ② 利用回归方程进行预测；把预报因子（即自变量x）代入回归方程对预报量（即因变量Y）进行估计,即可得到个体Y值的容许区间. ③ 利用回归方程进行统计控制规定Y值的变化,通过控制x的范围来实现统计控制的目标.如已经得到了空气中NO2的浓度和汽车流量间的回归方程,即可通过控制汽车流量来控制空气中NO2的浓度. 例1 （求线性回归方程直线回归方程的应用 有一个同学家开了一个小卖部，他为了研究气温对热饮销售的影响，经过统计，得到一个卖出的热饮杯数与当天气温的对比表： 摄氏温度/℃ -5 0 4 7 12 15 19 23 27 31 36 热饮杯数 156 150 132 128 130 116 104 89 93 76 54 （1）画出散点图