数学北师大版选修1-2知识导航1.1.2相关系数Word版含解析.docVIP

1.2 相关系数 自主整理 判断两个变量之间的线性相关关系的方法有(1)_________________;(2)_________________. 高手笔记 1.假设两个随机变量的数据分别为(x1,y1),(x2,y2),…,(xn,yn),则变量间线性相关系数r的计算公式为: r===. 2.r∈［-1,1］,(1)|r|值越大,误差Q越小,变量之间的线性相关程度越高. (2)|r|值越接近0,Q越大,变量之间的线性相关程度越低. (3)当r＞0时,lxy＞0,b=＞0,两个变量正相关; 当r＜0时,lxy＜0,b=＜0,两个变量负相关; 当r=0时,两个变量线性不相关. 3.线性相关系数的计算: 线性相关系数是用来衡量两个变量之间线性相关关系强弱的一个量.计算时一般是在求线性回归方程的基础上,一并计算出,只是在列表时需列出yi和yi2栏目,通常当r大于0.75时,认为两个变量有很强的线性相关关系,从而表明建立回归模型是必要的,可用求出来的线性回归方程来预报其他量. 名师解惑 为什么要计算线性相关系数? 剖析:我们前一节讲了用“最小二乘法”求两变量之间的线性回归方程,而求出的线性回归方程中y与样本中yi存在着误差,我们用误差的平方和Q(a,b)达到最小值时的a、b的取值来确定线性回归方程为y=a+bx.那么拟合得好不好不一定,要想拟合得好必须使误差的平方和Q(a,b)尽可能地小,而当b=,a=-b时, Q(a,b)==1(xi-x)2［b］2++n［-(a+bx)］2·［］2, ∴Q(a,b)最小={1}=(1-r2). ∵Q≥0,由此可看出1-r2≥0,即r∈［-1,1］且当|r|值越大,1-r2越接近于0,Q(a,b)就越小,两变量之间的线性相关程度就越高,此时拟合得就越好.如果某组数据可能采取几种不同的回归方程进行分析,则可以通过比较r的值来作出选择,即选择r2较大的模型来作为这组数据的模型,那么,要建立一个回归模型其基本步骤大致可分为 ①确定研究的对象,明确哪个变量随着哪个变量变化,即弄清谁是预测变量. ②作出样本数据的散点图,观察它们之间的关系(是否存在线性关系). ③由经验确定回归方程的类型(如果散点图呈现线性关系,则选用线性回归方程y=a+bx). ④列表并计算a、b及r的值. ⑤根据r的取值,判断回归方程是否拟合得好,若拟合的不好,可另选回归模型重新计算. ⑥得到较为合适的回归模型后,可用来预测所需要的量.这里要注意,由回归方程得到的预报值并不一定就是预报变量的精确值.事实上,它是预报变量的可能取值的平均值. 讲练互动 【例1】维尼纶纤维的耐热水性能的好坏可以用指标“缩醛化度”y来衡量,这个指标越高,耐水性能也越好,而甲醛浓度是影响缩醛化度的重要因素,在生产中常用甲醛浓度x(g/L)去控制这一指标,为此必须找出它们之间的关系,现安排一批实验,获得如下数据. 甲醛浓度(g/L) 18 20 22 24 26 28 30 缩醛化度(克分子%) 26.86 28.35 28.75 28.87 29.75 30.00 30.36 (1)画散点图; (2)求回归方程; (3)求相关系数r. 解析：将有关数据代入公式计算. 解：(1) (2)列表: i xi yi xi2 xiyi 1 18 26.86 324 483.48 2 20 28.35 400 567 3 22 28.75 484 632.5 4 24 28.87 576 692.88 5 26 29.75 676 773.5 6 28 30.00 784 840 7 30 30.36 900 910.80 ∑ 168 202.94 4 144 4 900.16 ==24,=,b===0.264 3, a=-b==22.649, ∴回归方程为y=22.649+0.264 3x, (3)=5 892, r===0.96. 由此可知,回归方程很好地拟合甲醛浓度与缩醛化度之间的线性关系. 绿色通道 由散点图可看出两变量符合线性关系,由公式计算求出回归方程和相关系数. 变式训练 1.以下是收集到的新房屋的销售价格y和房屋的大小x的数据. 房屋大小/m2 115 110 80 135 105 销售价格/万元 24.8 21.6 18.4 29.2 22 (1)画出数据的散点图; (2)求线性回归方程及相关系数r,并作出评价. 解:(1) (2) i xi yi xi2 yi2 xiyi 1 115 24.8 13 225 615.04 2 852 2 110 21.6 12 100 466.56 2 376 3 80 18.4 6 400 338.56 1 472 4 135 29.2 18 225