选修1-2第一二章复习.pptVIP

函数关系中的两个变量间是一种确定性关系 相关关系是一种非确定性关系 相关系数的测度（相关系数取值及其意义） * * 1、两个变量的关系 不相关 相关关系 函数关系 线性相关 非线性相关 问题1：现实生活中两个变量间的关系有哪些呢？ 问题2：对于线性相关的两个变量用什么方法来刻划之间的关系呢？ 2、最小二乘估计 最小二乘估计下的线性回归方程： 例：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； (2)从散点图中发现气温与热饮销售杯数之间关系的一 般规律； (3)求回归方程； (4)如果某天的气温是 C,预测这天卖出的热饮杯数。 三、利用线性回归方程对总体进行估计 (3)从散点图可以看出，这些点大致分布在一条直线附近。 Y=-2.352x+147.767 ^ （4）当x=2时，y=143.063,因此，这天大约可以卖出143杯热饮。 ^ 函数模型与回归模型之间的差别 函数模型： 回归模型： 线性回归模型y=bx+a+e增加了随机误差项e， 因变量y的值由自变量x和随机误差项e共同确定， 即解释变量x只能部分解释预报变量y的变化。 我们也把自变量x称为解析变量，因变量y称为预报变量。 如何描述两个变量之间线性相关关系的强弱？ 在《数学3》中，我们学习了用相关系数r来衡量两个变量 之间线性相关关系的方法。 相关系数r -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 数学上，把每个效应（观测值减去总的平均值）的平方加起来，即用 表示总的效应，称为总偏差平方和。 因此，数据点和它在回归直线上相应位置的差异 是随机误差的效应， 称 为残差。 对每名女大学生计算这个差异，然后分别将所得的值平方后加起来，用数学符号 称为残差平方和，它代表了随机误差的效应。 表示为： 解析变量和随机误差的总效应（总偏差平方和） =解析变量的效应（回归平方和）+随机误差的效应（残差平方和） 我们可以用相关指数R2来刻画回归的效果，即说明解释变量x对 预报变量的贡献率。 其计算公式是： 注意： 1.反映回归直线的拟合程度 取值范围在 [ 0 , 1 ] 之间 r2 ?1，说明回归方程拟合的越好；r2?0，说明回归方程拟合的越差 判定系数等于相关系数的平方，即r2＝(r)2 1.2二个概念 这种变量的不同取“值”表示个体所属的不同类别，这类变量称为分类变量 1.分类变量 对于性别变量，取值为：男、女 分类变量在现实生活中是大量存在的，如是否吸烟，是否患肺癌，宗教信仰，国别，年龄，出生月份等等。 a+b+c+d b+d a+c 总计 c+d d c 吸烟 a+b b a 不吸烟 总计 患肺癌 不患肺癌 吸烟与肺癌列联表 利用随机变量K2来确定在多大程度上可以认为”两个分类变量有关系”的方法称为两个分类变量的独立性检验.(为假设检验的特例) 独立性检验基本的思想类似反证法 (1)假设结论不成立,即“两个分类变量没有关系”. (2)在此假设下随机变量 K2 应该很能小,如果由观测数据 计算得到K2的值很大,则在一定程度上说明假设 不合理. (3)根据随机变量K2的含义,可以通过 评价该假设不合理的程度,由实际计算出的, 说明假设合理的程度为99%,即“两个分类变量有关系”这一结论成立的可信度为约为99%. 例2.为考察高中生性别与是否喜欢数学课程之间的关系,在某城市的某校高中生中随机抽取300名学生,得到如下列联表: 性别与喜欢数学课程列联表 300 228 72 总计 178 143 35 女 122 85 37 男 总计 不喜欢数学课程 喜欢数学课程 由表中数据计算得 ,高中生的性别与是否喜欢数学课程之间是否有关系?为什么? a c d b 推理 合情推理 演绎推理 归纳 (特殊到一般） 类比 （特殊特殊） 三段论 （一般到特殊） 第二章 从一般性的原理出发，推出某个特殊情况下的结论，这种推理称为演绎推理． 注： １．演绎推理是由一般到