高中数学第一章统计案例1.2_1.3相关系数可线性化的回归分析学案北师大版选修1_2.docxVIP

PAGE PAGE 1 1.2　相关系数 1.3　可线性化的回归分析 学习目标　1.了解线性相关系数r的求解公式，并会初步应用.2.理解回归分析的基本思想. 3.通过可线性化的回归分析，判断几种不同模型的拟合程度． 知识点一　相关系数 1．相关系数r的计算 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＝eq \f(lxy,\r(lxxlyy))＝eq \f(\i\su(i＝1,n,)?xi－\x\to(x)??yi－\x\to(y)?,\r(\i\su(i＝1,n,)?xi－\x\to(x)?2)\r(\i\su(i＝1,n,)?yi－\x\to(y)?2)) ＝eq \f(\i\su(i＝1,n,x)iyi－n\x\to(x)\x\to(y),\r(\i\su(i＝1,n,x)\o\al(2,i)－n\x\to(x)2)\r(\i\su(i＝1,n,y)\o\al(2,i)－n\x\to(y)2)). 2．相关系数r的性质 (1)r的取值范围为[－1,1]． (2)|r|值越大，误差Q越小，变量之间的线性相关程度越高． (3)|r|值越接近0，误差Q越大，变量之间的线性相关程度越低． 3．相关性的分类 (1)当r0时，两个变量正相关． (2)当r0时，两个变量负相关． (3)当r＝0时，两个变量线性不相关． 知识点二　可线性化的回归分析 曲线方程 曲线图形 变换公式 变换后的线性函数 幂函数曲线 y＝axb c＝lna v＝lnx u＝lny u＝c＋bv 指数曲线 y＝aebx c＝lna u＝lny u＝c＋bx 倒指数曲线 c＝lna v＝eq \f(1,x) u＝lny u＝c＋bv 对数曲线 y＝a＋blnx v＝lnx u＝y u＝a＋bv 1．回归分析中，若r＝±1说明x，y之间具有完全的线性关系．(　√　) 2．若r＝0，则说明两变量是函数关系．(　×　) 3．样本相关系数的范围是r∈(－∞，＋∞)．(　×　) 类型一　线性相关系数及其应用 例1　下图是我国2012年至2018年生活垃圾无害化处理量(单位：亿吨)的折线图． 注：年份代码1－7分别对应年份2012－2018. (1)由折线图看出，可用线性回归模型拟合y与t的关系，请用相关系数加以说明； (2)建立y关于t的回归方程(系数精确到0.01)，预测2020年我国生活垃圾无害化处理量． 附注： 参考数据：eq \i\su(i＝1,7,y)i＝9.32，eq \i\su(i＝1,7,t)iyi＝40.17，eq \r(\i\su(i＝1,7,)?yi－\x\to(y)?2)＝0.55，eq \r(7)≈2.646. 参考公式：相关系数r＝eq \f(\i\su(i＝1,n,)?ti－\x\to(t)??yi－\x\to(y)?,\r(\i\su(i＝1,n,)?ti－\x\to(t)?2\i\su(i＝1,n,)?yi－\x\to(y)?2))， 回归方程y＝a＋bt中斜率和截距的最小二乘估计公式分别为：b＝eq \f(\i\su(i＝1,n,)?ti－\x\to(t)??yi－\x\to(y)?,\i\su(i＝1,n,)?ti－\x\to(t)?2)，a＝eq \x\to(y)－beq \x\to(t). 解　(1)由折线图中数据和附注中参考数据得 eq \x\to(t)＝4，eq \i\su(i＝1,7,)(ti－eq \x\to(t))2＝28，eq \r(\i\su(i＝1,7,)?yi－\x\to(y)?2)＝0.55. eq \i\su(i＝1,7,)(ti－eq \x\to(t))(yi－eq \x\to(y))＝eq \i\su(i＝1,7,t)iyi－eq \x\to(t)eq \i\su(i＝1,7,y)i＝40.17－4×9.32＝2.89，r≈eq \f(2.89,0.55×2×2.646)≈0.99. 因为y与t的相关系数近似为0.99，说明y与t的线性相关程度相当高，从而可以用线性回归模型拟合y与t的关系． (2)由eq \x\to(y)＝eq \f(9.32,7)≈1.331及(1)得b＝eq \f(\i\su(i＝1,7,)?ti－\x\to(t)??yi－\x\to(y)?,\i\su(i＝1,7,)?ti－\x\to(t)?2)＝eq \f(2.89,28)≈0.103， a＝eq \x\to(y)－beq \x\to(t)≈1.331－0.103×4≈0.92. 所以y关于t的回归方程为y＝0.92＋0.10t. 将2020年对应的t＝9代入回归方程得y＝0.92＋0.10×9＝1.82. 所以预测2020年我国生活垃圾无害化处理量将约为1.82亿吨．