2022年人教A版高中数学选择性必修第三册第八章成对数据的统计分析 章末知识梳理.pptxVIP

第八章　成对数据的统计分析;章末知识梳理;核心知识归纳;知识体系构建;核心知识归纳;　　　变量的相关关系 1．相关关系 两个变量有关系，但又没有确切到可以由其中的一个去精确地决定另一个的程度，这种关系称为相关关系． 2．散点图 为了直观地描述成对样本数据中两个变量间的关系，用横轴表示其中的一个变量，纵轴表示另一个变量，则每一对成对样本数据都可以用直角坐标系中的点表示出来，由这些点组成的统计图叫做散点图． 3．相关关系的分类：正相关和负相关．; 4．线性相关与非线性相关 (1)线性相关 一般地，如果两个变量的取值呈现正相关或负相关，而且散点落在一条直线附近，我们就称这两个变量线性相关． (2)非线性相关 一般地，如果两个变量具有相关性，但不是线性相关，那么我们就称这两个变量非线性相关． ;知识点2;2．样本相关系数的意义 样本相关系数r是一个描述成对样本数据的数字特征，r的符号反映了相关关系的正负性；|r|的大小反映了两个变量相关的程度，具体如下： (1)r的正负 当r＞0时，称成对数据正相关；当r＜0时，称成对数据负相关． (2)r的绝对值 当|r|越接近于1时，成对数据的线性相关程度越强； |r|越接近于0，成对数据线性相关程度越弱．; 3．判断相关关系的两种方法 (1)通过作散点图，观察由所给的数据描出的点是否在一条直线附近来判定，直观方便． (2)利用相关系数． ;　　　一元线性回归模型参数的最小二乘估计 1．最小二乘估计 设满足一元线性回归模型的两个变量的n对样本数据为(x1，y1)，(x2，y2)，…，(xn，yn)，当a，b的取值为 ;　　　分类变量与列联表 (1)分类变量 (2)2×2列联表 如下表所示，我们将给出成对分类变量数据的交叉分类频数的表格，称为2×2列联表． ; (3)等高堆积条形图 与表格相比，图形更能直观地反映出两个分类变量间是否相互影响，常用等高条形图展示列联表数据的频率特征．分别计算出中间四个数各自的频率，可以用等高堆积条形图直观展示上述计算结果．;　　　独立性检验的基本思想 1．独立性检验的定义 一般地，假设有两个分类变量X和Y，其样本频数 ;2．临界值表; 3．应用独立性检验的主要环节 (1)提出零假设H0：分类变量X和Y相互独立，并给出在问题中的解释． (2)根据抽样数据整理出2×2列联表，计算χ2的值，并与临界值xα比较． (3)根据检验规则得出推断结论． (4)在X和Y不独立的情况下，根据需要，通过比较相应的频率，分析X和Y间的影响规律． ;要点专项突破;要点一;　　　　　连锁经营公司所属5个零售店某月的销售额利润资料如表： ;[解析]　(1)根据表中所给的5对数据，在平面直角坐标系中画出散点图，如图所示． ; [规律方法]　1．建立经验回归模型的步骤 (1)确定研究对象，明确变量x，y． (2)画出变量的散点图，观察它们之间的关系． (3)确定经验回归方程的类型． (4)按一定规则估计经验回归方程中的参数(如最小二乘法)． (5)得出经验回归方程． ; 2．分析两个变量线性相关的常用方法 (1)散点图法，该法主要是用来直观地分析两变量间是否存在相关关系． (2)相关系数法，该法主要是从量上分析两个变量间相互联系的密切程度，|r|越接近于1，相关程度越大；|r|越接近于0，相关程度越小． ;要点二; (1)独立性检验适用于两个分类变量． (2)两个分类变量是否有关系的直观判断． 一是根据2×2列联表计算|ad－bc|，值越大两变量的相关性越强． 二是观察等高堆积条形图，两个深色条的高度相差越大，两变量的相关性越强． (3)独立性检验是对两个分类变量有关系的可信程度的判断，而不是对其是否有关系的判断．独立性检验的结论只能是有多大的把握确认两个分类变量有关系，而不能是两个分类变量一定有关系或没有关系． ;　　　　　某校为了探索一种新的教学模式， 进行了一项课题实验，乙班为实验班，甲班为对比班，甲、乙两班均有50人，一年后对两班进行测试，成绩如下表(总分：150分)． 甲班; (1)现从甲班成绩位于[90,120)内的试卷中抽取9份进行试卷分析，请问用什么抽样方法更合理，并写出最后的抽样结果； (2)根据所给数据可估计在这次测试中，甲班的平均分是101.8，请你估计乙班的平均分，并计算两班平均分相差几分； ;(3)完成下面2×2列联表，依据小概率值α＝0.05的独立性检验，分析这两个班在这次测试中成绩的差异与实施课题实验是否有关，并说明理由．; (3)补全列联表如下： ;要点三;(1)独立性检验中的统计量χ2的计算公式中分母是列联表中除了总合计的四个合计量的乘积，分子是总合计量与样本频数中四个数的交叉乘积之差的平方的乘积，解题时要正确使用列联表中的数据，对照公式把它们放到应该放的地方．注意