数学知识导航相关系数.docxVIP

学必求其心得，业必贵于专精

学必求其心得，业必贵于专精

学必求其心得，业必贵于专精

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

4144

4900。16

==24,=，b===0。2643,

a=-b==22.649，

∴回归方程为y=22.649+0。2643x,

(3)=5892，

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

13225

615。04

2852

2

110

21.6

12100

466.56

2376

3

80

18.4

6400

338.56

1