新教材2021-2022学年人教A版选择性必修第三册-变量的相关关系-样本相关系数-学案.docxVIP

8.1成对数据的统计相关性8.1.1变量的相关关系

8.1.2样本相关系数/OKk畛御知识梳理

新课程标准解读

核心素养

1.结合实例，了解样本相关系数的统计含义，了解样本相关系数与标准化数据向量夹角的关系

数学抽象

2.结合实例，会通过相关系数比较多组成对数据的相关性

数据分析

虹情境导入

有这样一种说法：“如果你的数学成绩好，那么你的物理学习就不会有什么大问题?”按照这种说法，似乎学生的物理成绩与数学成绩之间存在着某种关系.我们把数学成绩和物理成绩看成是两个变量.

［问题］这两个变量之间的关系是函数关系吗？

掐新知初探知识点一相关关系

相关关系的定义

两个变量有关系，但又没有确切到可由其中一个去精确地决定另一个的程度，这种关系称为相关关系.

散点图

为了直观描述成对样本数据的变化特征，把每对成对样本数据都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.

相关关系的分类按变量间的增减性分为正相关和负相关?

正相关：当一个变量的值增加时，另一个变量的相应值也呈现增加的趋势；负相关：当一个变量的值增加时，另一个变量的相应值呈现遮少的趋势.

按变量间是否有线性特征分为线性相关和非线性相关(曲线相关).

①线性相关：如果两个变量的取值呈现正相关或负相关，而且散点落在一条如线附近,我们称这两个变量线性相关；②非线性相关或曲线相关：如果两个变量具有相关性，但不是线性相关，我们称这两个变量非线性相关或曲线相关.

想一想

相关关系是函数关系吗？

提不：不是，函数关系是唯一确定的关系.

两个变量负相关时，成对样本数据的散点图有什么特点？

提示：两个变量负相关时，散点图中的点散布在从左上角到右下角的区域.

。做_做观察下列散点图，其中变量X,y之间有线性相关关系的是（）

答案：D

知识点二样本相关系数

样本相关系数计算公式

对于变量x和变量y,设经过随机抽样获得的成对样本数据为（为，ji）,（互，力），…，3，”y〃），其中xi,乂2,…和yi,%,…，为的均值分别为工和y.将数据以（x,y）为零点进行平移，得到平移后的成对数据为01—x,y\—y）,（X2—x，y2—y）,…，（方?一x,y〃一y），

则变量X和变量y的样本相关系数

样本相关系数，可以反映两个随机变量之间的线性相关程度：，的符号反映了相关关系的正负性;Irl的大小反映了两个变量线性相关的程度,即成对样本数据在直角坐标系中所对应的散点集中于…条直线的程度,因此用成对样本数据中变量x和变量y的样本相关系数r这一数据特征估计总体的相关系数，从而了解两个变量之间的相关程度.

样本相关系数的性质

（1）样本相关系数r的取值范围为［—1,1］；

（2）|尸|值越接近1,成对样本数据的线性相关程度越强；|,|值越接近0,成对样本数据的线性相关程度越弱；

（3）当尸〉0时，两个随机变量的值总体上变化趋势相同，此时称两个随机变量正相关;

（4）当‘V。时，两个随机变量的值总体上变化趋势相反，此时称两个随机变量负相关;

（5）当r=O,此时称两个随机变量线性不相关.

想一想

能否说“尸越大，两个变量的相关性越强；,越小，两个变量的相关性越弱”？提示：不能.|r|越大，两个变量的相关性越强；|r|越小，两个变量的相关性越弱.

。做一做

（多选）对变量尤，y进行线性相关关系分析，抽取到的某组样本计算得到的样本相关系数r=-0.9962,则下列说法正确的是（）

工与〉负相关

X与y的线性相关关系较强

x与y的线性相关关系较弱

工与〉的线性相关关系还需进一步确定

解析：选ABVr＜0,Ax与y负相关,A正确;VH非常接近1,Ax与y的线性相关程度很强，「.B正确，C、D不正确.故选A、B.

己知一组成对样本数据为31，＞1）,（工2，＞2），…，y〃）（〃N2,X1，X2，…，工〃不全相等），若这组成对样本数据的样本相关系数为一1,则所有的样本点（新，乃）（，=1,2,…，n）满足的方程可以是（）

A-y=—；x+lB.y=x~\

C.y=x+lD.y=—x1

解析：选A若这组样本数据的相关系数为一1,则样本数据为税性相关，排除D,又相关系数为一1,所以样本数据为负相关，排除B、C（B、C为正相关）.故选A.

3?已知求得甲、乙、丙3组不同的数据的线性相关系数分别为0.81,—0.98063,其中（填甲、乙、丙”中的一个）组数据的线性相关性最强.

解析：两个变量的相关系数的绝对值越接近于1,它的线性相关性越强.在甲、乙、丙中，所给的数值中一0.98是相关系数绝对值最大的值，即乙的线性相关性最强.

答案：乙痛型一

痛型一

痛型一胃典例精析变量间相关关系的判断[例1]

痛型