变量间的相关关系第一课时------王峰.ppt

举例 生活中相关成语： “名师出高徒” ， “瑞雪兆丰年” “强将手下无弱兵” “虎父无犬子” 如高原含氧量与海拔高度 的相关关系，海平面以上， 海拔高度越高，含氧量越 少。 作出散点图发现，它们散 布在从左上角到右下角的区 域内。又如汽车的载重和汽 车每消耗1升汽油所行使的 平均路程，称它们成负相关. 1.如果所有的样本点都落在某一函数曲线上，变量之间具有函数关系 2.如果所有的样本点都落在某一函数曲线附近，变量之间就有相关关系 3.如果所有的样本点都落在某一直线附近，变量之间就有线性相关关系 　　 只有散点图中的点呈条状集中在某一直线周围的时候，才可以说两个变量之间具有线性关系，才有两个变量的正线性相关和负线性相关的概念，才可以用回归直线来描述两个变量之间的关系 我们上面给出的几种方案可靠性都不是很强，人们经过长期的实践与研究，已经找到了计算回归方程的斜率与截距的一般公式: 思考7：利用计算器或计算机可求得年龄和人体脂肪含量的样本数据的回归方程为 ，由此我们可以根据一个人个年龄预测其体内脂肪含量的百分比的回归值.若某人65岁，则其体内脂肪含量的百分比约为多少？ 37.1％ （0.577×65-0.448= 37.1％） 若某人65岁，可预测他体内脂肪含量在37.1％（0.577×65-0.448= 37.1％）附近的可能性比较大。 但不能说他体内脂肪含量一定是37.1％ 原因：线性回归方程中的截距和斜率都是通过样本估计的，存在随机误差，这种误差可以导致预测结果的偏差，即使截距斜率没有误差，也不可能百分百地保证对应于x，预报值Y能等于实际值y 例3：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： 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2摄氏度，预测这天卖出的热饮杯数。 1、散点图 2、从图3-1看到，各点散布在从左上角到由下角的区域里，因此，气温与热饮销售杯数之间成负相关，即气温越高，卖出去的热饮杯数越少。 3、从散点图可以看出，这些点大致分布在一条直线的附近，因此利用公式求出回归方程的系数。 Y= -2.352x+147.767 4、当x=2时，Y=143.063 因此，某天的气温为2摄氏度时，这天大约可以卖出143杯热饮。 练习:给出施化肥量对水稻产量影响的 试验数据： 455 450 445 405 365 345 330 水稻产量y 45 40 35 30 25 20 15 施化肥量x (1)画出上表的散点图; (2)求出回归直线并且画出图形. 从而得回归直线方程是 解：(1)散点图（略）． (2)表中的数据进行具体计算，列成以下表格 20475 18000 15575 12150 9125 6900 4950 xiyi 455 450 445 405 365 345 330 yi 45 40 35 30 25 20 15 xi 7 6 5 4 3 2 1 i ．(图形略) 故可得到 小结 1.求样本数据的线性回归方程，可按下列步骤进行： 第一步，列表计算平均数 , 第二步，求和 , 第三步，计算 第四步，写出回归方程 2.回归方程被样本数据惟一确定，各样本点大致分布在回归直线附近.对同一个总体，不同的样本数据对应不同的回归直线，所以回归直线也具有随机性. 3.对于任意一组样本数据，利用上述公式都可以求得“回归方程”，如果这组数据不具有线性相关关系，即不存在回归直线，那么所得的“回归方程”是没有实际意义的.因此，对一组样本数据，应先作散点图，在具有线性相关关系的前提下再求回归方程. 二、求线性回归方程 例2：观察两相关变量得如下表： 9 7 3 5 1 -1 -3 -5 -7 -9 y 1 2 4 3 5 -5 -4 -3 -2 -1 x 求两变量间的回归方程 解1： 列表： 9 14 12 15 5 5 12 15 14 9 9 7 3 5 1 -1 -3 -5 -7 -9 1 2 4 3 5 -5 -4 -3 -2 -1 10 9 8 7 6 5 4 3 2 1 i 计算得: 练习:根据下表,求回归方程. * 2.3.1-2 例如：在7块并排、形状大小相同的试验田上进行施化肥量对水稻产量影响的试验，得到如下表所示的一组数据（单位：kg）： 455 450 445 405 365 345 330 水稻产量y 45 40 35 30 25 20 15 施化肥量x 55 ？ 你不是农业专家，你也可