变量之间的相关关系

描述两列变量之间的相关关系,可以采用的统计量在统计学中，用来描述两列变量之间相关关系的常见统计量有以下几种：
1. 相关系数：反映两个变量之间线性相关程度的大小。

常见的相关系数包括皮尔逊相关系数、斯皮尔曼等级相关系数、切比雪夫相关系数等。

2. 回归分析：通过对自变量和因变量之间的线性关系进行建模，来预测因变量的值。

其中，最简单的回归模型是一元线性回归，也可以使用多元线性回归等。

3. 方差分析：用于比较不同组别或条件下的平均值是否存在显著差异，从而推断两个变量之间是否存在关联。

常见的方差分析方法包括单因素方差分析、双因素方差分析等。

4. 卡方检验：用于检验两个分类变量是否独立。

它适用于定类数据的分析，可以确定一个分布是否与期望分布有显著的偏离。

5. t检验：用于比较两个样本的平均值是否存在显著差异，可根据样本特征选择不同的t检验方法，如独立样本t检验、配对样本t检验等。

这些点散布在从左下角到右上角的区域
2.正相关：在散点图中，点散布在从左下角到右上 角的区域，对于两个变量的这种相关关系，我们将 它称为正相关。
思考6：如图是高原含氧量与海拔高度的相关关系 的散点图，高原含氧量与海拔高度有何相关关系？ 点的分布有何特点？
海平面以上，海拔高度 越高，含氧量越少。
点散布在从左上角到右 下角的区域内。
脂肪含量
40 35 30 25 20 15 10 5 0
20 25 30 35 40 45 50 55 60 65 年龄
思考3：上图叫做散点图，你能描述一下散点图的含 义吗？
1.散点图：在平面直角坐标系中，表示具有相关关系 的两个变量的一组数据图形，称为散点图.
脂肪含量
思考4：观察散点图的大致趋势，人的年龄的与人体 脂肪含量具有什么相关关系？
大体上看，随着年龄的增加，人体中脂肪百分比也 在增加。
年龄 23 脂肪 9.5
27 39 17.8 21.2
41 25.9
45
49 50
27.5 26.3 28.2
年龄 53 54 56 57 58 60 61 脂肪 29.6 30.2 31.4 30.8 33.5 35.2 34.6
思考2：为了确定年龄和人体脂肪含量之间的更明 确的关系，我们需要对数据进行分析，通过作图可 以对两个变量之间的关系有一个直观的印象.以x轴 表示年龄，y轴表示脂肪含量，你能在直角坐标系 中描出样本数据对应的图形吗？
销售价格 12.2 15.3 24.8 21.6 18.4 29.2 22
（万元）
画出数据对应的散点图，并指出销售价格与房屋面积 这两个变量是正相关还是负相关.
解： 35
30 25 20 15 10 5 0

非线性相关关系可以是单调递增、单调递减、先增后减、先减后增等多种 类型。
判断两个变量之间是否存在非线性相关关系可以通过绘制散点图或计算非 线性相关系数等方法来进行。
相关系数及其计算
相关系数是衡量两个变量之间相关关系的统计量，其计算方法有多种，其中最常用的是皮尔逊相关系 数和斯皮尔曼秩相关系数。
皮尔逊相关系数使用积差法计算，其值介于-1和1之间，用于衡量线性相关关系的强度和方向。斯皮尔 曼秩相关系数则用于衡量等级数据之间的相关性。
变量间的相关关系及独立性检验
目录
• 变量间的相关关系 • 变量间的独立性检验 • 变量间的因果关系推断 • 相关性与独立性的区别与联系
01
变量间的相关关系
线性相关关系
线性相关关系是指两个或多个变量之间存在一种可以用直 线表示的依赖关系。当一个变量发生变化时，另一个变量 也会随之发生相应的变化。
独立性检验
常用于验证两个变量之间是否存在直 接的因果关系，例如在经济学中检验 货币政策是否对经济增长有影响，或 者在心理学中检验某种疗法是否对心 理健康有影响。
THANKS。
因果关系推断的方法
基于理论的推断
01
根据相关学科的理论和知识，推断变量之间的因果关
系。
基于相关关系的推断
02 通过分析变量之间的相关系数、相关图等，推断变量之间的因果关系。基于实验的推断03
通过实验的方式，控制其他变量的影响，观察单一变
量的变化对结果变量的影响，从而推断因果关系。
因果关系推断的局限性
相关性与独立性的联系
相关性和独立性是描述变量间关系的 两种不同角度，有时一个变量可能既 与另一个变量相关，又与第三个变量 独立。
在某些情况下，相关性和独立性可能 相互转化，例如当引入第三个变量时 ，两个原本独立的变量可能变得相关 。

在直角坐标系中，任何一条直线都有相 应的方程，回归直线的方程称为回归方程.对 一组具有线性相关关系的样本数据，如果能 够求出它的回归方程，那么我们就可以比较 具体、清楚地了解两个相关变量的内在联系， 并根据回归方程对总体进行估计.
知识探究（四） ：回归方程
思考 1： 回归直线与散点图中各点的位置应具 有怎样的关系？
相关关系是进行回归分析的基础，同时， 也是散点图的基础。
知识探究（二）：散点图 【问题】在一次对人体脂肪含量和年龄 关系的研究中，研究人员获得了一组样 本数据：
年龄 23
脂肪 9.5 年龄 53
27
39
41
45
49
50
17.8 21.2 25.9 27.5 26.3 28.2 54 56 57 58 60 61
知识探究（一）：变量之间的相关关系 思考1：考察下列问题中两个变量之间的关系： （1）商品销售收入与广告支出经费； （2）粮食产量与施肥量； （3）人体内的脂肪含量与年龄. 这些问题中两个变量之间的关系是函数关 系吗？ 均不是！
上述两个变量之间的关系是一种非确定 性关系，称之为相关关系，那么相关关 系的含义如何？
3.在下列各变量之间的关系中: ①汽车的重量和百公里耗油量.②正n边形的边数与内角度数之 和.③一块农田的小麦产量与施肥量.④家庭的经济条件与学生 的学习成绩.
是相关关系的有(
(A)①②
)
(C)②③ (D)③④
(B)①③
二、填空题（每题5分，共10分）
4.（2010·广东高考）某市居民2005~2009年家庭平均收入
脂肪 29.6 30.2 31.4 30.8 33.5 35.2 34.6
其中各年龄对应的脂肪数据是这个年龄 人群脂肪含量的样本平均数.

i
12 3
4
5
xi
24 6
8
10
yi
64 134 205 285 360
xiyi
128 536 1 230 2 280 3 600
x ＝6， y ＝209.6，
5
5
x2i ＝220，xiyi＝7 774
i＝1
i＝1
∴b^ ＝7 7742－205－×56××62209.6＝1 44086＝37.15. ∴a^＝209.6－37.15×6＝－13.3. 于是所求的回归直线的方程为y^ ＝37.15x－13.3.
3．假设关于某设备的使用年限 x 和所支出的维修费用 y(万 元)有如下的统计资料：
使用年限 x 2 3 4 5 6 维修费用 y 2.2 3.8 5.5 6.5 7.0 若由资料知 y 对 x 呈线性相关关系．试求： (1)线性回归方程y^ ＝bx＋a 的回归系数 a，b； (2)估计使用年限为 10 年时，维修费用是多少？
≈1.27，
10
xi2－10 x 2
i＝1
a^＝ y －b^ x ≈－30.95， 即所求的回归直线方程为y^ ＝1.27x－30.95. (3)当 x＝160 时，y^ ＝1.27×160－30.95≈172，即大约冶炼
172 min.
方法点评：回归直线可以模拟两个变量之间的相关关系．我 们可以利用回归直线方程进行运算，如求函数值、研究增减性 等，通过这些运算结果进行合理的预测．这也正是回归分析的 意义所在．
典例剖析 题型一 相关关系 【例 1】 下列关系中，带有随机性相关关系的是_②__④_____． ①正方形的边长与面积之间的关系； ②水稻产量与施肥量之间的关系； ③人的身高与年龄之间的关系； ④降雪量与交通事故的发生率之间的关系． 思路点拨：根据线性相关的概念逐个判断．

4
题型三
利用回归直线方程对总体进行估计
【例3】某企业上半年产品产量与单位成本资料如下： 月份 1 2 产量(千件) 2 3 单位成本（元） 73 72
3
4 5 6
4
3 4 5
71
73 69 68
（1）求出线性回归方程；
（2）指出产量每增加1 000件时，单位成本平均变 动多少？ （3）假定产量为6 000件时，单位成本为多少元？ 解
ˆ =1.23x+5 B. y
D. y ˆ =0.08x+1.23
当x=4时，y=1.23×4+0.08=5.
题型分类 深度剖析
题型一 利用散点图判断两个变量的相关性
【例 1】山东鲁洁棉业公司的科研人员在 7 块并排、 形状大小相同的试验田上对某棉花新品种进行施 化肥量 x 对产量 y 影响的试验，得到如下表所示的 一组数据（单位：kg).
归分析的前提.
2.求回归方程，关键在于正确求出系数 a ˆ ，由于 ˆ, b ˆ 的计算量大，计算时应仔细谨慎，分层进 a ˆ ,b
行，避免因计算而产生错误.（注意回归直线方程 中一次项系数为 b ˆ ,常数项为 a ˆ ,这与一次函数的 习惯表示不同.）
3.回归分析是处理变量相关关系的一种数学方法.主
4
思想方法
感悟提高
方法与技巧
1.线性相关关系的理解：相关关系与函数关系不同.
函数关系中的两个变量间是一种确定性关系.例如 正方形面积S与边长x之间的关系S=x2就是函数关系. 相关关系是一种非确定性关系，即相关关系是非随 机变量与随机变量之间的关系.例如商品的销售额
与广告费是相关关系.两个变量具有相关关系是回
i 1 i 1

2、回归直线
上述直线称为回归直线。
三.回归直线
3、如何求回归直线的方程
实际上,求回归直线的关键是如何用数学的方 法来刻画”从整体上看,各点到此直线的距离最 小”.
这样的方法叫做最小二乘法.
问题归结为:a,b取什么值时Q最小,即总体和最 小.下面是计算回归方程的斜率和截距的一般 公式.
根据最小二乘法和上述公式可以求回归方程.
回归直线方程: yˆ bx a
小结
1.变量之间除了函数关系外，还有相关关系,相关 关系是一种非确定关系.
2.散点图:表示具有相关关系的两个变量的一组数据 的图形，叫做散点图．
3.正相关与负相关.
4.回归直线:如果散点图中点的分布从总体上看大致在 一条直线附近，我们就称这两个变量之间具有线性相 关关系,这条直线就叫回归直线。
（2）粮食产量与施肥量之间的关系 （3）人体内脂肪含量与年龄之间的关系
相关关系与函数关系的异同点： 相同点：均是指两个变量的关系． 不同点：函数关系是一种确定的关系；而 相关关系是一种非确定关系.
2、两个变量之间产生相关关系的原因是受许多不确 定的随机因素的影响。 3、需要通过样本来判断变量之间是否存在相关关系
__5_2____.
2.3.1变量之间的相关关系
在学校里,老师对学生经常这样说:”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 成绩之间存在着一种相关关系,这种说法有没有根 据呢?
1、变量之间除了函数关系外，还有相关关系。 例：（1）商品销售收入与广告支出经费之间的关系
根据上述数据,人体的脂肪含量与年龄之间 有怎样的关系?
1、散点图
表示具有相关关系的两个变量的一组数据的图 形，叫做散点图．

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.
O
精选课件
9
1、散点图的特点形象地体现了各数据的密切程度，因此我们可以根据散点图来判断两个 变量有没有线性关系.
2、正相关、负相关 正相关：如果散点图的点散布在从左下角到右上角的区域，即一个变量的值由小变大时，另一个变量 的值也近似的由小变大，对于两个变量的这种相关关系，我们称为正相关
负相关：如果散点图的点散布的位置是从在左上角到右下角的区域，即一个变量的值由小变大时，另 一个变量的值也近似的由大变小，对于两个变量的这种相关关系，我们称为负相关.
31.4 30.8 33.5
年龄 60
61
脂肪 35.2 34.6
如上的一组数据，你能分析人体的脂肪含量与年龄 之间有怎样的关系吗？
精选课件
7
从上表发现，对某个人不一定有此规律，但对很多个体放在一起，就体现出“人体脂肪随年龄增长而增加” 这一规律.而表中各年龄对应的脂肪数是这个年龄 人群的样本平均数.我们也可以对它们作统计图、 表，对这两个变量有一个直观上的印象和判断.
下面我们以年龄为横轴， 脂肪含量为纵轴建立直
角坐标系，作出各个点， 称该图为散点图。
脂肪含量 40 35
如图：
30 25
20
15
10 5
O
20
25
30 35 40
精选课件
年龄
45 50 55
60 65
8
从刚才的散点图发现：年龄越大，体内脂肪含量越高，点的位置散布在从左下角到右上角的区域。称它们成正相关。 但有的两个变量的相关，如下图所示：

a y bx 0 b 0 0
∴所求回归直线方程为 ^ y=x
小结：求线性回归直线方程的步骤： 第一步：列表 x , y , x y ；
i i i i
第二步：计算
x, y, xi , xi y
2 i 1 i 1
n
n
i
；
第三步：代入公式计算b,a的值；
第四步：写出直线方程。
1、 2
（1）判断变量之间有无相关关系，简便方 法就是画散点图。 （2）当数字少时，可用人工或计算器，求 回归方程；当数字多时，用Excel求回归方 程。 （3）利用回归方程，可以进行预测。
作业： P98
4
Ù
Ù 2 ， i
y i = bx i + a .
思考4：为了从整体上反映n个样本数 据与回归直线的接近程度，你认为选 用哪个数量关系来刻画比较合适？
(xi，yi) (x1， y1) (x2，y2) (xn，yn)
ˆi ) Q ( yi y
i 1
n
2
( y1 bx1 a) ( y2 bx2 a)
脂肪含量
40 35 30 25 20 15 10 5 0 20 25 30 35 40 45 50 55 60 65 年龄
知识探究（一）：回归直线
思考1：一组样本数据的平均数是样本数 据的中心，那么散点图中样本点的中心 如何确定？它一定是散点图中的点吗？
脂肪含量
40 35 30 25 20 15 10 5 0 20 25 30 35 40 45 50 55 60 65 年龄
40 35 30 25 20 15 10 5 0 20 25 30 35 40 45 50 55 60 65 年龄

用于描述两个变量之间相关关系1. 引言嘿，大家好！今天我们要聊聊一个听起来有点严肃，但其实超级有趣的话题：两个变量之间的相关关系。

可能你会想，哎呀，什么是相关关系呢？别担心，我来给你捋一捋。

简单来说，相关关系就是当一个东西变化时，另一个东西也会跟着变化的情况。

就像吃冰淇淋的时候，天气变热一样，哈哈，没错，就是这么简单！1.1 相关关系的类型那么，相关关系其实可以分为几种类型哦。

首先是正相关，意思是当一个变量增加时，另一个变量也增加，听起来是不是很美好？比如说，运动量和快乐感，这两者常常是成正比的，越运动越开心，真是“越努力，越幸福”嘛！反过来，如果你懒得动，躺在沙发上追剧，那你的快乐感可能就会缩水，嘿嘿。

然后还有负相关，这就有点意思了。

当一个变量增加时，另一个变量却减少。

想象一下，当你加班到深夜，疲劳感飙升，而你的精神状态就像气球一样瘪下去，真是“越加班，越心累”呀！还有个经典的例子就是，吃得太多和体重，简直是一对“冤家”。

吃得多，体重就跟着上升，没办法，真是“羊肉串越吃越多，肚子也跟着鼓”！2. 生活中的相关关系2.1 亲密关系与快乐说到生活中的相关关系，我们不妨从人际关系开始。

研究发现，朋友越多，快乐感往往越高。

哎，真是“朋友多了路好走”！想象一下，你约上三五好友一起吃饭、唱歌，那种感觉简直是“乐在其中”。

但是如果朋友少得可怜，周末的聚会就是一场孤独的旅行，唉，孤单的感觉就像海绵一样吸水，越吸越重，越发难受。

当然，相关关系并不意味着因果关系哦。

你可能会想，朋友多了就一定快乐，但实际上，快乐的人可能更容易交到朋友，这就像是一个好人缘的循环。

就像一颗美丽的种子，发芽后就会吸引到更多的阳光和水分，形成一个良性循环，真是“良性互动，事半功倍”！2.2 学习与成绩再来看看学习和成绩之间的关系。

大家都知道，努力学习通常能带来好的成绩，但这其中的相关性可真复杂。

有时候，你拼命复习，结果考试却不理想，真是“付出与收获不成正比”！反之，有些同学轻轻松松就能考高分，这不禁让人心中感慨：“天上掉馅饼，真是天上有个王老五！”所以，学习的态度、方法和时间管理都在其中起着重要的作用。

变量间的相互关系是指两个或两个以上变量之间相联系的性质,主要有两种类型。

(1)因果关系:是指在两个有关系的变量中,因为一个变量的变化而引起另一个变量的变化。

应注意三点:第一,在两个变量中,只能一个是因,另一个是果,而不能互为因果。

第二,原因变量一定出现在结果变量之前。

第三,两者之间的变化关系是必然的,否则就不是因果关系。

社会现象的因果关系十分复杂,有一因一果、一果多因、一因多果以及多因多果等。

在社会调查研究中,调查者应注意区别事物之间因果关系的类型,对一果多因、一因多果以及多因多果等复杂的因果关系要仔细分析,逐一明确,这样才能清楚地认识社会现象和事物发展变化的规律。

(2)相关关系:是指变量的变化之间存在着非因果关系的一定联系和一定关系。

社会调查研究运用相关这一概念,其目的是了解社会现象和事物之间关系的密切程度,从中探寻其规律性。

变量之间的相关关系从变化的方向来看,可以分为正相关与负相关;从变化的表现形式来看,可以分为直线相关和曲线相关。

当一个变量的数值发生变化时,另一个变量的数值也随之发生同方向的变化,这种相关关系是正相关,也叫直接相关。

当一个变量的数值发生变化时,另一个变量的数值也随之发生反方向的变化,这种相关关系是负相关,也叫逆相关。

在社会调查研究中,掌握变量关系的正相关与负相关的概念,有利于了解社会现象和事物的发展方向和趋势。

当一个变量的数值发生变动(增加或减少),另一个变量的数值随着发生大致均等的变动时,这种关系称为直线相关;当一个变量的数值发生变动,另一个变量的数值随之发生不均等的变动时,这种关系称为曲线相关。

通过观察散点图的分布情况，可以初步判断两个变量之间是正相关、负相 关还是无相关。
散点图有助于发现异常值和离群点，这些值可能会对相关关系的度量产生 影响。
线性回归分析
01
线性回归分析是一种数学方法，用于量化两个或多个变量之间 的线性关系。
02
通过最小二乘法等统计技术，线性回归分析可以估计出一条最
佳拟合线，该线能够描述自变量和因变量之间的关系。
销售预测
通过分析历史销售数据与市场趋 势，了解产品销量与市场活动、 季节性等因素的相关关系，预测 未来的销售情况。
竞争分析
研究竞争对手的市场表现、产品 策略等，分析其与市场占有率、 品牌知名度等变量的相关关系， 为制定竞争策略提供依据。
消费者行为研究
通过分析消费者购买决策与个人 特征、环境因素等变量的相关关 系，了解消费者偏好和行为模式， 优化产品定位和营销策略。
线性回归分析不仅可以确定变量的关系强度，还可以预测因变
03
量的取值。
相关系数
相关系数是一种量化指标，用于描述 两个变量之间相关关系的强度和方向 。
相关系数的绝对值越大，表示两个变 量之间的相关关系越强。
最常用的相关系数是皮尔逊相关系数 （Pearson correlation coefficient）， 其值介于-1和1之间。
由于数据获取的限制，本研究 只使用了小样本数据进行研究， 可能影响结果的准确性和普适
性。
变量选择主观性
在选择研究变量时，可能存在 主观偏见，导致所选变量不够
客观全面。
研究方法局限性
本研究主要采用线性回归分析 方法，对于非线性相关关系可
能无法准确描述。
未来研究方向
未来研究可以尝试使用更复杂的方法和模型，如机器学习、神经网络等，以更准确地描述和分析两个变量的 相关关系。同时，扩大样本量和增加变量类型也是重要的研究方向。

两个变量间的相关关系变量间的相互关系有两种:一类是确定性的函数关系,如正方形的边长和面积的关系；另一类是变量间确实存在关系,但又不具备函数关系所要求的确定性,它们的关系是带有随机性的.例如,学生的总成绩和他的单科成绩,一般说来“总成绩高者,单科成绩也高”,我们说总成绩和单科成绩具有相关关系.相关关系又分为两种:(1)正相关:两个变量具有相同的变化趋势.(2)负相关:两个变量具有相反的变化趋势.对相关关系的理解可以从下面三个角度把握：相关关系的概念：自变量取值一定时，因变量的取值带有一定的随机性，则两个变量之间的关系叫做相关关系.对相关关系的理解应当注意以下几点：其一是相关关系与函数关系不同.因为函数关系是一种非常确定的关系，而相关关系是一种非确定性关系，即相关关系是非随机变量与随机变量之间的关系.而函数关系可以看成是两个非随机变量之间的关系.因此，不能把相关关系等同于函数关系.相关关系与函数关系的异同点为：相同点：均是指两个变量的关系.不同点：函数关系是一种确定的关系；而相关关系是一种非确定关系.函数关系是自变量与函数值之间的关系,这种关系是两个非随机变量的关系；而相关关系是非随机变量与随机变量的关系.其二是函数关系是一种因果关系，而相关关系不一定是因果关系，也可能是伴随关系.例如，有人发现，对于在校儿童，鞋的大小与阅读能力有很强的相关关系.然而，学会新词并不能使脚变大，而是涉及到第三个因素——年龄.当儿童长大一些，他们的阅读能力会提高而且由于长大脚也变大.其三是在现实生活中存在着大量的相关关系，如何判断和描述相关关系，统计学发挥着非常重要的作用.变量之间的相关关系带有不确定性，这需要通过收集大量的数据，对数据进行统计分析，发现规律，才能作出科学的判断.我们再来认识生活中的确定两个变量间的相关关系的两个例子：【例1】“名师出高徒”可以解释为教师的水平越高,学生的水平也越高.那么,教师的水平与学生的水平成什么相关关系？你能举出更多的描述生活中的两个变量的相关关系的成语吗？解析:“名师出高徒”的意思是说有名的教师一定能教出高明的徒弟,通常情况下,高水平的教师有很大的趋势教出高水平的学生.所以,教师的水平与学生的水平成正相关关系.生活中这样的成语很多,如“龙生龙,凤生凤,老鼠的孩子会打洞”.【例2】历史上,有人认为人们的着装与经济好坏有关系,着装越鲜艳,经济越景气.你认为着装与经济真的有这种相关关系吗？解析:人们的着装只能反映个人的爱好以及个人心情状况,与经济的好坏没有任何关系,并不能反映经济的景气与否.所以,着装与经济并没有“着装越鲜艳,经济越景气”这种相关关系.。

D.x与y负相关,u与v负相关
解析 由图1可知,点散布在从左上角到右下角的区域,各点整体呈递减趋势,故x
与y负相关；
由图2可知,点散布在从左下角到右上角的区域,各点整体呈递增趋势,故u与v正
相关.
12345
2.工人工资y(元)与劳动生产率x(千元)的相关关系的回归方程为 y^＝50＋80x,下列 判断正确的是 A.劳动生产率为1 000元时,工人工资为130元
x1
23
4
y
1
3
4
5
(1)作出散点图；
解 散点图如图所示.
(2)用最小二乘法求关于x,y的回归方程.
核心素养之数学运算与数据分析
利用线性回归方程对总体进行估计
HEXINSUYANGZHISHUXUEYUNSUANYUSHUJUFENXI
典例 由某种设备的使用年限 xi(年)与所支出的维修费 yi(万元)的数据资料算
12345
课堂小结
KETANGXIAOJIE
1.判断变量之间有无相关关系,一种简便可行的方法就是绘制散点图.根据散点 图,可以很容易看出两个变量是否具有相关关系,是不是线性相关,是正相关还 是负相关. 2.求线性回归方程时应注意的问题 (1)知道x与y成线性相关关系,无需进行相关性检验,否则应首先进行相关性检 验,如果两个变量之间本身不具有相关关系,或者说,它们之间的相关关系不显 著,即使求出线性回归方程也是毫无意义的,而且用其估计和预测的量也是不 可信的.
n
n
(4)计算 x ， y ， x2i ， xiyi.
i＝1 i＝1
n
xiyi－n x y (5)代入公式计算b^ ，a^ ，公式为b^ ＝i＝1n x2i －n x 2 ，

变量间的相关关系 【知识梳理】(1)相关关系：当自变量的取值一定时，因变量的取值带有 ，那么这两个变量之间的关系叫做 ,如果一个变量的值由小变大时，另一个变量的值也由小到大，这种相关称为 ,反之，如果一个变量的值由小变大，另一个变量的值由大到小，这种关系为 (2)线性相关关系、回归直线如果散点图中点的分布从整体上看大致在一条直线附近，就称这两个变量之间具有 关系，这条直线叫做回归直线． (3)线性回归方程方程y=ˆbx+ˆa 是两个具有线性相关关系的变量的一组数据(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )的线性回归方程，其中ˆb , ˆa 是待定参数．ˆˆb a ⎧=⎪⎨=⎪⎩【基础练习】1．(2009·海南高考题)对变量x ，y 有观测数据(x 1，y 1)(i ＝1,2，…，10)，得散点图1；对变量u ，v 有观测数据(u 1，v 1)(i ＝1,2，…，10)，得散点图2.由这两个散点图可以判断( ) A ．变量x 与y 正相关，u 与v 正相关 B ．变量x 与y 正相关，u 与v 负相关 C ．变量x 与y 负相关，u 与v 正相关 D ．变量x 与y 负相关，u 与v 负相关2．已知关于某设备的使用年限x 与所支出的维修费用y(万元)，有如下统计资料：若y 对x 呈线性相关关系，则回归直线方程ˆy＝ˆb x ＋ˆa 表示的直线一定过定点________．3. (原创题)经研究表明，学生的体重y(单位：kg)与身高x(单位：cm)有很强的线性相关关系，其回归方程为y=0.75x-68.2，如果一个学生的身高为170 cm ，则他的体重( ) A. 一定是59.3 kg B. 一定大于59.3 kg C. 有很大的可能性在59.3 kg 左右 D. 一定小于59.3 kg 【互动探究】【例1】(1)如图是两个变量统计数据的散点图，判断两个变量之间是否具有相关关系？画出散点图，并判断它们是否有相关关系【例2】 三点(3,10)，(7,20)，(11,24)的回归方程是( )A.y ∧＝－5.75＋1.75xB.y ∧＝1.75x ＋5.75C.y ∧＝－1.75x ＋5.75 D.y ∧＝－1.75x －5.75练习：一家保险公司调查其总公司营业部的加班程度，收集了5周中每周加班工作时间y (小时)与签发新保单数目x 的数据如下表：【例3】(2007·广东卷)下表提供了某厂节能降耗技术改造后生产甲产品过程中记录的产量x(吨)(1)请根据上表提供的数据，用最小二乘法求出y 关于x 的线性回归方程y ＝ˆbx ＋ˆa ； (2)已知该厂技改前100吨甲产品的生产能耗为90吨标准煤．试根据(1)求出的线性回归方程，预测生产100吨甲产品的生产能耗比技改前降低多少吨标准煤？ (参考数值：3×2.5＋4×3＋5×4＋6×4.5＝66.5)练习： (原创题)某服装厂引进新技术，其生产服装的产量x (百件)与单位成本y (元)满足回归直线方程y ＝149.36－16.2x ，则以下说法正确的是( ) A. 产量每增加100件，单位成本下降16.2元 B. 产量每减少100件，单位成本上升149.36元 C. 产量每增加100件，单位成本上升16.2元 D. 产量每减少100件，单位成本下降16.2元【当堂检测】1．观察下列散点图，则①正相关；②负相关；③不相关．它们的排列顺序与图形相对应的是( ) A ．a —①，b －②，c －③ B ．a －②，b －③，c －①C ．a －②，b －①，c －③D ．a －①，b －③，c －② 2．(2010·湖南，3)某商品销售量y (件)与销售价格x (元/件)负相关，则其回归方程可能是( )A.y ∧＝－10x ＋200 B.y ∧＝10x ＋200 C.y ∧＝－10x －200 D.y ∧＝10x －200 3．设有一线性回归方程为y ＝2－1.5x ，则变量x 增加一个单位时，y 平均减少________个单位． 4．已知回归直线的斜率的估计值是1.23，样本点的中心为(4,5)，则回归直线的回归方程是( ) A.y ^＝1.23x ＋4 B.y ^＝1.23x ＋5 C.y ^＝1.23x ＋0.08D.y ^＝0.08x ＋1.235．若施化肥量x kg 与水稻产量y kg 在一定范围内线性相关，若回归方程为y ^＝5x ＋250.当施化肥量为80 kg 时，预计水稻的产量为________．6. 实验测得4组（x,y ）的值为(1,2),(2,3),(3,4),(4,5)，则y 与x 之间的回归直线方程为 ( ) A. y =x+1B. y =x+2C. y =2x+1D. y =x-17．具有线性相关关系的两个变量满足如下关系：A. y ＝0.56x ＋997.4B. y ＝0.63x －231.2C. y ＝50.2x ＋501.4D. y ＝60.4x ＋400.7 8. 一般来说，一个人的脚越长，他的身高就越高.现对10名成年人的脚长x 与身高y 进行测量，得如下数据（单位：作出散点图后，发现散点在一条直线附近.经计算得到一些数据：x =24.5，y =171.5，()()101iii x x y y =--=∑577.5, ()2101ii x x =-∑=82.5.某刑侦人员在某案发现场发现一对裸脚印，量得每个脚印长26.5 cm ，请你估计案发嫌疑人的身高为 cm.。

两个变量间相关关系的举例相关关系是指两个变量之间的变化是否存在某种联系或者依赖。

在统计学中，我们可以通过计算相关系数来度量两个变量之间的相关程度。

下面，我将为你举例说明两个变量间的相关关系。

举例一：首先，我们来看身高和体重之间的相关关系。

身高和体重是人体的两个重要指标，一般来说，身高越高，体重也会相应增加。

我们可以通过一个调查统计来验证这种关系。

在调查中，我们随机选择了1000名男性被试，记录了他们的身高和体重。

通过运用统计学方法，我们计算得到了身高和体重之间的相关系数为0.8，这说明身高和体重之间存在着强正相关关系。

也就是说，身高增加会促使体重的增加。

举例二：其次，让我们来考察学习时间和考试成绩之间的相关关系。

有一种常见的观点是，学习时间越多，考试成绩也会越好。

我们可以通过一个实验证明这种关系。

我们在一所学校中随机选取了500名学生，将他们分为两组：一组进行了加强学习时间的训练，每天学习4个小时；另一组保持正常学习时间，每天学习2个小时。

在经过一段时间的训练后，我们进行了一次考试，记录了两组学生的考试成绩。

通过对比两组学生的考试成绩，我们发现加强学习时间组的平均分高于正常学习时间组，这说明学习时间和考试成绩之间存在着正相关关系。

举例三：再次，让我们来研究睡眠时间和工作效率之间的相关关系。

一般来说，充足的睡眠对于提高工作效率很重要。

为了验证这个假设，我们进行了一项睡眠实验。

我们让20名被试者进行七天的实验，在前三天，他们每晚只睡4个小时；在后四天，他们每晚睡眠时间恢复到正常的8个小时。

在每天的工作结束后，我们记录了被试者当天的工作成绩。

通过实验数据的分析，我们发现在睡眠时间缺乏的前三天，被试者的工作效率明显降低；而在恢复充足睡眠的后四天，工作效率也得到了明显的提高。

这表明睡眠时间和工作效率之间存在着正相关关系。

以上三个例子表明，两个变量之间的相关关系可以通过实验证明或者调查统计来证实。

将变量之间的相关关系研究清楚，对我们了解事物的本质以及提高效率具有重要意义。

知识点——
变量之间的相间确实存在关系，但又不 具备函数关系所要求的确定性，若它们的关系是 带有随机性的，就说两个变量具有相关关系. 注：相关关系是一种非确定性关系. 2、散点图：从一个统计数表中，为了更清楚地 看出x与y是否有相关关系，常将x的取值作为横 坐标，将y的相应取值作为纵坐标，在直角坐标 系中描点 i i ，这样的图形叫做散 点图.
温热度饮/℃杯数-5 与当0 天4气温7的对12比表15：19 23 27 31 36 热饮杯数 156 150 132 128 130 116 104 89 93 76 54
(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;
变量之间的相关关系
【典型例题】 解：（1）散点图如图所示
变量之间的相关关系
【分类】
线性相关关系：
正相关：指的是两个变量有相同的变化趋势，即从 整体上来看一个变量会随着另一个变量变大而变大. 这在散点图上的反映就是散点的分布在斜率大于0的 直线附近;
40
35
30
25
20
15
10
5
0
0
10
20
30
40
50
60
70
变量之间的相关关系
【分类】
负相关：指的是两个变量有相反的变化趋势，即 从整体上来看一个变量会随着另一个变量变大而 变小，这在散点图上的反映就是散点的分布在斜 率小于0的直线附近.
1.2 1
0.8 0.6 0.4 0.2
0 0
0.1
0.2
0.3
0.4
0.5
0.6
变量之间的相关关系
【典型例题】
1、某机构曾研究温度对翻车鱼的影响，在一定温 度下，经过x单位时间，翻车鱼的存活比例为y，数 据如下： （0.10，1.00），（0.15，0.95），（0.20，0.95）， （0.25，0.90），（0.30，0.85），（0.35，0.70）， （0.40，0.65），（0.45，0.60），（0.50，0.55）， （0.55，0.40） (1)请作出这些数据的散点图； (2)关于这两个变量的关系，你能得出什么结论？