8.1 成对数据的统计相关性
两个量「有关系,但又不是一个公式能算死的」,怎么描述?先画散点图看趋势,再用一个数 r 量出这种关系有多「直」。
本节知识点变量的相关关系与因果边界样本相关系数及其局限
第 1 步
从例子进入
一家小店记了 6 天的最高气温和冰淇淋销量。先点下面的按钮,看把这 6 对数画成散点图是什么样子:
| 气温 / ℃ |
22 |
25 |
27 |
30 |
33 |
35 |
| 销量 / 支 |
41 |
50 |
48 |
62 |
70 |
76 |
想一想
看答案与解析
答案:A
A。整体看,气温高的日子卖得多。
但它不是「气温定了,销量就定了」:27 ℃那天反而比 25 ℃那天少卖 2 支。销量还受周末、下雨、进货多少影响。
这种「有趋势、但不是确定的函数」的关系叫相关关系。这一节学两件事:用散点图看出趋势,用样本相关系数 r 把「趋势有多明显」算成一个数(这组数据 r≈0.98)。
第 2 步
讲清楚
1. 先认识几个词
要用到:必修二 9.2 样本均值与方差(回看 9.2);7.3 协方差与离散度(回看 7.3)。成对数据研究的是两个变量之间的联动共变趋势。
2. 相关系数色彩语义主公式与分级
想一想
自己试试:3 对数据 (1,1)、(2,3)、(3,2)。r 等于?
看答案与解析
答案:A
A。xˉ=yˉ=2;偏离 −1,0,1 和 −1,1,0;乘积和 1+0+0=1;两个平方和都是 2。r=2×21=0.5。选 B 的同学忘了开根号,算成 2×21。
想一想
自己试试:r1=0.8,r2=−0.9。哪组数据的点更贴近一条直线?
看答案与解析
答案:B
B。∣−0.9∣=0.9>0.8。选 A 的同学按 −0.9<0.8 比了大小。负号只说方向(一个大另一个小),不说强弱。
3. 三步破题思维链例题
4. 三大翻车现场红绿对比卡
第 3 步
动手
① 散点图:拖点看 r 怎么变
拖动任意一个点;点空白处加一个点(最多 20 个)。点的颜色:绿色在右上或左下,乘积 (xi−xˉ)(yi−yˉ) 为正;红色为负。选中一个点后可以按方向键移动,按 Delete 删掉它。
② 进阶:一个异常点能把 r 拉多大
灰色的 8 个点挤在左下角,看不出趋势。金色的点可以拖(或按方向键),把它拖到右上角远处看看。
③ 进阶:点都在一条曲线上,r 却可能是 0
9 个点都在抛物线 y=0.12(x−h)2+0.5 上,y 完全由 x 决定。拖滑块改变顶点位置 h,看 r 怎么变;h=5 时左右对称。
第 4 步
练一练
从易到难排好了。前两道直接用,中间三道是最常见的错,最后一道是挑战。
直接用
想一想
- x:1,2,3;y:6,4,2。样本相关系数 r 是?
看答案与解析
答案:B
B。xˉ=2,yˉ=4;偏离 −1,0,1 和 2,0,−2;乘积和 −2+0−2=−4;平方和 2 和 8。r=16−4=−1。三个点正好在直线 y=−2x+8 上。选 A 的同学把斜率 −2 当成了 r:r 不会超出 [−1,1]。
想一想
- 四组成对数据的相关系数:0.3、−0.85、0.6、−0.1。线性相关最强的是哪一组?
看答案与解析
答案:B
B。比 ∣r∣:0.85 最大。选 A 的同学只在正数里挑了最大的;选 C 的同学以为数小就「最负、最强」,可 ∣−0.1∣ 是最小的。
易错
想一想
看答案与解析
答案:C
C。r 只量直线关系。「讲清楚」里 y=x2 取 x=−2,…,2 的 5 个点,r=0,可 y 是 x 的函数,A、B 都错。「动手」③里 h=5 就是这种情形。
想一想
- 某城市逐月统计,冰淇淋销量和溺水人数的相关系数接近 1。下面哪个结论合理?
看答案与解析
答案:B
B。相关不等于因果。天热时买冰淇淋的人多,去游泳的人也多,气温同时推高两者。A、C 都把「一起变」当成了「一个导致另一个」。
想一想
- 三对数据 (5,1)、(5,3)、(5,8)。它们的样本相关系数是?
看答案与解析
答案:C
C。x 全是 5,∑(xi−xˉ)2=0,分母是 0,r 没有定义。选 A 的同学看到分子也是 0 就写了 0,可 00 不是 0。点都在竖线 x=5 上,竖线不是「y 随 x 变」的直线。
挑战
想一想
- 一组成对数据 (xi,yi) 的相关系数是 0.6。把每个 xi 换成 −2xi+1,每个 yi 换成 3yi,新数据的相关系数是?
看答案与解析
答案:B
B。新的 x 偏离值是原来的 −2 倍(加的 1 被平均数抵消),y 偏离值是 3 倍。
分子变成原来的 (−2)×3=−6 倍;分母 4∑(xi−xˉ)2⋅9∑(yi−yˉ)2 变成原来的 6 倍。所以 r 变成 −0.6:大小不变,方向反了。选 C、D 的同学只算了分子,−3.6 已超出 [−1,1],一看就不对。
第 5 步
高考真题
先独立作答,做完再对照分步解析。选择题点选项自动判对错;填空题写法不同时,看答案自己判。要用到后面章节的题收在最后,学到那里再做。
2016 全国Ⅲ卷(理科) 第 18 题 · 解答
我国2008—2014年生活垃圾无害化处理量 y(单位:亿吨)的折线图近似呈线性上升趋势,年份代码 t=1,2,…,7 分别对应2008—2014年。题给参考数据为 ∑i=17yi=9.32,∑i=17tiyi=40.17,∑i=17(yi−yˉ)2=0.55,7≈2.646。 由折线图看出,可用线性回归模型拟合y与t的关系,请用相关系数加以证明。附:r=∑i=1n(xi−xˉ)2∑i=1n(yi−yˉ)2∑i=1n(xi−xˉ)(yi−yˉ)。
答案与解析
答案:r≈0.993,线性相关程度很高,可用线性回归模型拟合。
思路
年份代码等距,可直接算时间的中心化平方和,再结合题给处理量统计量求r。
- 求中心化乘积和
tˉ=4,因此 Sty=∑tiyi−tˉ∑yi=40.17−4×9.32=2.89。
- 计算相关系数
Stt=9+4+1+0+1+4+9=28。由题给 Syy=0.55,r=28×0.552.89≈0.993。
- 说明模型适用性
相关系数接近1,说明该组年份与处理量之间有很强的正线性相关,与折线图近似线性上升的趋势一致,采用线性回归拟合有数据依据。
易错点
- 0.55是离差平方和的平方根,不要再次开平方。
- r接近1支持这段数据的线性拟合,不保证任意遥远年份都沿同一趋势发展。
小结
图形帮助发现趋势,相关系数为线性拟合提供量化依据。
2017 全国Ⅰ卷(文科) 第 19 题 · 解答
为了监控某种零件的一条生产线的生产过程,检验员每隔30min从该生产线上随机抽取一个零件,并测量其尺寸(单位:cm)。一天内按抽取次序1—16得到的数据依次为: 9.95,10.12,9.96,9.96,10.01,9.92,9.98,10.04,10.26,9.91,10.13,10.02,9.22,10.04,10.05,9.95。 经计算得 xˉ=161∑xi=9.97,s=161∑(xi−xˉ)2≈0.212,∑i=116(i−8.5)2≈18.439,∑i=116(xi−xˉ)(i−8.5)=−2.78。 求(xi,i) (i=1,2,…,16)的相关系数r,并回答是否可以认为这一天生产的零件尺寸不随生产过程的进行而系统地变大或变小(若∣r∣<0.25,则可以认为零件尺寸不随生产过程的进行而系统地变大或变小)。附:r=∑i=1n(xi−xˉ)2∑i=1n(yi−yˉ)2∑i=1n(xi−xˉ)(yi−yˉ)。
答案与解析
答案:r≈−0.18;按题给标准,可认为没有系统性变大或变小的线性趋势。
思路
把抽取次序当作第二个变量,保留相关系数的负号,再与绝对值阈值比较。
- 确定中心化统计量
由原始16个数据得 Sxx=0.7222,Sii=∑(i−8.5)2=340,Sxi=−2.78。
- 计算相关系数
r=0.7222×340−2.78≈−0.1774,约为-0.18。使用题给近似标准差0.212计算也得到约-0.18。
- 按题给阈值解释
∣r∣≈0.18<0.25。按题给标准,可以认为零件尺寸没有随着生产过程系统性变大或变小的线性趋势。
易错点
- “没有明显线性趋势”不等于生产过程完全正常,单个离群值仍可能提示异常。
- 题给s是样本标准差,不是平方和的平方根;需乘以√16才得到后者。
小结
2020 全国Ⅱ卷(理科) 第 18 题 · 解答
某沙漠地区经过治理,生态系统得到很大改善,野生动物数量有所增加。为调查该地区某种野生动物的数量,将其分成面积相近的200个地块,从这些地块中用简单随机抽样的方法抽取20个作为样区,调查得到样本数据 (xi,yi) (i=1,2,…,20),其中 xi,yi 分别表示第i个样区的植物覆盖面积(单位:公顷)和这种野生动物的数量。计算得 ∑xi=60,∑yi=1200,∑(xi−xˉ)2=80,∑(yi−yˉ)2=9000,∑(xi−xˉ)(yi−yˉ)=800。 求样本的相关系数(精确到0.01)。附:r=∑i=1n(xi−xˉ)2∑i=1n(yi−yˉ)2∑i=1n(xi−xˉ)(yi−yˉ)。2≈1.414。
答案与解析
答案:r≈0.94
思路
题目已给中心化平方和与乘积和,直接代入相关系数公式。
- 识别分子分母
Sxx=80,Syy=9000,Sxy=800。这些已经是减去均值后的离差统计量。
- 计算相关系数
r=80×9000800=6002800=322≈0.9428。
- 按要求取精度
保留两位小数,r≈0.94,表示样本中植物覆盖面积与动物数量有较强正线性相关。
易错点
- 不要把原始和60、1200直接放进相关系数的分子分母。
- 较强相关不等于仅凭此样本已证明植物覆盖面积导致动物数量变化。
小结
2022 全国乙卷(文科) 第 19 题 · 解答
某地经过多年的环境治理,已将荒山改造成了绿水青山。为估计一林区某种树木的总材积量,随机选取了10棵这种树木,测量每棵树的根部横截面积 xi(单位:m2)和材积量 yi(单位:m3)。按样本号1—10顺序,数据为: 横截面积:0.04,0.06,0.04,0.08,0.08,0.05,0.05,0.07,0.07,0.06; 材积量:0.25,0.40,0.22,0.54,0.51,0.34,0.36,0.46,0.42,0.40。 总和 ∑xi=0.6,∑yi=3.9,并计算得 ∑xi2=0.038,∑yi2=1.6158,∑xiyi=0.2474。 求该林区这种树木的根部横截面积与材积量的样本相关系数(精确到0.01)。附:r=∑i=1n(xi−xˉ)2∑i=1n(yi−yˉ)2∑i=1n(xi−xˉ)(yi−yˉ)。1.896≈1.377。
答案与解析
答案:r≈0.97
思路
先把原始和、平方和与乘积和变成中心化统计量,再求相关系数。
- 求样本中心
xˉ=0.6/10=0.06,yˉ=3.9/10=0.39。
- 还原中心化统计量
Sxx=0.038−10(0.06)2=0.002;Syy=1.6158−10(0.39)2=0.0948;Sxy=0.2474−10(0.06)(0.39)=0.0134。
- 计算并取精度
r=0.002×0.09480.0134≈0.97316,精确到0.01为0.97。样本显示很强的正线性相关。
易错点
- 不能用原始乘积和0.2474除以两个原始平方和的平方根来代替样本相关系数。
- 不要过早把0.0134等小数四舍五入,分母很小会放大误差。
小结
相关系数计算先中心化;改变长度单位不会改变相关系数。