对变量x, y 有观测数据(,)(i=1,2,…,10),得散点图1;对变量u ,v 有观测数据(,)(i=1,2,…,10),得散点图2. 由这两个散点图可以判断。
图1 图2
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 |
一名小学生的年龄和身高(单位:cm)的数据如下:
年龄X |
6 |
7 |
8 |
9 |
身高Y |
118 |
126 |
136 |
144 |
由散点图可知,身高y与年龄x之间的线性回归直线方程为,预测该学生10岁时的身高为( )
A. 154 B. 153 C. 152 D. 151
某车间加工零件的数量与加工时间的统计数据如下表:
零件数(个) |
10 |
20 |
30 |
加工时间(分钟) |
21 |
30 |
39 |
现已求得上表数据的回归方程中的值为0.9,则据此回归模型可以预测,加工100个零件所需要的加工时间约为( )
A.84分钟 B.94分钟 C.102分钟 D.112分钟
如图,有 组数据,去掉 组(即填A,B,C,D,E中的某一个)
后,剩下的四组数据的线性相关系数最大。( )
A. | B. | C. | D. |
某车间加工零件的数量与加工时间的统计数据如下表:
现已求得上表数据的回归方程中的的值为0.9,则据此回归模型可以预测,加工90个零件所需要的加工时间约为( )
A.93分钟 | B.94分钟 | C.95分钟 | D.96分钟 |
小明同学根据右表记录的产量(吨)与能耗(吨标准煤)对应的四组数据,用最小二乘法求出了关于的线性回归方程,据此模型预报产量为7万吨时能耗为( )
A. | B. | C. | D. |
在两个变量y与x的回归模型中,分别选择了4个不同模型,它们的如下,其中拟合效果最好的模型是( )
A.模型1的为0.975 | B.模型2的为0.79 |
C.模型3的为0.55 | D.模型4的为0.25 |
对变量 有观测数据(,)(),得散点图1;对变量有观测数据(,)(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 |
已知x,y取值如下表:
x |
0 |
1 |
4 |
5 |
6 |
8 |
y |
1.3 |
1.8 |
5.6 |
6.1 |
7.4 |
9.3 |
从所得的散点图分析可知:y与x线性相关,且 =0.95x+a,则a=( ).
A.1.30 B.1.45 C.1.65 D.1.80
设某大学的女生体重(单位:)与身高(单位:)具有线性相关关系,根据一组样本数据,用最小二乘法建立的回归方程为,则下列结论中不正确的是( )
A.与具有正的线性相关关系 |
B.回归直线过样本点的中心 |
C.若该大学某女生身高增加lcm,则其体重约增加0.85kg |
D.若该大学某女生身高为170cm,则可断定其体重必为58.79kg |
已知变量x与y正相关,且由观测数据算得样本平均数线性回归方程=3,=3.5,则由该观测数据算得的线性回归方程可能是( )
A.=-2x+9.5 | B.=2x-2.4 |
C.=0.4x+2.3 | D.=-0.3x+4.4 |
具有线性相关关系的变量x,y ,满足一组数据如右表所示.若与的回归直线方程为,则m的值是( )
0 |
1 |
2 |
3 |
|
-1 |
1 |
m |
8 |
A. 4 B. C. 5 D. 6