比分 | 易建联技术统计 | |||
投篮命中 | 罚球命中 | 全场得分 | 真实得分率 | |
中国91﹣42新加坡 | 3/7 | 6/7 | 12 | 59.52% |
中国76﹣73韩国 | 7/13 | 6/8 | 20 | 60.53% |
中国84﹣67约旦 | 12/20 | 2/5 | 26 | 58.56% |
中国75﹣62哈萨克期坦 | 5/7 | 5/5 | 15 | 81.52% |
中国90﹣72黎巴嫩 | 7/11 | 5/5 | 19 | 71.97% |
中国85﹣69卡塔尔 | 4/10 | 4/4 | 13 | 55.27% |
中国104﹣58印度 | 8/12 | 5/5 | 21 | 73.94% |
中国70﹣57伊朗 | 5/10 | 2/4 | 13 | 55.27% |
中国78﹣67菲律宾 | 4/14 | 3/6 | 11 | 33.05% |
注:(1)表中a/b表示出手b次命中a次;
(2)TS%(真实得分率)是衡量球员进攻的效率,其计算公式为:
TS%=.全场得分/2x(投篮出手次数+0.44x罚球出手次数)
(Ⅰ)从上述9场比赛中随机选择一场,求易建联在该场比赛中TS%超过50%的概率;
(Ⅱ)从上述9场比赛中随机选择两场,求易建联在这两场比赛中TS%至少有一场超过60%的概率;
(Ⅲ)用x来表示易建联某场的得分,用y来表示中国队该场的总分,画出散点图如图所示,请根据散点图判断y与x之间是否具有线性相关关系?结合实际简单说明理由.

满足条件
,则
的最小值为( )
B .
C . 5
D .
价格x/元 | 14 | 16 | 18 | 20 | 22 |
需求量y/件 | 56 | 50 | 43 | 41 | 37 |
求出y关于x的线性回归方程,并说明拟合效果的好坏.
(参考数据:
)
吨,每日生产的产品当日销售完毕,日销售额为
万元,产品价格随着产量变化而有所变化,经过一段时间的产销,得到了
的一组统计数据如下表: 
与
中,哪个模型更适合刻画
之间的关系?可从函数增长趋势方面给出简单的理由;
关于
的回归方程,并估计当日产量
时,日销售额是多少?(结果保留整数)参考公式及数据:线性回归方程
中,
,
.
,
, 
(年)和所支出的维修费用
(万元)有如下统计资料:
| 2 | 3 | 4 | 5 | 6 |
|
|
|
|
|
|
若由资料知,
对
呈线性相关关系,试求:
参考公式:回归直线方程:
.其中 
(注:
)
|
日期 |
1月10日 |
2月10日 |
3月10日 |
4月10日 |
5月10日 |
6月10日 |
|
昼夜温差 | 10 | 11 | 13 | 12 | 8 | 6 |
| 就诊人数 | 22 | 25 | 29 | 26 | 16 | 12 |
该兴趣小组确定的研究方案是:先从这6组数据中选取2组,用剩下的4组数据求线性回归方程,再用被选取的2组数据进行检验.
关于
的线性回归方程
;
参考公式:
,
.
参考数据:
,
.
|
车速x(km/h) |
60 |
70 |
80 |
90 |
100 |
|
事故次数y |
1 |
3 |
6 |
9 |
11 |
附:
=
,
=
-
=
x+
;
(万人)与年份
的数据: | 第 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 旅游人数 | 300 | 283 | 321 | 345 | 372 | 435 | 486 | 527 | 622 | 800 |
该景点为了预测2021年的旅游人数,建立了
与
的两个回归模型:
模型①:由最小二乘法公式求得
与
的线性回归方程
;
模型②:由散点图的样本点分布,可以认为样本点集中在曲线
的附近.
.(
精确到个位,
精确到0.01).
,并选择拟合精度更高、更可靠的模型,预测2021年该景区的旅游人数(单位:万人,精确到个位). | 回归方程 | ① | ② |
| | 30407 | 14607 |
参考公式、参考数据及说明:
①对于一组数据
,其回归直线
的斜率和截距的最小二乘法估计分别为
.
②刻画回归效果的相关指数
.
③参考数据:
,
.
| | | | | | |
| | 449 | 6.05 | 83 | 4195 | 9.00 |
表中
.
至少经过其样本数据点中的
,
,
一个点
C . 在残差图中,残差点分布的带状区域的宽度越狭窄,其模型拟合的精度越高
D . 在回归分析中,相关指数
为
的模型比相关指数
为
的模型拟合的效果差
|
年份 |
2013 |
2014 |
2015 |
2016 |
2017 |
2018 |
2019 |
|
年份代号t |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
|
脱贫的户数y |
60 |
110 |
210 |
340 |
660 |
1010 |
1960 |
根据以上数据,绘制了散点图.
参考数据:
| | | | | |
| 621 | 2.54 | 25350 | 78.12 | 3.47 |
其中
,
与
(c , d均为大于零的常数)哪一个适宜作为脱贫户数y关于年份t的回归方程类型(给出判断即可,不必说明理由)?
参考公式:对于一组数据
,
,…,
,其回归直线
的斜率和截距的最小二乘估计公式分别为
,
.
、
之间的关系),得到五组数据如下表所示. | 组号 | 1 | 2 | 3 | 4 | 5 |
| 物理量 | 12 | 11 | 13 | 10 | 9 |
| 物理量 | 27 | 25 | 29 | 24 | 20 |
参考公式:
,
.
、
的线性回归方程,并由该回归方程预估第4,5组物理量
的值,若产生的残差的绝对值不超过1,则认为本次实践活动成功.请问本次实践活动是否成功?并说明理由;
,求
的分布列与数学期望.
⑴两个变量相关性越强则相关系数
就越接近于1;
⑵两个模型中,残差平方和越小的模型拟合的效果越好;
⑶在回归模型中,相关指数
表示解释变量
对于预报变量
的贡献率,
越接近于1,表示回归效果越好;
⑷在独立性检验中,随机变量
的观测值
越小,判断“
与
有关系”的把握程度越大.
其中正确命题的个数是( )
(单位:千件)与售价
(单位:元/件)之间的关系,收集5组数据进行了初步处理,得到如下数表: | | 5 | 6 | 7 | 8 | 9 |
| | 8 | 6 | 4.5 | 3.5 | 3 |
根据表中的数据可得回归直线方程
,以下说法正确的是( )
,
具有负相关关系,相关系数
B .
每增加一个单位,
平均减少
个单位
C . 第二个样本点对应的残差
D . 第三个样本点对应的残差
,变量
每增加1个单位,变量
平均增加4个单位
B . 由样本数据得到的回归直线方程
必经过点
C . 两个相关变量的线性相关系数越接近0,这两个变量的相关性越强
D . 如果一组数据代表的散点全部落到一条斜率为3的直线上,则相关指数
个月)市场占有率
的几组相关对应数据: | | 1 | 2 | 3 | 4 | 5 |
| | 2 | 5 | 11 | 14 | 18 |
根据上表中的数据完成下列问题:
附:最小二乘法估计分别为
,
,其中
,
,
.
关于
的线性回归方程;
现根据散点图利用
或
建立y关于x的回归方程,令
,
得到如下数据:
| | | | | ||||
| 10.15 | 109.94 | 3.04 | 0.16 | ||||
| | | | | | |||
| 13.94 | -2.1 | 11.67 | 0.21 | 21.22 | |||
且(
,
)与(
,
)(i=1,2,3,…,13)的相关系数分别为
,
,且
=﹣0.9953.
参考数据和公式:0.21×21.22=4.4562,11.67×21.22=247.6374,
=15.7365,对于一组数据(
,
)(i=1,2,3,…,n),其回归直线方程
的斜率和截距的最小二乘法估计分别为
,
,相关系数
.
关于x的回归方程;
,当x为何值时,z的预报值最大.
,
的关系可以用模型
拟合,设
, 其变换后得到一组数据如下:
|
|
4 |
6 |
8 |
10 |
|
|
2 |
3 |
5 |
6 |
由上表可得线性回归方程
, 则
.
来刻画回归效果,
越小说明拟合效果越好
C . 某人每次投篮的命中率为
, 现投篮5次,设投中次数为随机变量
, 则
D . 对于独立性检验,随机变量
的观测值k值越小,判定“两分类变量有关系”犯错误的概率越大
与
相对应的一组数据为
, 变量
与
相对应的一组数据为
表示变量
与
之间的线性相关系数,
表示变量
与
之间的线性相关系数,则
和0三者之间的大小关系是.(用符号“<”连接).
的三对观测值为
, 用“最小二乘法”判断下列直线的拟合程度,则效果最好的是( )
B .
C .
D .