统计某产品的广告费用x与销售额y的一组数据如下表:
广告费用 |
2 |
3 |
5 |
6 |
销售额 |
7 |
|
9 |
12 |
若根据上表提供的数据用最小二乘法可求得对的回归直线方程是,则数据中的的值应该是( )
A.7.9 B.8 C.8.1 D.9
.某车间为了规定工时定额,需要确定加工零件所花费的时间,为此作了四次试验,得到的数据如下:
零件的个数x(个) |
2 |
3 |
4 |
5 |
加工的时间y(小时) |
2.5 |
3 |
4 |
4.5 |
则y关于x的线性回归方程为( )
A.="x" B.="0.8x+2.05"
C.=0.7x+1.05 D. =0.6x+0.95
注:=,=- ,=x+
有关线性回归的说法,不正确的是( )
A.相关关系的两个变量不是因果关系 |
B.散点图能直观地反映数据的相关程度 |
C.回归直线最能代表线性相关的两个变量之间的关系 |
D.任一组数据都有回归方程 |
下表是某工厂1~4月份用电量(单位:万度)的一组数据:
月份 |
1 |
2 |
3 |
4 |
用电量 |
4.5 |
4 |
3 |
2.5 |
由散点图可知,用电量与月份间有较好的线性相关关系,其线性回归直线方程是,则( )
A.10.5 B.5.25 C.5.2 D.5.15
经统计,某地的财政收入与支出满足的线性回归模型是(单位:亿元),其中为随机误差,如果今年该地区财政收入10亿元,则年支出预计不超出( )
A.10亿 | B.11亿 | C.11.5亿 | D.12亿 |
某考察团对全国10大城市进行职工人均平均工资与居民人均消费进行统计调查, 与具有相关关系,回归方程 (单位:千元),若某城市居民消费水平为7.675,估计该城市消费额占人均工资收入的百分比为( )
A.66% | B.72.3% |
C.67.3% | D.83% |
一位母亲记录了她的儿子3~9岁的身高数据,并由此建立身高与年龄的回归模型为y=7.19x+73.93,用这个模型预测她的儿子10岁时的身高,则正确的叙述是
A.身高一定是145.83 cm | B.身高在145.83 cm以上 |
C.身高在145.83 cm左右 | D.身高在145.83 cm以下 |
某产品的广告费用与销售额的统计数据如下表:
广告费用(万元) |
4 |
2 |
3 |
5 |
销售额(万元) |
49 |
26 |
39 |
54 |
根据以上表可得回归方程中的为据此模型预报广告费用为万元时销售额为( )
A.63.6万元 B. 65.5万元 C.67.7万元 D.72.0万元
如果散点图中所有的样本点均在同一条直线上,那么残差平方和与相关系数分别为 ( )
A.1,0 | B.0,1 | C.0.5,0.5 | D.0.43,0.57 |
下面是一个2×2列联表:
则表中a、b处的值分别为 ( )
A.94、96 | B.52、50 | C.52、60 | D.54、52 |
.有下列数据下列四个函数中,模拟效果最好的为( )
x |
1 |
2 |
3 |
y |
3 |
5.99 |
12.01 |
A.y=3×2x-1 B.y=log2x
C.y=3x D.y=x2
右表提供了某厂生产某种产品过程中记录的产量x(吨)与相应的生产能耗y(吨标准煤)的几组对应数据.根据右表提供的数据,求出y关于x的线性回归方程为=0.7x+0.35,那么表中t的值为( )
A.3 | B.3.15 | C.3.5 | D.4.5 |
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 |
试题篮
()