某厂生产白水泥,对每一窑生产的水泥都需要测定其抗压强度,以确定水泥标号,一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂,所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi(i=1,2,…,26),并求得如下结果:x=20.0,y=30.0,Lxx=35.0,Lxy=35.0,Lyy=70.0上面获得回归方程可否预测15天和35天的抗压强度?()
某地区2002~2013年统计某种产品消费量(Y)及同期相关产业产值(X)得出如下数据:∑xi2=28.68∑yi=80.4,=8.94∑xi=16.2,=1.62∑xiyi=154.33,用一元线性回归模型的回归系数是()。
某厂生产白水泥,对每一窑生产的水泥都需要测定其抗压强度,以确定水泥标号,一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂,所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi(i=1,2,…,26),并求得如下结果:x=20.0,y=30.0,Lxx=35.0,Lxy=35.0,Lyy=70.0可以通过()判断x与y之间是有相关的关系。
为验证某产品的强度y与产品中碳的含量x是否有关,检验员收集了n组数据(xi,yi),i=1、2、...、n。检验员可以通过画()分析数据的相关性。
一维数据插值的函数yi=interp1(x,y,xi,’linear’)表示()。
在回归分析中,若n对数据(xi,yi)中某个x与其它数据相比,突出太大或太小,则()
某厂生产白水泥,对每一窑生产的水泥都需要测定其抗压强度,以确定水泥标号,一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂,所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi(i=1,2,…,26),并求得如下结果:x=20.0,y=30.0,Lxx=35.0,Lxy=35.0,Lyy=70.0y关于x的一元线性回归方程=A+Bx中A与B应该是()
一维数据插值的函数yi=interp1(x,y,xi,’nearest’)表示()。
许多工作需要用曲线来拟合平面上一批离散的点,以便于直观了解趋势,也便于插值和预测。例如,对平面上给定的n个离散点{(Xi,Yi)i=1,…,n},先依次将每4个点分成一组,并且前一组的尾就是后一组的首;再对每一组的4个点,确定一段多项式函数曲线使其通过这些点。一般来说,通过给定的4个点可以确定一条()次多项式函数曲线恰好通过这4个点。
一维数据插值的函数yi=interp1(x,y,xi,’cubic’)表示()。
若收集了n组数据(xi,yi),(i=1,2,……,n)求得两个变量间的相关系数为0,是下列说法()是正确的。
定直线在第一象限,起点为坐标原点,终点坐标为I(Xe,Ye),动点坐标为I(Xi,Yi),用逐点比较法进行插补运算时,判别方程为:Fi=YiXe-XiYe,当Fi>0时,表明()。
某厂生产白水泥,对每一窑生产的水泥都需要测定其抗压强度,以确定水泥标号,一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂,所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi(i=1,2,…,26),并求得如下结果:x=20.0,y=30.0,Lxx=35.0,Lxy=35.0,Lyy=70.0如果求得7天的抗压强度为26,那么可以预测28天的抗压强度为()。
由两个变量的10组数据(χi,yi),i=1,2,…,10,计算得到。 https://assets.asklib.com/psource/2014082618132386161.png 为()。
一维数据插值的函数yi=interp1(x,y,xi,’spline’)表示()。
收集了行组数据(χi,yi),i=1.2,……,n,为了解变量χ与y间是否有相关关系,可以画()加以考查。
若收集了n组数据(Xi,Yi)(i=1,2,…,n),求得两个变量间的相关系数为1,则下列说法正确的是()。
逐点比较法直线插补的偏差判别式函数为:F=Xi2+Yi2-D2。
通过最小二乘估计,得到某地区某种钢板消费量(Y)与同期第二产业产值(X)的一元线性回归方程为y=-7.55+9.59x,经计算∑(yi-yi’)2=11.87,∑(xi-x)2=1.56,取α=0.05,对其进行t检验,结论是()。(已知t(0.05,8)=1.86;t(0.025,8)=2.36,n=10)
两个变量(x,y),其观测值为(xi,yi),i=1,2,…,n。当相关系数的绝对值|r|大于某个临界值时,就认为它们
对模型yi=β0+β1χ1i+β2χ2i+μi的最小二乘回归结果显示,R2为0.92,总离差平方和为500,则残差平方和RSS为()。
对于线性回归模型Yi=0+β1Xi+Ui,有关的β1方差的估计量的说法错误的是()。
在“示范性”假设消费函数模型Ci=α0Yi+α1Yiˉ+μi(t=1,2,L,T)中,待估参数α0反映个人的边际消费倾
行业集中度的计算公式为:CRn=∑xi(i=1,2,…,n)/∑xi(i=1,2,…,N),公式中CRn表示产业中规模最大的前n