Logga in
| 7 sidor teori |
| 19 Uppgifter - Nivå 1 - 3 |
| Varje lektion är menad motsvara 1-2 lektioner i klassrummet. |
Ett spridningsdiagram är ett sätt att visualisera mätdata med två parametrar i ett koordinatsystem. Om man t.ex. mäter höjden på tomatplantor vid olika tidpunkter får man ett antal datapunkter som kan markeras i ett koordinatsystem med tiden som x-koordinat och höjden som y-koordinat. Då har man gjort ett spridningsdiagram.
Om det finns ett samband mellan två eller fler faktorer säger man att de korrelerar. Det finns t.ex. en korrelation mellan längd och ålder (fram till att man slutar växa): ju äldre man är, desto längre är man. Detta kallas för positiv korrelation och innebär att om en variabel ökar så ökar även den andra. Om den ena variabeln däremot minskar när den andra ökar kallas det negativ korrelation.
Ju mer datapunkterna ser ut att följa en viss trend, desto mer korrelerade säger man att de är. Om de ligger nästan exakt på en linje säger man att variablerna är starkt korrelerade medan om de är mer utspridda är de svagt korrelerade.
Korrelationskoefficienten, r, är ett mått på hur stark en korrelation är. Den varierar mellan −1 och 1. Värden nära −1 innebär att korrelationen är stark och negativ, medan en korrelation nära 1 är stark och positiv. Har den värdet 0 finns det ingen korrelation.
I koordinatsystemen visas spridningsdiagram mellan två parametrar.
Värden nära −1 innebär att korrelationen är stark och negativ, medan en korrelation nära 1 är stark och positiv. Har den värdet 0 finns det ingen korrelation.
Vi tittar på diagrammen ett i taget.
Diagram A visar en positiv korrelation, eftersom lutningen är positiv. Det är även en stark korrelation, eftersom punkterna ligger nära en tänkt rät linje. Därför är det korrelationskoefficienten r≈1 som passar bäst.
Spridningsdiagram B verkar inte ha någon positiv eller negativ trend. Därför är korrelationskoefficienten ungefär 0.
Både C och D visar på en negativ korrelation, eftersom det är en negativ lutning. Diagram D har en starkare korrelation än C, eftersom det visar på en tydligare trend. Därför hör C ihop med r≈−0,85 och D med r≈−1.
Diagram | r |
---|---|
A | ≈1 |
B | ≈0 |
C | ≈−0,85 |
D | ≈−1 |
På vintern går både antalet villabränder och bilolyckor upp — de är korrelerade. Däremot kan man inte säga att villabränder får bilar att krocka. Anledningen är att vintern är en gemensam faktor som orsakar både halare väglag och att fler ljus tänds, vilket leder till fler eldsvådor. Det finns en korrelation mellan villabränder och bilolyckor, men ingen kausalitet.
Bestäm om en parameter orsakar den andra.
Analysera fallen ett i taget.
Den första situationen föreslår att det finns en korrelation mellan de arbetade timmarna och den mängd pengar som tjänas. Vanligtvis beror mängden pengar någon tjänar på antalet arbetade timmar. Detta innebär att det finns ett kausalt samband.
Den andra situationen föreslår att det finns en korrelation mellan en students höjd och deras favoritmat. När det gäller favoritmat beror det på personlig preferens. Å andra sidan beror höjden på genetik, inte på maten. Detta innebär att det inte finns ett kausalt samband.
Målen kan referera till många sporter. Låt oss överväga fotboll. Traditionellt bär anfallare och offensiva spelare lägre nummer som 7, 9, 10, och 11. Dock har numret på tröjan ingen effekt på de mål som görs. Då finns det inte något kausalt samband.
När man gör träning som att springa, förbränner vi kalorier. Dessutom, ju mer tid som spenderas på träning, desto fler kalorier förväntas förbrännas. Detta indikerar ett kausalt samband.
Gör ett spridningsdiagram av datan. Ange om datan visar en positiv, en negativ eller ingen korrelation.
Temperatur (∘F), x | 82 | 78 | 68 | 87 | 75 | 71 | 92 | 84 |
---|---|---|---|---|---|---|---|---|
Deltagare (tusental), y | 4,5 | 4,0 | 1,7 | 5,5 | 3,8 | 2,9 | 4,7 | 5,3 |
När man analyserar data med hjälp av ett spridningsdiagram finns det tre allmänna resultat för korrelationen av datan: positiv korrelation, negativ korrelation eller ingen korrelation.
Observation | Typ av korrelation |
---|---|
När x ökar, ökar y. | Positiv |
När x ökar, minskar y. | Negativ |
Det finns inget synligt mönster. | Ingen |
Genom att behandla tabellen som en uppsättning punkter kan vi rita den givna datan som ett spridningsdiagram. Ser du några trender?
Det ser ut som att det finns någon form av korrelation. Låt oss rita en anpassningslinje, eller trendlinje, för att hjälpa oss att identifiera typen av korrelation. För att göra det ritar vi en linje som verkar passa datan bra.
När temperaturen ökar, ökar också antalet deltagare. Detta indikerar en positiv korrelation mellan antalet deltagare och temperaturen.
Berätta om x och y visar en positiv, en negativ eller ingen korrelation.
När man analyserar data med hjälp av ett spridningsdiagram finns det tre allmänna resultat för datans korrelation: positiv korrelation, negativ korrelation eller ingen korrelation.
Observation | Typ av korrelation |
---|---|
När x ökar, ökar y. | Positiv |
När x ökar, minskar y. | Negativ |
Det finns inget synligt mönster. | Ingen |
Nedan har vi återskapat det givna spridningsdiagrammet. Ser du några trender?
Det ser ut som att det finns någon form av korrelation. Låt oss rita en anpassningslinje, eller trendlinje, för att hjälpa oss att identifiera typen av korrelation. För att göra det kommer vi att rita en linje som verkar passa data bra.
När x-värdena ökar, ökar även y-värdena. Detta indikerar en positiv korrelation mellan x och y.
Gör ett spridningsdiagram av datan. Ange om x och y visar en positiv, negativ eller ingen korrelation.
x | 3,1 | 2,2 | 2,5 | 3,7 | 3,9 | 1,5 | 2,7 | 2,0 |
---|---|---|---|---|---|---|---|---|
y | 1 | 0 | 1 | 2 | 0 | 2 | 3 | 2 |
När man analyserar data med hjälp av ett spridningsdiagram finns det tre allmänna resultat för korrelationen av data: positiv korrelation, negativ korrelation eller ingen korrelation.
Observation | Typ av korrelation |
---|---|
När x ökar, ökar y. | Positiv |
När x ökar, minskar y. | Negativ |
Det finns inget synligt mönster. | Ingen |
Genom att behandla tabellen som en uppsättning punkter kan vi rita den givna datan som ett punktdiagram. Ser du några trender?
När man tittar på grafen verkar det inte finnas någon igenkännlig trend. Därför kan vi dra slutsatsen att x och y visar ingen korrelation.
Din vän säger att datan i tabellen visar en negativ korrelation eftersom den beroende variabeln y minskar. Har din vän rätt? Förklara.
x | 14 | 12 | 10 | 8 | 6 | 4 | 2 |
---|---|---|---|---|---|---|---|
y | 4 | 1 | 0 | −1 | −2 | −4 | −5 |
För att se om din vän har rätt eller inte, låt oss rita punkterna som ges av tabellen.
När vi tittar på grafen kan vi lätt se att korrelationen är positiv, den går uppåt och åt höger. Vad tänkte inte vår vän på när han sa att korrelationen var negativ? Han tittade bara på y-värdena. De minskar faktiskt, men det gör även x-värdena. Om vi tittar på tabellen i omvänd ordning är det uppenbart en positiv korrelation.
x | 2 | 4 | 6 | 8 | 10 | 12 | 14 |
---|---|---|---|---|---|---|---|
y | - 5 | - 4 | - 2 | - 1 | 0 | 1 | 4 |
Matcha varje graf med dess korrelationskoefficient. Förklara din resonemang.
Vi kan titta på varje spridningsdiagram och försöka avgöra hur väl anpassningslinjen representerar datan. Vi kommer att försöka avgöra om det är en stark eller svag korrelation och om det är en positiv eller negativ korrelation. Låt oss titta på de fyra givna graferna.
Eftersom lutningen på anpassningslinjen är positiv har datan en positiv korrelation. Det finns två alternativ, r_2 och r_4, med positiva korrelationskoefficienter. För att avgöra vilken som är korrekt måste vi ta reda på om denna data har en svag eller stark korrelation. Låt oss titta på de andra spridningsdiagrammen för data som har positiv korrelation.
Denna data har en svagare korrelation än datan i graf A. Därför vet vi att den starkare positiva korrelationen av r_2 är associerad med graf A och den svagare positiva korrelationen av r_4 beskriver graf D.
Graf B har en stark negativ korrelation. Därför matchar vi den med r_3.
Graf C har ingen korrelation. Därför beskriver r_1 datans beteende.
Låt oss sammanfatta vad vi har hittat. GrafA &→ r_2 = 0,98 GrafB &→ r_3= -0,97 GrafC &→ r_1=0 GrafD &→ r_4=0,69
Låt oss undersöka de fyra givna situationerna och avgöra vilken av dem som inte hör till gruppen.
Situationen vi får frågar oss att överväga ett förhållande mellan:
Arbetade timmar och intjänad summa pengar
Mängden pengar du tjänar beror ofta på antalet timmar du arbetar. Det finns en positiv korrelation mellan dem.
Den andra situationen ber oss att titta på:
Höjd på en idrottare och favoritfärg
Det finns inget samband mellan dessa variabler. Favoritfärg beror på personliga preferenser, inte genetik. Därför finns det ingen korrelation
mellan dem.
Nästa situation handlar om växters tillväxt:
Plantor som växer i genomsnitt 2 centimeter varje vecka
Plantornas tillväxt beror på tiden. Allt eftersom tiden går kommer friska plantor att växa. Därför finns det en positiv korrelation
mellan de två variablerna.
Nu, för den fjärde och sista situationen:
Antal foton som lagras på en kamera och kamerans kapacitet
Antalet foton beror på kamerans kapacitet. När kamerans kapacitet ökar kan även antalet foton öka. Därför finns det en positiv korrelation
mellan de två variablerna.
Situation B hör inte till den här gruppen eftersom den inte har någon korrelation
mellan sina variabler, medan alla de andra situationerna har en positiv korrelation.
Fyll i det tomma utrymmet.
När data visar en positiv korrelation tenderar den beroende variabeln att när den oberoende variabeln ökar. |
Korrelation i ett spridningsdiagram är starkt relaterat till lutningen för en linjär funktion. En lutning är positiv om den går uppåt och åt höger och är negativ om den går nedåt och åt höger. På samma sätt är en korrelation positiv om den går uppåt och åt höger och den är negativ om den går nedåt och åt höger.
När du rör dig uppåt i en graf ökar y-värdena. När du rör dig åt höger ökar x-värdena. Därför, när data visar en positiv korrelation, tenderar både de oberoende och beroende variablerna att öka.
När data visar en positiv korrelation tenderar den beroende variabeln att öka när den oberoende variabeln ökar.
En korrelationskoefficient berättar två saker:
Låt oss titta på vad vart och ett av de givna värdena på r säger oss.
r | Positiv eller negativ? | Stark eller svag? |
---|---|---|
-0,98 | Negativ | Stark |
0,96 | Positiv | Stark |
-0,09 | Negativ | Svag |
0,97 | Positiv | Stark |
Den enda korrelationskoefficienten som inte matchar funktionerna hos en annan är r=-0,09. Det är en extremt svag anpassning, mindre än 10 % av datapunkterna kan approximeras med anpassningslinjen. De andra tre värdena för r är extremt starka korrelationer, nästan alla datapunkter kan förklaras av anpassningslinjen.
När vi använder grafräknare för att hitta en ekvation för den bästa anpassningslinjen, kan vi erhålla korrelationskoefficienten r. Värdet på r beskriver riktningen och styrkan hos ett linjärt förhållande mellan två mått.
Vi kan se att ju närmare värdet på r är 1, desto starkare positiv korrelation har vi. På liknande sätt representerar värden på r som är nära -1 en mycket stark negativ korrelation. Med andra ord är korrelationen starkare när absolutbeloppet av dess koefficient r är närmare 1. Svag korrelation: & |r|≈ 0 Stark korrelation: & |r|≈ 1 Vi vill bestämma vilken av de givna korrelationerna som indikerar ett starkare förhållande. -0,98och 0,91 Vi kan se att -0,98 representerar negativ korrelation medan 0,91 beskriver positiv korrelation. För att välja den koefficient som antyder en starkare korrelation måste vi jämföra deras absolutbelopp. Om de båda var i samma riktning, kunde vi enklare jämföra dem. Låt oss använda absolutbeloppen i det här fallet!
Vi kan se att absolutbeloppet av -0,98 är större än absolutbeloppet av 0,91. Därför är -0,98 närmare -1 än 0,91 är till 1. Detta betyder att -0,98 indikerar ett starkare förhållande.