标准曲线最小二乘法拟合与相关系数
标准曲线的最小二乘法拟合和相关系数
(合肥工业大学控释药物研究室 尹情胜)
1目的
用最小二乘法拟合一组变量(, i = 1-n )之间的线性方程(y = ax+b ),表示两 变量间的函数关系;(开创者:德国数学家高斯)个人收集整理勿做商业用途
一组数据(,,i = 1-n )中,两变量之间的相关性用相关系数(R )来表示。(开 创者:英国统计学家卡尔 皮尔逊)个人收集整理勿做商业用途
2最小二乘法原理
用最小二乘法拟合线性方程时,其目标是使拟合值( 方和(Q )最小。
n
n
Q=g
(并-E (Yj —axj-b/
整理勿做商业用途
3拟合方程的计算公式与推导
当Q 最小时,加 % ;得到式(2)、式(3):
n
n n ai =
+ b£xj 一 £xiyj = 0
1 = 1
[ = 1 i = 1
dQ
db = 2
由式(3)和式(4),得出式(4)和式(5):
忖)与实测值()差值的平
式( 1)个人收集
式(2)
n
n
(aj^x.+nb-
i = i
j = i
整理勿做商业用途
式(3)个人收集
n n n
^Vi=a^\ + b^x i i = 1 i = 1 i = 1 理勿做商业用途
n n
S y i = a E X i + nb i = 1 i = 1
收集整理勿做商业用途
个人收集整理勿做商业用途
截距b的计算公式为公式(5),也即:
I 11n
i= 1 i = 1 式(4)个人收集整
式(5)个人
n
式(4)乘以门,式(5)乘以已1,两式相减并整理得斜率a:
n n n
i = 1 i = 1 i = 1
斜率(k = xy /xx , n* 积和-和积)式(6)截距 b =(y-x) / n,差平均差)式(7)
4相关系数的意义与计算公式
相关系数(相关系数的平方称为判定系数)是用以反映变量之间相关关系密切程度 的统计指标。
相关系数(也称积差相关系数)是按积差方法计算,同样以两变量与各自平均值的 离差为基础,通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系 数。个人收
集整理勿做商业用途
相关系数r xy 取值在-1到1之间。r xy = 0时,称x,y 不相关;| r xy | = 1时,称x,y 完 全相关,此时,x,y 之间具有线性函数关系;| r xy | < 1时,X 的变动引起Y 的部分变动, r xy 的绝对值越大,x 的变动引起y 的变动就越大,|r xy | > 0.8时称为高度相关,当0.5< | r xy |<0.8时称为显著相关,当
0.3<| r xy |<0.5时,成为低度相关,当| r xy | < 0.3时,称为
无相关。个人收集整理勿做商业用途
式(7)
个人收集整理勿做商业用途
5临界相关系数的意义
5.1临界相关系数中显著性水平(a )与置信度
显著性水平取0.05,表示置信度为95%;取0.01,置信度就是99%。个人收集整理勿做
商业用途
在正常的分布条件下,一般要求实际值位于置信区间的概率应该在 95%以上,这个 置信区间为丫 土 2S ,从而置信区间的上下限分别为:Y 1=a+bX+2S , Y 2=a+bX-2S 。个人收 集整理
勿做商业用途
5.2临界值表中自由度(f )
自由度(degree of freedom, f 在数学中能够自由取值的变量个数,如有3个变量x 、y 、 z ,但x+y+z=18,因此其自由度等于2。在统计学中,自由度指的是计算某一统计量时, 取值不受限制的变量个数。通常f=n-k 。其中n 为样本含量,k 为被限制的条件数或变量 个数,或计算某一统计量时用到其它独立统计量的个数。自由度通常用于抽样分布中。
Lxy/VLxxLyy)
P )的关系
i = 1
个人收集整理勿做商业用途
f=n—p—1
其中:n为样本数(点的个数),p为因子数(p元回归,一元线性回归, P= 1) 0
5.3相关系数临界值表
附表7. 相关系数临界值表(自由度f = n-2)
n —2 a
0.10 0.05 0.02 0.01 0.001
1 2 3 4 5 6 7 8 9
10
11
12
13
14
15
16
17
18
19
20 25 30 35 40 45 50 60 70 80 90 100 0.987 69
0.900 00
0.805 4
0.729 3
0.669 4
0.621 5
0.582 2
0.549 4
0.521 4
0.497 3
0.476 2
0.457 5
0.440 9
0.425 9
0.412 4
0.400 0
0.388 7
0.378 3
0.368 7
0.359 8
0.323 3
0.296 0
0.274 6
0.257 3
0.242 8
0.230 6
0.210 8
0.195 4
0.182 9
0.172 6
0.163 8
0.099 692
0.950 00
0.878 3
0.811 4
0.754 5
0.706 7
0.666 4
0.631 9
0.602 1
0.576 0
0.552 9
0.532 4
0.513 9
0.497 3
0.482 1
0.468 3
0.455 5
0.443 8
0.432 9
0.422 7
0.380 9
0.349 4
0.324 6
0.304 4
0.287 5
0.273 2
0.250 0
0.231 9
0.217 2
0.205 0
0.194 6
0.999 507
0.980 00
0.934 33
0.882 2
0.832 9
0.788 7
0.749 8
0.715 5
0.685 1
0.658 1
0.633 9
0.612 0
0.592 3
0.574 2
0.557 7
0.542 5
0.528 5
0.515 5
0.503 4
0.492 1
0.445 1
0.409 3
0.381 0
0.357 8
0.338 4
0.321 8
0.294 8
0.273 7
0.256 5
0.242 2
0.230 1
0.999 877
0.990 00
0.958 73
0.917 20
0.874 5
0.834 3
0.797 7
0.764 6
0.734 8
0.707 9
0.683 5
0.661 4
0.641 1
0.622 6
0.605 5
0.589 7
0.575 1
0.561 4
0.548 7
0.536 8
0.486 9
0.448 7
0.418 2
0.393 2
0.372 1
0.354 1
0.324 8
0.301 7
0.283 0
0.267 3
0.254 0
0.999 998 8
0.999 00
0.991 16
0.974 06
0.950 74
0.924 93
0.898 2
0.872 1
0.847 1
0.823 3
0.801 0
0.780 0
0.760 3
0.742 0
0.724 6
0.708 4
0.693 2
0.678 7
0.665 2
0.652 4
0.597 4
0.554 1
0.518 9
0.489 6
0.464 8
0.443 3
0.407 8
0.379 9
0.356 8
0.337 5
0.321 1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25
30
35
40
45
50
60
70
80
90
100