自变量间的相关分析（自变量中间的关联有几种）
（1）会作2个有关系自变量的数据信息的散点图，会运用散点图了解自变量间的相关分析.
（2）掌握最小二乘法的观念，能依据得出的线形线性回归方程指数公式计算创建线形线性回归方程.
多米回归分析
掌握多米回归分析的基本上观念、方式以及简易运用.
知识要点详细说明1．相关分析
当变量赋值一定时，自变量的赋值含有一定的偶然性，则这两个自变量中间的关联称为相关分析．即相关分析是一种非可预测性关联．
当一个自变量的值由小增大时，另一个自变量的值也由小增大，则这两个自变量正网有关；
当一个自变量的值由小增大时，而另一个自变量的值由大缩小，则这两个自变量成反比.
【留意】相关分析与函数关系的不同点点：
相同点：二者全是指2个自变量间的关联．
不同之处：函数关系是一种可预测性关联，反映的是逻辑关系；而相关分析是一种非可预测性关联，反映的不一定是逻辑关系，可能是随着关联．
2．散点图
从散点图上看，点散播在从左下方到右上方的地区内，2个自变量的这类相关分析称之为成正比，点散播在从左上方到右下方的地区内，2个自变量的相关分析为成反比．
具备成正比关联的2个自变量的散点图如图所示1，具备成反比关联的2个自变量的散点图如图2.
3．多米回归分析
假如散点图圆心的遍布从总体上看大概在一条平行线周边，则这两个自变量中间具备线性相关关联，这条平行线称为回归直线．
回归直线相匹配的方程组称为重归直线方程(通称线性回归方程)．
4．线性回归方程的求得
5．相关系数r
（1）样版相关系数r的计算方法
6．非线性回归剖析
对一些独特的离散系统关联，能够 根据自变量变换，把非线性回归难题转换成线性回归难题，随后用线性回归的方式开展科学研究．
在很多的具体难题中，所科学研究的两网个自变量不一定都呈线性相关关联，当两自变量y与x不具备线性相关关联时，要依靠散点图，与已学过的涵数(如对数函数、对数函数、幂函数等)的图像相较为，寻找适合的函数模型，运用自变量代用转换为线性函数关联，进而使难题得到处理．
7．描绘重归实际效果的方法
考向剖析考向一 相关分析的分辨
考向二 线形线性回归方程及运用
考向三 离散系统线性回归方程及运用
求离散系统线性回归方程的流程网：
1．明确自变量，做出散点图．
2．依据散点图，挑选适当的拟合函数．
3．自变量换置，根据自变量换置把非线性回归难题转换为线性回归难题，并算出线形线性回归方程．
4．剖析线性拟合实际效果：根据测算相关指数或画残差图来分辨线性拟合实际效果．
5．依据相对应的转换，写下离散系统线性回归方程．