11年生
  1. 代数  1.1. 代数における数列と級数の理解  1.1.1. 等差数列の理解  1.1.2. 等差数列  1.1.3. 幾何数列の理解  1.1.4. 等比数列を理解する  1.1.5. 収束と発散  1.1.6. 代数学における「無限への和」を理解する  1.1.7. シグマ記法  1.2. 複素数  1.2.1. 虚数と複素数の理解  1.2.2. 複素数の演算  1.2.3. 複素数の極形式とデカルト形式  1.2.4. 複素数の共役  1.2.5. 絶対値と偏角  1.2.6. ド・モアブルの定理  1.2.7. 複素数の冪乗と根  1.3. 二項定理  1.3.1. 二項式の展開  1.3.2. 二項定理の一般的な用語  1.3.3. 二項係数  1.3.4. 二項定理の応用  1.3.5. パスカルの三角形
  2. 関数とグラフ  2.1. タスクのタイプ  2.1.1. 多項式関数  2.1.2. 有理関数  2.1.3. 指数関数  2.1.4. 対数関数  2.1.5. 三角関数  2.1.6. 断片的な作業  2.2. 関数の変換  2.2.1. 変換  2.2.2. 関数の変換における反射の理解  2.2.3. ストレッチとストレッチ  2.2.4. 関数とグラフにおける回転の理解  2.3. 逆関数  2.3.1. 逆を見つける  2.3.2. 逆関数のグラフ  2.3.3. 逆関数の性質  2.3.4. 逆関数の制限
  3. 三角法  3.1. 三角比と恒等式  3.1.1. 基本的な三角比  3.1.2. 三角法におけるピタゴラスの恒等式の理解  3.1.3. 和差公式  3.1.4. 二倍角の公式  3.1.5. 三角法における半角公式の理解  3.1.6. 積和公式と和積公式  3.2. 三角方程式  3.2.1. 三角方程を解く  3.2.2. 三角方程式における一般解  3.3. 三角関数のグラフ  3.3.1. 正弦グラフ  3.3.2. コサイングラフの理解  3.3.3. 正接グラフ  3.3.4. 振幅と期間の調整  3.3.5. 三角関数のグラフにおける位相変化  3.4. 三角法の応用  3.4.1. 正弦定理と余弦定理  3.4.2. 三角形の面積  3.4.3. 三角形の解法  3.4.4. ベアリングとナビゲーション
  4. 微分積分学入門  4.1. 微積分における限界と連続体の理解  4.1.1. 極限の概念  4.1.2. 一方の極限  4.1.3. 無限の極限を理解する  4.1.4. 関数の連続性  4.1.5. 不連続性の種類  4.2. 差別化  4.2.1. 導関数の定義  4.2.2. 微分の規則  4.2.3. 高次導関数  4.2.4. 連鎖律  4.2.5. 積の法則  4.2.6. 微分法における商の法則の理解  4.3. 微分の応用  4.3.1. 変化率  4.3.2. 接線と法線  4.3.3. 最大値と最小値  4.3.4. 増加関数と減少関数の理解  4.3.5. 最適化問題  4.3.6. 曲線をグラフ化する  4.3.7. 微分の応用における関連レート  4.4. 積分とは何ですか？  4.4.1. 不定積分  4.4.2. 不定積分  4.4.3. 定積分  4.4.4. 微分積分学の基本定理  4.4.5. 積分の技法  4.4.6. 積分における曲線の下の面積の理解  4.5. 積分の応用  4.5.1. 曲線間の面積  4.5.2. 回転体の体積  4.5.3. 微積分での関数の平均値を理解する
  5. ベクトルと行列  5.1. ベクトル  5.1.1. 紹介  5.1.2. ベクトルの演算  5.1.3. 内積の理解  5.1.4. クロス積  5.1.5. 幾何学における応用  5.1.6. ベクトルの射影  5.2. 行列  5.2.1. 行列の種類  5.2.2. 行列演算の理解  5.2.3. 行列式  5.2.4. 行列の逆行列  5.2.5. 線形方程式系の解法  5.2.6. クラメルの定理
  6. 確率と統計  6.1. 数学における確率の理解  6.1.1. 基本的な確率の概念  6.1.2. 条件付き確率  6.1.3. 確率における独立事象と従属事象の紹介  6.1.4. ベイズの定理  6.1.5. 組合せ確率  6.2. 確率変数  6.2.1. 離散確率変数  6.2.2. 連続確率変数  6.2.3. 確率分布  6.3. 確率分布  6.3.1. 二項分布を理解する  6.3.2. 正規分布  6.3.3. ポアソン分布  6.3.4. 均等な分布  6.4. 図  6.4.1. 代表値の尺度  6.4.2. 散布度の測定  6.4.3. データ収集と表現  6.4.4. 相関と回帰  6.4.5. サンプリング技術
  7. 座標幾何  7.1. 座標幾何学における直線  7.1.1. 座標幾何学における傾きと切片の形式  7.1.2. 直線の距離公式  7.1.3. 座標幾何における中点公式の理解  7.1.4. 線間の角度  7.1.5. 直線の方程式  7.2. 円錐曲線  7.2.1. 円  7.2.2. 放物線の紹介  7.2.3. 円錐曲線における楕円  7.2.4. 円錐曲線における双曲線の理解  7.2.5. 円錐の特性  7.2.6. 円錐曲線のパラメトリック方程式  7.2.7. 円錐曲線の極座標
  8. 算術論理  8.1. 数学的論理における論理の紹介  8.1.1. 文と論理結合子  8.1.2. 真理値表  8.1.3. 論理的同値  8.1.4. 数学論理における論理の量化子  8.1.5. 証明技法  8.2. 数学的論理における証明の理解  8.2.1. 直接証拠  8.2.2. 間接的証明  8.2.3. 背理法の理解  8.2.4. 数学的帰納法による証明

11年生 → 確率と統計 → 図 ↓


相関と回帰


はじめに

統計学において、2つの変数間の関係性を理解することは重要です。これにより、1つの変数が別の変数にどのように影響を与えるかを明らかにすることができます。これらの関係性を理解するための2つの重要な概念は「相関」と「回帰」です。これらの概念は、変数が互いに関連しているかどうか、またどの程度強く関連しているかを調査することを可能にします。これらの興味深いトピックを詳細に議論しましょう！

相関

相関は、通常XとYで表される2つの変数間の関係の大きさと方向を示す統計指標です。それにより、変数が一緒に動くかどうか（そして一緒に動く場合は、同じ方向に動くのか反対方向に動くのか）を教えてくれますが、因果関係を示すわけではありません。

相関の理解

2つの変数が相関している場合、それらの間に生じる変化に予測可能なパターンがあることを意味します。相関は正、負、またはゼロのいずれかです。

  • 正の相関: 1つの変数が増加すると、もう1つも増加します。たとえば、勉強時間と試験で得られるスコアの関係は正の相関を示すかもしれません。
  • 負の相関: 1つの変数が増加すると、もう1つは減少します。週に見る映画の本数と勉強時間の関係がその例です。
  • 無相関（ゼロ相関）: 予測される変化が変数を結びつけません。たとえば、目の色と知能レベルの関係は無相関を示すと期待されます。

相関の視覚的な例

散布図では、2つの変数間の相関が視覚的に表示されます：

正の相関 負の相関 無相関

相関を数学的に表現する

最も一般的に使用される相関係数はピアソンの相関係数であり、rで表されます。計算式は次のとおりです：

R = Σ((X_i - X̄)(Y_i - Ȳ)) / (√(Σ(X_i - X̄)² * Σ(Y_i - Ȳ)²))

ここで：

  • X_iとY_iは異なるデータポイントです。
  • X̄はX値の平均で、ȲはY値の平均です。
  • rの範囲は-1から+1です。

r = 1の場合、完全な正の線形関係を示します。r = -1の場合、完全な負の線形関係です。rの値が0に近い場合、線形関係は存在しないことを意味します。

例

次のような単純なデータセットを考慮してください：

  • X: 1, 2, 3, 4, 5
  • Y: 2, 4, 5, 4, 5

XとYの相関を決定するために、上記の数式を適用する必要があります。

回帰

相関が2つの変数間の関係の強さと方向を測定する一方で、回帰は別の変数に基づいて1つの変数を予測することについてです。それは独立変数（X）を使用して従属変数（通常Yで示される）を予測します。

回帰の理解

回帰は、独立変数の1つを変更し、他の独立変数を一定に保ったときに、従属変数の特定の値がどのように変化するかを理解するのに役立ちます。その最も単純な形は線形回帰であり、線で表されます。

線形回帰

線形回帰は、観測データに線形方程式をフィットさせることにより、2つの変数間の関係をモデル化しようとします。線方程式は通常次のように表されます：

y = a + bx

ここで：

  • Yは予測しようとしている従属変数です。
  • Xは予測に使用する独立変数です。
  • aは切片で、X=0のときのYの値です。
  • bは勾配で、Xの1単位の変化に対するYの変化を表します。

回帰の視覚的な例

データポイントに沿って線を引くことは、次のような散布図によく見られます：

最小二乗法による線

赤い線は最小二乗法による線または回帰線と呼ばれます。すべてのポイントから線への距離を最小化する方法として知られています。

回帰線の数学的な見つけ方

勾配bと切片aを計算するための数式は次のとおりです：

B = Σ((X_i - X̄)(Y_i - Ȳ)) / Σ((X_i - X̄)²)
a = Ȳ − bx̄

これらの数式は、線からの観測値の二乗差を最小化することから導出されます。

例

最初のデータセットを変数X: [1, 2, 3, 4, 5] とY: [2, 4, 5, 4, 5] で使用します。

  • 最初にX̄とȲを計算します。
  • その後、上記の数式を使用してbとaを決定します。

計算後：

b = 0.6
a = 2.2
Y = 2.2 + 0.6X

したがって、回帰方程式はY = 2.2 + 0.6Xになります。

主要な違いと要約

  • 目的: 相関は関係の方向と強度を測定します。しかし、回帰は1つの変数から別の変数をモデル化および予測します。
  • 依存性: 相関は原因と結果に依存しません。理論的には、回帰は依存する方向性を仮定します。
  • 対称性: 相関は対称的です。corr(X, Y) = corr(Y, X) です。回帰は方向を変えます。なぜならY = a + bX と X = c + dY が同一ではないからです。

結論として、相関と回帰は変数間の関係に関する貴重な洞察を提供します。これらの概念を理解することは、多くの分野でのデータ分析にとって重要であり、高度な統計モデルの重要な基礎を提供します。


11年生 → 6.4.4


U
username
0%
完了までの時間 11年生

← 前 (6.4.3)
データ収集と表現
次へ (6.4.5) →
サンプリング技術

コメント 



相関と回帰

https://www.buddymath.com/g11/6.4.4?bmal=ja