题目内容
5.某公司为确定下一年度投入某种产品的宣传费,需了解年宣传费x(单位:千元)对年销售量y(单位:t)和年利润z(单位:千元)的影响,对近8年的年宣传费x1和年销售量y1(i=1,2,…,8)数据作了初步处理,得到下面的散点图及一些统计量的值.| $\overrightarrow x$ | $\overrightarrow y$ | $\overrightarrow w$ | $\sum_{i=1}^n{{{({x_i}-\overline x)}^2}}$ | $\sum_{i=1}^n{{{({w_i}-\overline w)}^2}}$ | $\sum_{i=1}^n{({x_i}-\overline x)({y_i}-\overline y)}$ | $\sum_{i=1}^n{({w_i}-\overline w)({y_i}-\overline y)}$ |
| 46.6 | 56.3 | 6.8 | 289.8 | 1.6 | 1469 | 108.8 |
(Ⅰ)根据散点图判断,y=a+bx与y=c+d$\sqrt{x}$哪一个适宜作为年销售量y关于年宣传费x的回归方程类型?(给出判断即可,不必说明理由)
(Ⅱ)根据(Ⅰ)的判断结果及表中数据,建立y关于x的回归方程;
(Ⅲ)已知这种产品的年利率z与x、y的关系为z=0.2y-x.根据(Ⅱ)的结果回答下列问题:
(1)年宣传费x=49时,年销售量及年利润的预报值是多少?
(2)年宣传费x为何值时,年利率的预报值最大?
附:对于一组数据(u1,v1),(u2,v2),…,(un,vn),其回归线v=α+βu的斜率和截距的最小二乘估计分别为:$\widehatβ$=$\frac{{\sum_{i=1}^n{({u_i}-\overline u)({v_i}-\overline{v)}}}}{{\sum_{i=1}^n{{{({u_i}-\overline u)}^2}}}}$,$\widehatα$=$\overline v$-$\widehatβ\overline u$.
分析 (Ⅰ)根据散点图,即可判断出,
(Ⅱ)先建立中间量$w=\sqrt{x}$,建立y关于w的线性回归方程,根据公式求出w,问题得以解决;
(Ⅲ)(i)年宣传费x=49时,代入到回归方程,计算即可,
(ii)求出预报值得方程,根据函数的性质,即可求出.
解答 解:(Ⅰ)由散点图可以判断,$y=c+d\sqrt{x}$适合作为年销售y关于年宣传费用x的回归方程类型.…(2分)
(Ⅱ)令$w=\sqrt{x}$,先建立y关于w的线性回归方程,由于$\widehatd=\frac{{\sum_{i=1}^8{({w_i}-\overline w)({y_i}-\overline y)}}}{{\sum_{i=1}^8{{{({w_i}-\overline w)}^2}}}}$=$\frac{108.8}{16}=68$,
∴$\widehatc=\overline y-\widehatd\overline w$=563-68×6.8=100.6.
∴y关于w的线性回归方程为$\widehaty=100.6+68w$,
∴y关于x的回归方程为$\widehaty=100.6+68\sqrt{x}$.…(6分)
(Ⅲ)(ⅰ)由(Ⅱ)知,当x=49时,年销售量y的预报值$\widehaty=100.6+68\sqrt{49}$=576.6,$\widehatz=576.6×0.2-49=66.32$.…(9分)
(ⅱ)根据(Ⅱ)的结果知,年利润z的预报值$\widehatz=0.2(100.6+68\sqrt{x})-x=-x+13.6\sqrt{x}+20.12$,
∴当$\sqrt{x}$=$\frac{13.6}{2}=6.8$,即x=46.24时,$\widehatz$取得最大值.
故宣传费用为46.24千元时,年利润的预报值最大.…(12分)
点评 本题主要考查了线性回归方程和散点图的问题,准确的计算是本题的关键,属于中档题.
| A. | 8+π | B. | 8+4π | C. | 16+4π | D. | 16+π |
| x(s) | 5 | 10 | 15 | 20 | 30 | 40 | 50 | 60 | 70 | 90 | 120 |
| y(μm) | 6 | 10 | 10 | 13 | 16 | 17 | 19 | 23 | 25 | 29 | 46 |
(2)求y对x的回归直线方程;
(3)试预测腐蚀时间为100s时腐蚀深度是多少?(可用计算器)
参考公式:$\widehat{b}$=$\frac{\underset{\stackrel{n}{∑}}{i=1}({x}_{i}-\overline{x})({y}_{i}-\overline{y})}{\sum_{i=1}^{n}({x}_{i}-\overline{x})^{2}}$,$\widehat{a}$=$\overline{y}$-b$\overline{x}$,
线性回归方程$\widehat{y}$=bx+$\widehat{a}$.