散点图是描述变量之间关系的一种直观的方法，从相关图中大体上可以看出变量之间的关系形态及关系强度。
根据变量X和变量Y的散点图，可以看出这两个变量间的相关关系为()。
相关系数r>0时，散点图中散点的分布形态为（）
对双变量资料作直线相关分析时，所建立的直线回归方程与各散点之间的关系是（）。
散点密集于一条直线，且呈水平分布，可初步判断两变量为（）。
两变量相关分析中，若散点图的散点完全在一条直线上，则（）
当两变量的相关系数r=0时，应结合散点图作出合理的解释。
当一元线性回归方程的简单相关系数r=0时，则变量的散点图可能是（）。
散点图是描述变量之间关系的一种直观的方法，从相关图中大体上可以看出变量之间的关系形态及关系强度。关于散点图，下列说法正确的是（）。
散点图是描述变量之间关系的一种直观的方法，从相关图中大体上可以看出变量之间的关系形态及关系强度。散点图中，常见的表现形态有（）。
在散点图中，坐标中各个“散点”愈接近于线性，说明（）。
简单相关分析的前提条件：两个随机变量；散点图呈线性关系；服从双变量正态分布。
可以用散点图表示两个变量之间的相关性。两个变量之间的关系的密切程度，取决于数据点分布（）。
相关系数r>0时，散点图中散点的分布形态为（）。
分析两个变量的回归关系，如果散点分布呈直线趋势，X增加时Y减少，则可初步判断为（）。
在以下4个散点图中，其中适用于作为线性回归的散点图为（ ）ac30eb2ae6e9bbc23c56001a7b441343.png
如果有三个变量，并且自变量为分类变量，散点图可以通过对点的形状或者点的颜色来区分
相关系数r＞0时，散点图中散点的分布形态为
回归分析方法：(甲)编制相关图表(散点图、依存关系分析表)；(乙)计算相关系数，反映变量之间相关的密切程度和相关方向；(丙)建立回归方程，进行估计预测。
若双变量观测值的散点图几乎形成一条直线，则这两个变量之间的相关系数为()。
在计算Pearson相关系数前，一般建议先用散点图对数据进行捕述，因为( )。
图中这个相关散点图表示（）。
相关系数r＞0时，散点图中散点的分布形态为（）
两变量的相关分析中，若散点图的散点完全在一条直线上，则其相关系数r为（）。
