Ga er van uit dat stippen die op het oog halverwege twee roosterpunten liggen, dat ook echt doen.

Gebruik je GR: `(4,3; 56)` .

Tussen `4` en `5` in.

`r_(xy) ~~ 0,9877` en `a ~~ 4,48` .

`y = 4,48x + 36,72` .

Ongeveer `81,5` .

Werk de haakjes uit en maak gebruik van `b = y - a * x` . Je krijgt dan een nogal ingewikkelde uitdrukking in `a^2` en `a` .

Bedenk dat `sigma_x^2 = (Sigma_(i=1)^(N) (x_i - bar(x))^2)/(N)` en `sigma_y^2 = (Sigma_(i=1)^(N) (y_i - bar(y))^2)/(N)` .
Verder is het nogal lastig geknutsel met somtekens en zo.

Als je de formule voor `r_(xy)` vermenigvuldigt met `sigma_y` , dan werk je de `sigma_y` in de noemer weg. Vervolgens weer delen door `sigma_x` en je krijgt in de noemer `sigma_x * sigma_x` , hetgeen precies staat in de formule voor `a` .

Doen. Je vindt `g ~~ 0,59 * l - 44,01` .

Als je van een 15-17 jarige de lengte weet, kun je met de formule voor de regressielijn het gewicht voorspellen.

Ongeveer `62,5` kg.

Je verwisselt nu de twee assen, `l` komt nu op de verticale as.

Lengte `l = 174,27 + 9,30 = 183,57` geeft bij regressie van `g` op `l` een gewicht van ongeveer `64,30` kg en bij regressie van `l` op `g` een gewicht van ongeveer `67,36` kg.

Bij de regressie van `g` op `l` wijkt het resultaat minder dan één standaardafwijking af, in het andere geval meer.

Gebruik de tabel die je eerder hebt gemaakt. Je vindt `x ~~ 0,22y - 7,88` .

Doen.

Neem bijvoorbeeld voor `x` precies één keer de standaarddeviatie boven `bar(x)` . Je zult dan voor `y` een uitkomst vinden die minder dan `sigma_y` boven `bar(y)` zit.

Een positieve correlatie, dus een zoon zal over het algemeen langer zijn dan zijn vader.

`z ~~ 0,47v + 95,44` .

Ongeveer `178,6` cm.

Het regressie-effect betekent dat de voorspelling van de lengte van de zoon aan de lage kant is.

De trendlijn gaat ongeveer door `(20, 15)` en `(100, 80)` .
Dus `a=65/80=0,8125` , zodat `S=0,8125L+b` .
Eén van beide punten invullen geeft `b=text(-)1,25` .
Dus `S=0,8125L-1,25` .

`S=0,8125*80-1,25=63,75` %.

`10=0,8125L-1,25` geeft `11,25=0,8125L` en `L~~13,8` %.

Maak een tabel waarin je `t` uitzet tegen `log(N)` .

Je vindt dan een bijna perfecte correlatie ( `r = 0,9999...` ).

De bijbehorende regressielijn is: `log(N) ~~ 0,005t + 4,364` , dus is: `N ~~ 23121 * 10^(0,005t)` . Dat betekent voor 2010 ongeveer `41text(.)116` inwoners en voor 2020 ongeveer `46text(.)132` inwoners.

Er is vrijwel geen regressie-effect omdat `r ~~ 1` .

Neem `m` voor de mouwlengte in cm en `k` voor de kniehoogte in cm.
`sigma_m ~~ 3,04` en `sigma_k ~~ 2,70` .

`m ~~ 0,67k + 28,75` en `k ~~ 0,55m + 11,17` .

`k = 60` geeft bij regressie van `m` op `k` een mouwlengte van ongeveer `70,45` cm en bij regressie van `k` op `m` een mouwlengte van ongeveer `88,78` cm. Er is een nogal groot regressie-effect omdat `r ~~ 0,62` en dat is behoorlijk kleiner dan `1` .

Doen, zoek de bijpassende correlatiecoëfficiënt en de standaarddeviaties op.

Ongeveer `0,36` .

De regressielijn wordt: `log(v) ~~ 0,36 log(L) + 2,67` , dus de machtsfunctie wordt: `v ~~ 10^(2,67) * L^(0,36) ~~ 468 * L^(0,36)` .

`r_(WF) ~~ text(-)0,94` , een duidelijke negatieve correlatie.

`W ~~ text(-)0,35F + 48,30`
De regressielijn van `W` op `F` ligt meer voor de hand omdat gezocht wordt naar een verband waarbij de werkzaamheid afhangt van de bewaartemperatuur.

`W ~~ text(-)0,63C + 37,10` .

Nee, want de schaalverdeling speelt geen rol bij de correlatie, het gaat alleen om de ligging van de meetpunten ten opzicht van de regressielijn.

Uit de formule voor de regressielijn volgt dat de werkzaamheid in `20` dagen bij `20`  °C terugloopt tot ongeveer `24,5` %. Voor een periode van `40` dagen loopt de werkzaamheid daarom terug tot `0,245 * 24,5 ~~ 6` %.