相关系数：

，
当r＞0时，表明两个变量正相关；当r＜0时，表明两个变量负相关；|r|≤1，且|r|越接近于1，相关程度越大；|r|越接近于0，相关程度越小。

残差：
相关指数R²用来刻画回归的效果，其计算公式是，
在含有一个解释变量的线性模型中，R²恰好等于相关系数r的平方。显然，R²取值越大，意味着残差平方和越小，也就是模型的拟合效果越好。

建立回归模型的基本步骤：

（1）确定研究对象，明确哪个变量是解释变量，哪个是预报变量；
（2）画出解释变量和预报变量的散点图，观察它们之间的关系；
（3）由经验确定回归方程的类型（如观察到数据呈线性关系，则选用线性回归方程）；
（4）按一定规则估计回归方程中的参数（如最小二乘法）；
（5）得出结果分析残差图是否有异常，若存在异常，则检查数据是否有误，或模型是否适当。当回归方程不是形如时，我们称之为非线性回归方程。

随机事件的定义：

在随机试验中，可能出现也可能不出现，而在大量重复试验中具有某种规律性的事件叫做随机事件，随机事件通常用大写英文字母A、B、C等表示。

必然事件的定义：

必然会发生的事件叫做必然事件；

不可能事件：

肯定不会发生的事件叫做不可能事件；

概率的定义：

在大量进行重复试验时，事件A发生的频率总是接近于某个常数，在它附近摆动。这时就把这个常数叫做事件A的概率，记作P（A）。
m，n的意义：事件A在n次试验中发生了m次。
因0≤m≤n，所以，0≤P（A）≤1，必然事件的概率为1，不可能发生的事件的概率0。

随机事件概率的定义：

对于给定的随机事件A，随着试验次数的增加，事件A发生的频率总是接近于区间[0，1]中的某个常数，我们就把这个常数叫做事件A的概率，记作P（A）。

频率的稳定性：

即大量重复试验时，任何结果（事件）出现的频率尽管是随机的，却“稳定”在某一个常数附近，试验的次数越多，频率与这个常数的偏差大的可能性越小，这一常数就成为该事件的概率；

“频率”和“概率”这两个概念的区别是：

频率具有随机性，它反映的是某一随机事件出现的频繁程度，它反映的是随机事件出现的可能性；概率是一个客观常数，它反映了随机事件的属性。

相互独立事件的定义：

如果事件A（或B）是否发生对事件B（A）发生的概率没有影响，这样的两个事件叫做相互独立事件。
若A，B是两个相互独立事件，则A与，与，与B都是相互独立事件。

相互独立事件同时发生的概率：

两个相互独立事件同时发生，记做A·B，P（A·B）＝P（A）·P（B）。
若A₁，A₂，…A_n相互独立，则n个事件同时发生的概率等于每个事件发生的概率的积，即P（A₁·A₂·…·A_n）＝P（A₁）·P（A₂）·…·P（A_n）。

求相互独立事件同时发生的概率的方法：

（1）利用相互独立事件的概率乘法公式直接求解；
（2）正面计算较繁或难以入手时，可从其对立事件入手计算。