回归分析的基本思想及其初步应用1.ppt

《回归分析的基本思想及其初步应用1.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、3.1回归分析的基本思想及其初步应用高二数学选修1-2问题1：正方形的面积y与正方形的边长x之间的函数关系是y=x2确定性关系问题2：某水田水稻产量y与施肥量x之间是否有一个确定性的关系？例如：在7块并排、形状大小相同的试验田上进行施肥量对水稻产量影响的试验，得到如下所示的一组数据：施化肥量x15202530354045水稻产量y330345365405445450455复习、变量之间的两种关系1020304050500450400350300·······施化肥量x15202530354045水稻产量

2、y330345365405445450455xy施化肥量水稻产量2、现实生活中存在着大量的相关关系。如：人的身高与年龄；产品的成本与生产数量；商品的销售额与广告费；家庭的支出与收入。等等探索：水稻产量y与施肥量x之间大致有何规律？1020304050500450400350300·······发现：图中各点，大致分布在某条直线附近。探索2：在这些点附近可画直线不止一条，哪条直线最能代表x与y之间的关系呢？施化肥量x15202530354045水稻产量y330345365405445450455xy散点图

3、施化肥量水稻产量1、所求直线方程叫做回归直线方程；相应的直线叫做回归直线。2、对两个变量进行的线性分析叫做线性回归分析。2、回归直线方程：最小二乘法：称为样本点的中心。自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系叫做相关关系。1、定义：1）：相关关系是一种不确定性关系；注对具有相关关系的两个变量进行统计分析的方法叫回归分析。2）：例2、在一段时间内，某中商品的价格x元和需求量Y件之间的一组数据为：试建立Y与x的回归直线方程。价格x1416182022需求量Y1210753解：例1从某

4、大学中随机选取8名女大学生，其身高和体重数据如表1-1所示。编号12345678身高cm165165157170175165155170体重/kg4857505464614359求根据一名女大学生的身高预报她的体重的回归方程，并预报一名身高为172cm的女大学生的体重。案例1：女大学生的身高与体重解：1、选取身高为自变量x，体重为因变量y，作散点图：2、由散点图知道身高和体重有比较好的线性相关关系，因此可以用线性回归方程刻画它们之间的关系。分析：由于问题中要求根据身高预报体重，因此选取身高为自变量，体重

5、为因变量．2.回归方程：1.散点图；本例中,r=0.798>0.75．这表明体重与身高有很强的线性相关关系，从而也表明我们建立的回归模型是有意义的。探究：身高为172cm的女大学生的体重一定是60.316kg吗？如果不是，你能解析一下原因吗？答：身高为172cm的女大学生的体重不一定是60.316kg，但一般可以认为她的体重接近于60.316kg。即，用这个回归方程不能给出每个身高为172cm的女大学生的体重的预测值，只能给出她们平均体重的值。例1从某大学中随机选取8名女大学生，其身高和体重数据如表1-

6、1所示。编号12345678身高/cm165165157170175165155170体重/kg4857505464614359求根据一名女大学生的身高预报她的体重的回归方程，并预报一名身高为172cm的女大学生的体重。案例1：女大学生的身高与体重解：1、选取身高为自变量x，体重为因变量y，作散点图：2、由散点图知道身高和体重有比较好的线性相关关系，因此可以用线性回归方程刻画它们之间的关系。3、从散点图还看到，样本点散布在某一条直线的附近，而不是在一条直线上，所以不能用一次函数y=bx+a描述它们关系。

7、我们可以用下面的线性回归模型来表示：y=bx+a+e，(3)其中a和b为模型的未知参数，e称为随机误差。统计中，我们把自变量x称为解释变量，因变量y称为预报变量思考:产生随机误差项e的原因是什么？随机误差e的来源(可以推广到一般）：1、忽略了其它因素的影响：影响身高y的因素不只是体重x，可能还包括遗传基因、饮食习惯、生长环境等因素；2、用线性回归模型近似真实模型所引起的误差；3、身高y的观测误差。以上三项误差越小，说明我们的回归模型的拟合效果越好。函数模型与回归模型之间的差别函数模型：回归模型：函数模型

8、与回归模型之间的差别函数模型：回归模型：线性回归模型y=bx+a+e增加了随机误差项e，因变量y的值由自变量x和随机误差项e共同确定，即自变量x只能解释部分y的变化。在统计中，我们也把自变量x称为解释变量，因变量y称为预报变量。所以，对于身高为172cm的女大学生，由回归方程可以预报其体重为思考：如何刻画预报变量（体重）的变化？这个变化在多大程度上与解释变量（身高）有关？在多大程度上与随机误差有关？假设身高和随机误差的不同不会对体重产生任何