《概率论与数理统计课程设计-一元线性回归分析》.doc

摘要 数理统计是具有广泛应用的数学分支而区间估计和假设检验问题在其中占有很重要的地位正态总体期望和方差的区间估计和假设检验非正态总体期望和方差的区间估计和假设检验利用中心极限定理但实际问题中常常碰到非正态总体而且是小样本因此对它的区间估计和假设检验是一个值得研究的问题关于时间的线性回归方程，并MATLAB 与EXCEL软件对验数据进行分析处理，得出线性回归系数与拟合系数等数据，并用F检验法检验了方法的可行性，同时用分布参数和假设检验问题 关于时间的线性关系显著，并进行了深入研究提出了小样本分布参数的区间关键词：统计量法；置信区间；假设检验；线性关系；回归分析目录 一．设计目的 4 二．设计问题 4 三．设计原理 4 四．方法实现 8 五．设计总结 18 参考文献 18 致 谢 19一．设计目的 了解一元回归方程，回归系数的检验方法及应用一元回归方程进行预测的方法；学会应用MATLAB软件进行一元回归实验的分析方法。同时更好的了解概率论与数理统计的知识，熟练掌握概率论与数理统计在实际问题上的应用，并将所学的知识结合Excel对数据的处理解决实际问题。本设计是利用一元线性回归理论对用切削机房进行金属品加工时为了适当地调整机床，测量刀具的磨损速度与测量刀具的厚度间的关系建立数学模型，并用Excel分析工具库中的回归分析软件进行解算。 二．设计问题用切削机床进行金属加工时，为了适当地调节机床，需要测定刀具的磨损速度。在一定时间（例如每隔一小时）测量刀具的厚度，得到数据如下： 切削时间 刀具厚度 切削时间 刀具厚度 0 30.0 15 24.8 1 29.1 16 24.0 2 28.4 17 23.7 3 28.1 18 23.1 4 28.0 19 22.9 5 27.7 20 22.6 6 27.5 21 22.3 7 27.2 22 22.1 8 27.0 23 21.7 9 26.8 24 21.5 10 26.5 25 21.3 11 26.3 26 21.0 12 26.1 27 20.6 13 25.7 28 20.3 14 25.3 29 20.1由此，我们利用这些数据做出刀具厚度关于时间的线性回归方程。 三．设计原理 在实际问题中，经常会出现两个变量之间的相关关系不是线性的（即直线型），而是非线性的（即曲线型）。设其中有两个变量与，我们可以用一个确定函数关系式： 大致的描述与之间的相关关系，函数称为关于的回归函数，方程 成为关于的回归方程。 一元线性回归处理的是两个变量与之间的线性关系，可以设想的值由两部分构成：一部分由自变量的线性影响所致，表示的线性函数 ；另一部分则由众多其他因素，包括随机因素的影响所致，这一部分可以视为随机误差项，记为。可得一元线性回归模型(1) 式中，自变量是可以控制的随机变量，成为回归变量；固定的未知参数a,b成为回归系数；称为响应变量或因变量。由于是随机误差，根据中心极限定理，通常假定，是未知参数。 确定与之间的关系前，可根据专业知识或散点图，选择适当的曲线回归方程，而这些方程往往可以化为线性方程或者就是线性方程，因此我们可以用线性方程： 大致描述变量与之间的关系； 1)模型回归系数的估计 为了估计回归系数，假定试验得到两个变量 与 的 个数据对我们将这对观测值代入式（1），得这里互独立的随机变量，军服从正态分布，即 回归系数估计的方法有多种，其中使用最广泛的是最小二乘法，即要求选取的，， 的值使得述随机误差ε 的平方和达到最小，即求使得函数取得最小值的，。 由于是，的二元函数，利用微积分中的函数存在极值的必要条件，分别对求，偏导数，并令其为0，构成二元一次方程组 ， ， 化简后得到如下正规方程组a 解方程组得到总体参数估计量 , 这里， 均已有的观测数据。 由此得到回归方程 带入观测，得到值称为回归预测值。方程的直线称为回归直线。 2)回归方程显著性检验 建立一元线性回归方程当且仅当变量之间存在线性相关关系时才是有意义的，因此必须对变量之间的线性相关的显著性进行检验，即对建立的回归模型进行显著性检验。 我们首先引入几个概念： ，称为总偏差平方和，它表示观测值总的分散程度； ，称为回归平方和，它是由回归变量的变化引起的，放映了回归变量对变量线性关系的密切程度； ，称为残差（剩余）平方和，它是由观测误差等其他因素起误差，它的值越小说明回归方程与原数据拟合越好。 可以证明下列关系成立即=+ 我们主要考虑回归平方和在总偏差和中所占的比重，记。(0=R=1 ),称R为复相关系数，用R的大小来评价模型的有效性，R越大，则反映回归变量与相应变量之间的线性函数关系越密切。引入F统计量。 定义，可知F~F（1，n-2）.对于给定的显著水平a(一般这里取