人教版选修12§111回归分析(阅读).pptVIP

思考1：相关关系与函数关系有怎样的不同？ 1.函数关系中的两个变量间是一种确定性关系； 相关关系是一种非确定性关系. 相关系数 1.计算公式 2．相关系数的性质 (1)|r|≤1． (2)|r|越接近于1，相关程度越强；|r|越接近于0，相关程度越弱． 注:b 与 r 同号 问题：达到怎样程度，x、y线性相关呢？它们的相关程度怎样呢？ 相关关系的测度（相关系数取值及其意义） * §1.1.1 回归分析 人教版·选修1－2 1、两个变量的关系 相关关系 函数关系 线性相关 非线性相关 问题1：现实生活中两个变量间的关系有哪些呢？ 相关关系：对于两个变量，当自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系。 2. 函数关系是一种理想的关系模型； 相关关系在现实生活中大量存在，是更 一 般的情况. 练习：下面各组两变量间具相关关系的是（ ） ①正方体的体积与棱长，②某农田的水稻产量与施肥量， ③家庭的支出与收入， ④某户家庭的用电量与电价。 A ② ③ B ③ ④ C ② ③ ④ D ① ② ③ ④ A 思考2：如何判断两个变量之间是否存在线性相关关系？ 问题3：有时散点图的各点并不集中在一条直线的附近，仍然可以按照求回归直线方程的步骤求回归直线，显然这样的回归直线没有实际意义。在怎样的情况下求得的回归直线方程才有实际意义？ 即建立的线性回归模型是否合理？ 问题2：什么是回归分析: 由数据画散点图 求回归方程 预报、决策 散点图只是形象地描述点的分布情况， 它的“线性”是否明显只能通过观察，要 想把握其特征，必须进行定量的研究． 1.求相关系数r 如果0.75|r|1，可以认为有较强的线性相关关系。 建构数学 相关系数 ｒ＞０正相关；ｒ＜０负相关．通常， r∈[-1,-0.75]--负相关很强; r∈[0.75,1]—正相关很强; r∈[-0.75,-0.3]--负相关一般; r∈[0.3, 0.75]—正相关一般; r∈[-0.25, 0.25]--相关性较弱; 相关系数r的绝对值与1接近到什么程度才表明利用 线性回归模型比较合理呢? 对r进行 显著性检验 -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 ①.求相关系数r的步骤： (1)计算平均数 (2)计算 与 的积,求 (3)计算 (4)将上述有关结果代入公式，求r ②练习2：已知变量X,Y满足下表， 求相关系数r Xi2 8 3 1 y XiYi yi2 3 2 1 x 问题4：对于线性相关的两个变量用什么方法来刻划之间的关系呢？ 2、最小二乘估计 ①最小二乘估计下的线性回归方程： ②.求线性回归方程的步骤： (1)计算平均数 (2)计算 与 的积,求 (3)计算 (4)将上述有关结果代入公式，求b、a，写出回归直线方程． 3、线性回归模型 其中a+bx是确定性函数， ? 是随机误差 注：? 产生的主要原因： (1)所用确定性函数不恰当； (2)忽略了某些因素的影响； (3)观测误差。 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 如下表所示： 59 43 61 64 54 50 57 48 体重/kg 170 155 165 175 170 157 165 165 身高/cm 8 7 6 5 4 3 2 1 编号 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。 随机误差e的来源(可以推广到一般）： 1、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。 我们可以用下面的线性回归模型来表示：y=bx+a+e，其中a和b为模型的未知参数，e称为随机误差。 思考P3产生随机误差项e 的原因是什么？ 函数模型与回归