数学苏教版选修1-2知识导航1.2回归分析Word版含解析.docVIP

1.2 回归分析 知识梳理 1.回归直线方程为，其中=，=. 2.回归直线不能精确地反映x与y之间的关系，y的值不能由x完全确定，它们之间是关系，y=a+bx+ε,其中是确定性函数，ε称为，将称为线性回归模型. 3.随机误差产生的主要原因有： （1）所用的确立性函数不恰当引起的误差； （2）； （3）. 4.对于x、y随机取到的n对数据(xi,yi)(i=1,2,,n),样本相关系数γ的计算公式为 γ= =____________________________________________________________________. 5.线性相关系数γ的性质： （1）｜γ｜≤1; (2)｜γ｜越接近于，y的线性相关程序越强； （3）｜γ｜越接近于，y的线性相关程序越弱. 知识导学 在研究两个变量之间的关系时，首先可以利用散点图来粗略判断它们是否线性相关，是否可以用线性回归模型来拟合数据. 作相关检验的依据可以利用样本相关系数γ,当γ0时，表明x与y正相关；γ0时，表明x与y负相关；当｜γ｜→1时，表明x与y的线性相关性越强；当｜γ｜→0时，表明x与y的线性相关性越弱， 几乎不存在线性相关的关系. 疑难突破 1.建立回归模型的基本步骤是什么呢？ 一般地，建立回归模型的基本步骤是： （1）确定研究对象，明确哪个变量是解释变量，哪个变量是预报变量. （2）画出确定好的解释变量和预报变量的散点图，观察它们之间的关系.（例如是否存在线性关系等） （3）由经验确定回归方程的类型（如果我们观察到数据是线性关系，则选用线性回归方程y=bx+a). (4)按一定的规则估计回归方程中的参数（如最小二乘法）. 2.在应用回归直线方程解决问题时，应注意些什么呢？ （1）回归直线方程只适合于我们所研究的样本的总体.例如：不能用女大学生的身高与体重之间的回归直线方程，描述女运动员的身高和体重之间的关系.同样，不能用生长在南方多雨地区的树木的高与直径之间的回归直线方程，来描述北方干旱地区树木的高与直径之间的关系. （2）我们所建立的回归直线方程一般都有时间性.例如：不能用20世纪80年代人的身高、体重数据所建立的回归方程，描述现在人的身高、体重间的关系. （3）样本取值的范围会影响回归方程的适用范围，例如：我们的回归直线方程是由女大学生身高和体重的数据建立的，那么用它来描述一个人幼儿时期的身高和体重之间的关系就不恰当. （4）不能认为回归直线方程得到的预报值就是预报变量的精确值.事实上，它是预报变量可能取值的平均值. 典题精讲 【例1】 为了了解某地母亲身高x与女儿身高y的相关关系，现随机测得10对母女的身高，所得数据如下表所示： 母亲身高x(cm) 159 160 160 163 159 154 159 158 159 157 女儿身高y(cm) 158 159 160 161 161 155 162 157 162 156 试对x与y进行线性回归分析，并预测当母亲身高为161 cm时，女儿的身高为多少？ 思路分析：这是一个回归分析类问题，解决这一类问题，首先应对问题进行必要的相关性检验，如果x与y之间具有相关关系，再求出对应的回归直线方程，最后利用回归直线方程来预报当x=161 cm时y的值，当γ0时，表明x与y正相关，γ0时，表明x与y负相关，当｜γ｜→1时，表明x与y的线性相关越强，当｜γ｜→0时，表明x与y的相关性越弱，几乎不存在相关关系，通常认为当γ0.75时，变量x、y有很强的相关关系，因而求回归直线方程才有意义，也才可以预测取值的情况. 解：作线性相关性检验，=×（159+160++157）=158.8. =×(158+159++156)=159.1 -10=（1592+1602++1572)-10×158.82=47.6 -=（159×158+160×159++157×156)-10×158.8×159.1=37.2 -10=（1582+1592++1562）-10×159.12=56.9 因此γ= =≈0.71 由于0.71接近于1，表明x与y有较强的相关关系，因而求回归直线方程有必要. 又==0.78 =159.1-0.78×158.8=35.2 由此得回归直线方程为=35.2+0.78x;回归系数=0.78反映出当母亲身高每增加1 cm时女儿身高平均增加0.78 cm, =35.2可以理解为女儿身高中不受母亲身高影响的部分，当母亲身高为161 cm时预报女儿身高为： =0.78×161+35.2=160.78≈161 cm,这就是说当母亲身高为161 cm时，女儿身高大致也为161 cm. 绿色通道：判断x与y是否具有线性相关关系，还可以先作出散点图，从点的分布特征来判定是否线性相