1[2].1回归分析的基本思想及其初步应用2课时.pptVIP

相关系数 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？ 产卵数 气温 变换 y=bx+a 非线性关系 线性关系 对数 方法三：指数函数模型 24 21 11 7 产卵数y/个 3.178 3.405 2.398 1.946 Z=lny 27 25 23 21 温度x/ 325 115 66 5.784 4.745 4.190 35 32 29 由计算器得：z关于x的线性回归方程 相关指数 因此y关于x的非线性回 归方程为 当x=28 时，y ≈44 ，指数回归模型中温度解释了98%的产卵数的变化 r=0.9899说明y与x成正相关，相关性很强 0.98 指数函数模型 0.802 二次函数模型 0.7464 线性回归模型 相关指数R2 函数模型 最好的模型是哪个? 显然，指数函数模型最好！ 利用残差计算公式： 77.968 -58.265 -40.104 -41.000 -5.832 19.400 47.696 34.675 -13.381 9.230 -8.950 1.875 -0.101 0.557 325 115 66 24 21 11 7 Y 35 32 29 27 25 23 21 X 由残差平方和： 故指数函数模型的拟合效果比二次函数的模拟效果好. 或由条件R2分别为0.98和0.80，同样可得它们的效果. 在散点图中，样本点没有分布在某个带状区域内，因此两个变量不呈现线性相关关系，所以不能直接利用线性回归方程来建立两个变量之间的关系. 令z=lny，则变换后样本点应该分布在直线z=bx+a（a=lnc1，b=c2）的周围. 利用线性回归模型建立y和x之间的非线性回归方程. 当回归方程不是形如y=bx+a时，我们称之为非线性回归方程. 根据已有的函数知识，可以发现样本点分布在某一条指数函数曲线 的周围，其中c1和c2是待定参数. 高考连接（2011年安徽）某地最近十年粮食需求量逐年上升，下表是部分统计数据： 286 276 257 246 236 需求量（万吨） 2010 2008 2006 2004 2002 年份 （1）利用所给数据求年需求量与年份之间的线性回归方程 （2）利用（1）中所求出的直线方程预测该地2012年的粮食需求量 29 19 0 -11 -21 需求量-257 4 2 0 -2 -4 年份-2006 数据处理如下： 回归分析的基本思想及其初步应用 探索无止境 探索无止境 探索无止境 探索无止境 课堂知识延伸 我们知道，刑警如果能在案发现场提取到罪犯的脚印，即将获得一条重要的破 案线索，其原因之一是人类的脚掌长度和身高存在着相关关系，可以根据一个人的 脚掌长度来来预测他的身高…… 我们还知道，在统计史上，很早就有人收集过人们的身高、前臂长度等数据， 试图寻找这些数据之间的规律…… 在上述两个小故事的启发下，全班同学请分成一些小组，每组4-6名同学，在老 师的指导下，开展一次数学建模活动，来亲自体验回归分析的思想方法，提高自己的 实践能力。 数学建模的题目是：收集一些周围人们的脚掌长度、前臂长度中的一个数据及其身高，来作为两个变量画散点图，如果这两个变量之间具有线性相关关系，就求出回归直线方程，另选一个人的这两个变量的数据，作一次预测，并分析预测结果。 最后以小组写出数学建模报告，报告要求过程清晰，结论明确，有关数学论述准 确，以下两个问题需要注意： （1）如果脚掌长度不方便，可改量脚印的长度。 （2）数据尽量取得分散一些。 2.5 3 4 4.5 用水量y 4 3 2 1 月份x 练习1：下表是某厂1到4月份用水量（单位：百吨）的一组数据： （1）画出散点图，（2)写出用水量y与月份x之间的回归方程;(3)计算残差及R2 2.为了研究某种细菌随时间的变化繁殖的个数，收集数据如下： 190 95 49 25 12 6 繁殖个数y 6 5 4 3 2 1 天数x （1）用天数作解释变量，繁殖个数作预报变量，作出散点图 （2）描述解释变量与预报变量之间的关系 （3）计算残差及R2并判断解释变量与预报变量之间的相关程度 例： 在一段时