湖北工业大学概率统计第八章 随机变量（向量）的数字特征.pptVIP

* * 第八章 随机变量（向量）的数字特征 概率论 回归分析的基本概念 一元回归模型的建立与检验 一元回归模型的的预测 在现实问题中，处于同一个过程中的一些变量，往往是相互依赖和相互制约的，它们之间的相互关系大致可分为两种： 相关关系问题 （1）确定性关系——函数关系； （2）非确定性关系——相关关系； 相关关系表现为这些变量之间有一定的依赖关，但这种关系并不完全确定，它们之间的关系不能精确地用函数表示出来，这些变量其实是随机变量，或至少有一个是随机变量。 类似的变量间的关系在大自然和社会中屡见不鲜. 例如,小麦的穗长与穗重的关系;某班学生最后一次考试分数与第一次考试分数的关系;温度、降雨量与农作物产量间的关系;人的年龄与血压的关系;最大积雪深度与灌溉面积间的关系;家庭收入与支出的关系等等. 函数关系与相关关系的区别 相关关系—— 影响 的值，不能确定。 函数关系—— 决定 的值， 因此，统计学上讨论两变量的相关关系时，是设法 确定：在给定自变量 的条件下，因变量 的 条件数学期望 回归分析的概念 研究一个随机变量与一个（或几个）可控变量之间 的相关关系的统计方法称为回归分析。 只有一个自变量的回归分析称为一元回归分析；多 于一个自变量的回归分析称为多元回归分析。 引进回归函数 称为回归方程 回归方程反映了因变量 随自变量 的变化而变化 的平均变化情况. 在这一讲里, 我们主要讨论的是一元线性回归. 它是处理两个变量之间关系的最简单的模型. 它虽然比较简单, 但我们从中可以了解到回归分析的基本思想、方法和应用. 为了估计山上积雪融化后对下游灌溉的影响, 在山上建立了一个观测站, 测量了最大积雪深度x与当年灌溉面积 y, 得到连续10年的数据如下表: 让我们用一个例子来说明如何建立一元线性回归方程. 年序 最大积雪深度x(米) 灌溉面积y(公顷) 1 5.1 1907 2 3.5 1287 3 7.1 2693 4 6.2 2373 5 8.8 3260 6 7.8 3000 7 4.5 1947 8 5.6 2273 9 8.0 3113 10 6.4 2493 为了研究这些数据中所蕴含的规律性, 我们由10对数据作出散点图. 从图看到, 数据点大致落在一条直线附近, 这告诉我们变量x和y之间大致可看作线性关系. y x o 4000 3000 2000 1000 2 4 6 8 10 · · · · · · · · · · · 从图中还看到, 这些点又不完全在一条直线上, 这表明x和y的关系并没有确切到给定x就可以唯一确定y的程度. 事实上, 还有许多其它因素对y产生影响,如当年的平均气温、当年的降雨量等等, 都是影响y取什么值的随机因素. 一元线性回归模型 如果试验的散点图中各点呈直线状，则假设这批数 据的数学模型为 设随机变量Y依赖于自变量x，作n次独立试验，得n对观测值： 称这n对观测值为容量为n的一个子样，若把这n对观测值在平面直角坐标系中描点，得到试验的散点图. 其中