新课标人教A版高中数学选修2.DOCVIP

新课标人教A版高中数学选修1-2 第章主备人辅备人： 根据散点分布特点，建立线性回归模型 了解模型拟合效果的分析工具——残差分析 过程与方法：经历数据处理全过程，培养对数据的直观感觉，体会统计方法的应用。 通过一次函数模型和线性回归模型的比较，使学生体会函数思想。 情感、态度与价值观：通过案例分析，了解回归分析的实际应用，感受数学“源于生活，用于生活” ，提高学习兴趣教学中适当地利用学生合作与交流，使学生在学习的同时，体会与他人合作的重要性. 教学重点：1、了解回归模型与函数模型的区别 2、了解任何模型只能近似描述实际问题 3、了解模型拟合效果的分析工具——残差分析和相关指数r方 教学难点：理解相关指数r方的含义 教学设计： 一、情境引导 复习旧知 1、相关关系 （1）相关关系是一种不确定性关系； （2）对具有相关关系的两个变量进行统计分析的方法叫回归分析。 2、回归直线方程 所求直线方程叫做回归直线方程；其中 利用最小二乘法可以得到，的计算公式为 ， 其中， 称为样本点的中心。 3、相应的直线叫做回归直线。对两个变量进行的线性分析叫做线性回归分析。 二、组内合作 1． 情境：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表： 编号 1 2 3 4 5 6 7 8 身高/cm 165 165 157 170 175 165 155 170 体重/kg 48 57 50 54 64 61 43 59 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. 解：由于问题中要求根据身高预报体重，因此选取身高为自变量x，体重为因变量y．作散点图。 由散点图可看出，样本点呈条状分布，身高和体重有比较好的线性相关关系，可以用线性回归方程刻画它们之间的关系。 得到回归方程是 所以，对于身高172cm的女大学生，由回归方程可以预报其体重为（kg） 2．问题探究： 身高为172cm的女大学生的体重一定是60.316kg吗？如果不是，你能解析一下原因吗？ 体重不一定是60.316，可以认为体重接近于60.316。由图形观察可以看出，样本点和回归直线的相互位置就可说明。 由于所有的样本点不共线，只是散布在某一条直线的附近，所以身高与体重的关系就用下面的线性回归模型来表示： 三、四、精讲点拨 班内交流 1、线性回归模型的定义 线性回归模型其中，为模型的未知参数，是与真实值之间的误差,通常称为随机误差。 在线性回归模型中，随机误差的方差越小，通过回归直线预报真实值的精度越高。 思考：产生随机误差项发的原因是什么？ 假设随机误差对体重没有影响，也就是说，体重仅受身高的影响，那么散点图中所有的点将完全落在回归直线上。但是，在图中，数据点并没有完全落在回归直线上。这些点散布在回归直线附近，所以一定是随机误差把这些点从回归直线上“推”开了。 体重除了受身高的影响外，还受如饮食习惯、是否喜欢运动、度量误差等影响。 说明： 1、随机误差的来源(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。 2、对于线性回归模型，我们应该考虑下面两个问题： （1）模型是否合理（这个问题在下一节课解决）； （2）在模型合理的情况下，如何估计，？ 2．探求线性回归系数的最佳估计值： 对于问题②，设有对观测数据，根据线性回归模型，对于每一个，对应的随机误差项，我们希望总误差越小越好，即要使越小越好．所以，只要求出使取得最小值时的，值作为，的估计值，记为，． 注：这里的就是拟合直线上的点到点的距离． 用什么方法求，？ 回忆《数学3（必修）》求，的方法：最小二乘法． 利用最小二乘法可以得到，的计算公式为 ， 其中， 由此得到的直线就称为这对数据的回归直线，此直线方程即为线性回归方程．其中，分别为，的估计值，称为回归截距，称为回归系数，称为回归值． 在前面质点运动的线性回归方程中，，． 3． 线性回归方程中，的意义是：以为基数，每增加1个单位，相应地平均增加个单位； 4、残差分析与残差图的定义： 在研究两个变量间的关系时， （1）要根据散点图来粗略判断它们是否线性相关 （2）是否可以用回归模型来拟合数据。 （3）我们可以通过残差来判断模型拟合的效果，判断原始数据中是否存在可疑数据，这方面的分析工作称为残差分析。 表1-4列出了女大学生身高和体重的原始数据以及相应的残差数据。 编号 1 2 3 4 5 6 7 8 身高/cm 165 165