(北师大版)数学必修三：1.8《最小二乘估计》课件.pptVIP

2.线性回归方程的系数： 1.最小二乘法的思想. 一切澎湃于心，让我们真正能够在心里有所酝酿的东西，都值得我们去努力. * * §8 最小二乘估计 在上节课的讨论中，我们知道，人体脂肪含量和年龄之间近似存在着线性关系，这种线性关系可以有多种方法来进行刻画.但是这些方法都缺少数学思想依据. 问题1.用什么样的线性关系刻画会更好一些？ 想法：保证这条直线与所有点都接近（也就是距离最小）. 最小二乘法就是基于这种想法.本节课我们来进行详细学习！ 1.了解最小二乘法的思想. 2. 能根据给出的线性回归方程系数公式建立线性回归方程.(重点) 3.会用线性回归方程对总体进行估计.(难点） 思考1.用什么样的方法刻画点与直线的距离会更方便有效？设直线方程为y=a+bx，样本点A（xi，yi） 方法一:点到直线的距离公式 方法二: A 0 显然方法二能有效地表示点A与直线y=a+bx的距离，而且比方法一计算更方便，所以我们用它来表示二者之间的接近程度. 思考2.怎样刻画多个点与直线的接近程度？ 例如有5个样本点，其坐标分别为（x1，y1），（x2，y2），（x3，y3），（x4，y4），（x5，y5），与直线y=a+bx的接近程度： 提示： 若有n个样本点：（x1，y1）,… ,（xn，yn），可以用下面的表达式来刻画这些点与直线y＝a+bx的接近程度: 使上式达到最小值的直线y=a+bx就是所要求的直线，这种方法称为最小二乘法. …………………① 先来讨论3个样本点的情况 思考3：怎样使 达到最小值？ 利用配方法可得 同样使用配方法可以得到，当 从而得到直线y=ɑ+bx的系数ɑ，b，且称直线y=ɑ+bx为这3个样本点的线性回归方程. 用同样的方法我们可以推导出n个点的线性回归方程的系数： 牢记公式 特别提醒：在回归直线方程中，b是回归直线方程的斜率，a是截距；b的含义容易理解成增加的单位数，而实际上，它代表x每增加一个单位，y的平均增加单位数.一般地说，当回归系数b＞0时，说明两个变量呈正相关关系，它的意义是：当x每增加一个单位时，y就增加b个单位；当b＜0时，说明两个变量呈负相关关系，它的意义是：当x每增加一个单位时，y就减少b个单位. 思考4:如果样本点只有两个，用最小二乘法得到的直线与用两点式求出的直线一致吗？ 提示:是一致的. 与用两点式相同. 例1 在上一节练习中，从散点图可以看出，某小卖部6天卖出热茶的杯数（y）与当天气温（x）之间是线性相关的.数据如下表: 气温（xi）／ ℃ 26 18 13 10 4 -1 杯数（yi）／杯 20 24 34 38 50 64 (1)试用最小二乘法求出线性回归方程. (2)如果某天的气温是－3℃，请预测这天可能会卖出热茶多少杯. 解：（1）由散点图可以看出，两个变量 是线性相关的. （2）由上面的最小二乘法估计得出的线性回归方程知，当某天的气温是－3℃时，卖出热茶的杯数估计为： 57.557-1.648×(-3)≈63(杯）. 1.利用最小二乘法估计时，首先要作出数据的散点图，利用散点图观察数据是否具有线性关系. 2.散点图呈现线性关系时，利用最小二乘法公式求出方程. 3.直线拟合只是拟合的方式之一，散点图呈现其他的规律时，我们也可以利用其他的曲线进行拟合. 【说明】 例2 下面是两个变量的一组数据： x 1 2 3 4 5 6 7 8 y 1 4 9 16 25 36 49 64 请用最小二乘法求出这两个变量之间的线性回归方程. 解 根据上表数据，可以计算出： 其他数据如下表 i 1 1 1 1 1 2 2 4 4 8 3 3 9 9 27 4 4 16 16 64 5 5 25 25 125 6 6 36 36 216 7 7 49 49 343 8 8 64 64 512 合计 36 204 204 1 296 ， 思考：哪一个对呢？ y=-15+9x. 所以，利用最小二乘法估计时，要先作出数据的散点图.如果散点图呈现一定的规律性,我们再根据这个规律性进行拟合.如果散点图呈现出线性关系,我们可以用最小二乘法估计出线性回归方程;如果散点图呈现出其他的曲线关系,我们就要利用其他的工具进行拟合. x 0 1 2 3 y 1 3 5 7 D 1.已知x，y之间的一组数据如下表，则y与x的线性回归方程y=a+bx必经过点 ( ) A.（2，2） B.（1.5，0）C.（1，2） D.（1.5，4） A A 4.某连锁经营公司所属5个零售店某月的销售额和利润额资料如下表： （1）画出销售额和利润额的散点图. （2）若销售额和利润额具有相关关系，计算利润额y对销售额x的线性回归方程. 商店名称 A