2018届高中数学必修(人教版)回归分析的基本思想及其初步应用(第一课时)课件.ppt

一般地，建立回归模型的基本步骤为： (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 （如是否存在线性 关系等）. (3)由经验确定回归方程的类型（如我们观察 到数据呈线性关系，则选用线性回归方程 y=bx+a）. 课堂小结 (4)按一定规则估计回归方程中的参数（如最 小二乘法）. 课后作业 《学案》与《习案》. “ ” “ ” 必修3(第二章 统计)知识结构 收集数据 (随机抽样) 整理、分析数据 估计、推断 简 单 随 机 抽 样 分 层 抽 样 系 统 抽 样 用样本估计总体 变量间的相关关系 用样本的 频率分布 估计总体 分布 用样本数 字特征估 计总体数 字特征 线 性 回 归 分 析 复习引入 统计的基本思想 实际 样本 模 拟 抽 样 分 析 新课讲授 一、现实生活中两个变量间的关系: 1.两个变量的关系 不相关 相关关系 函数关系 线性相关 非线性相关 相关关系：对于两个变量，当自变量取值一定 时，因变量的取值带有一定随机性的两个变量 之间的关系. 新课讲授 一、现实生活中两个变量间的关系: 2.相关关系与函数关系 函数关系中的两个变量间是一种确定性关系 相关关系是一种非确定性关系. 函数关系是一种理想的关系模型. 相关关系在现实生活中大量存在，是更一般 的情况. 新课讲授 一、现实生活中两个变量间的关系: (1)收集数据； (2)作散点图； (3)求回归直线方程； (4)利用方程进行预报. 3. 回归分析是对具有相关关系的两个变量 进行统计分析的一种常用方法，其步骤： 新课讲授 二、刻划线性相关的两个变量间的关系的方法： 1.所求直线方程 叫做回归直线方程； 其中 新课讲授 二、刻划线性相关的两个变量间的关系的方法： 3.对两个变量进行的线性分析叫做线性回归 分析. 2.相应的直线叫做回归直线. 例题讲解 案例1 女大学生的身高与体重 例1.从某大学中随机选取8名女大学生，其身高 和体重数据如表所示. 求根据女大学生的身高预报体重的回归方程， 并预报一名身高为172 cm的女大学生的体重. 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 例题讲解 案例1 女大学生的身高与体重 40 180 40 体重/kg 50 60 155 150 165 160 170 175 45 65 55 身高/cm 解：(1) 选取身高为自变 量x，体重为因变量y， 作散点图： 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 (2)由散点图知道身高和体重有比较好的线性 相关关系，因此可以用线性回归方程刻画它 们之间的关系. 例题讲解 案例1 女大学生的身高与体重 180 40 体重/kg 50 60 155 150 165 160 170 175 45 65 55 身高/cm (3)从散点图还看到， 样本点散布在某一 条直线的附近，而 不是在一条直线上， 所以不能用一次函 数y=bx+a描述它们 关系. 产生随机误差项e 的原因是什么？ 例题讲解 案例1 女大学生的身高与体重 我们可以用下面的线性回归模型来表示： y=bx+a+e，其中a和b为模型的未知参数， e称为随机误差. 产生随机误差项e 的原因是什么？ 例题讲解 案例1 女大学生的身高与体重 产生随机误差项e的原因是什么？ 新课讲授 产生随机误差项e的原因是什么？ 随机误差e的来源(可以推广到一般）： (1)其它因素的影响：影响体重y 的因素不只 是身高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. 新课讲授 函数模型与回归模型之间的差别 中国GDP散点图 20000 40000 60000 80000 100000 120000 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 G D P 函数模型： 回归模型： 可以提供 选择模型的准则 新课讲授 函数模型与回归模型之间的差别 函数模型： 回归模型： 线性回归模型y=bx+a+e增加了随机误差项e， 因变量y的值由自变量x和随机误差项e共同 确定，即自变量x只能解析部分y的变化. 在统计中，我们也把自变量x称为解析变量， 因变量y称