回归分析单元教学设计.docVIP

教学设计——回归分析 【教学目标】 知识与技能： （1）能通过收集现实问题中两个有关联的变量的数据作出散点图，并利用散点图直观认识变量间的相关关系． （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． （3）能通过相关性检验，了解回归分析的基本思想与方法． （4）了解非线性回归问题，并能找出解决问题的一般思路． 过程与方法： （1）通过复习线性回归方程，探究相关性检验的基本思想． （2）通过本节的学习，培养学生类比、迁移、化归的能力． 情感态度与价值观： （1）通过图形计算器辅助学习，体会现代信息技术对学习的促进作用． （2）通过对雾霾问题的分析，增强数学应用意识． 【重点与难点】 重点：回归分析的思想与方法． 难点：回归分析的初步应用． 【教学方法】 借助图形计算器让学生自主探究，以学生为主体，教师讲解为辅． 【教学过程】 探究一： 近年来，雾霾成为了我回一个严重的环境问题，雾霾主要是由空气中的PM2.5及其它污染物造成．PM2.5究竟如何形成，它与其它污染物之间有着怎样的关系？下表给出了某城市一个星期内每天空气中PM2.5与PM10的含量，大家能否分析一个PM2.5与PM10的关系？ 1月1 日 1月2日 1月3日 1月4日 1月5日 1月6日 1月7日 PM10(微克/米3) 149 82 172 112 43 380 272 PM2.5(微克/米3) 84 60 103 46 14 240 199 可以利用图形计算器作出散点图，并观察二者之间的关系． 通过散点图可以发现，随着PM10的增加，PM2.5也在增加，二者之间存在一个明显的正相关的关系． 探究二： 根据上面的数据，能否预测当PM10的含量是200(微克/米3)的时候，PM2.5的含量是多少？ 借助必修3的知识，我们可以由以下公式求出回归直线． 由表中的7组数据，可求得回归直线的方程为，故可预测当PM10的含量是200(微克/米3)的时候，PM2.5的含量大致为125.4(微克/米3) 探究三： 下表是一周内空气中的臭氧()与PM2.5在的含量数据 1月1 日 1月2日 1月3日 1月4日 1月5日 1月6日 1月7日 (微克/米3) 5 46 22 11 63 84 67 PM2.5(微克/米3) 84 60 103 46 14 240 199 学生做出散点图，通过散点图观察，二者并无明显的正相关关系． 虽然从图形来看没有相关关系，但我们依然可以用回归直线公式去求回归直线，那这样求出来的回归直线是不是就意义不太了．从而我们需要一个标准，什么时候我们认为二者有线性相关关系，什么时候没有明显的相关关系．数学家与统计学家给了我们一个标准，也就是借助一个新的统计量：样本相关系数r来检验．对于变量x与Y随机抽取到的n组数据 (x1，y1)，(x2，y2)，……，(xn，yn)，样本相关系数的检验统计量r由以下公式给出： 具有如下性质： ，接近1时，正相关性变强，接近-1时，负相关性变强，接近0时，相关性变弱，借助来对两个变量的线性相关程度进行分析的过程便是本节课的主题回归分析． 探究四： 通过上面给出的两组数据，研究PM10与PM2.5， 与PM2.5之间的线性相关性的强弱． 学生计算（可以使用计算器辅助），第一组数据 ，第二组数据 ，从而可见PM10与PM2.5相关性较强，而 与PM2.5之间的相关性较弱． 相关性检验有一个临界值表，借助教材附录中的临界值表我们可以得到有99%的把握可以说明PM10与PM2.5有线性相关性，而不能说明 与PM2.5有显著的线性相关性． 探究五： 一只红铃虫的产卵数y和温度x有关。现收集了7组观测数据列于表中： 温度xoC 21 23 25 27 29 32 35 产卵数y/个 7 11 21 24 66 115 325 试分析温度与产卵数的关系． 学生做出散点图，通过散点图可发现随着x的增加，y也在增加，二者有正相关的关系，但散点图并不是分布在某直线附近，而是分布在类似于某条曲线附近，而此曲线类似于指数函数变换后的图象． 借助图形计算器的回归功能可以进行指数回归的拟合  那么指数回归的原理是什么？ 假定所求曲线是 ，那么这并不是一个线性回归问题，而是一个非线性回归． 对此式两边取对数，可将等式变为，取， 则，由表中的 数据可得数据，便可以把非线性回归的问题转化成线性回归的问题．从而可由回归系数公式计算出 ，并可确定相关系数． 小结： 两个变量的相关关系在现实生活中广泛存在，所以回归分析在解决实际问题时很有用武之地．2009年，Google通过分析5000万条美国人最频繁检索的词汇，将之和美国疾病中心在2003年到2008年间季节性流感传播时期的数据进行比较，并建立一个特定的数学模型。最终google成功预测了2009冬季流