回归直线方程高二下学期数学湘教版（2019）选择性必修第二册.pptx

湘教版选择性必修二

4.2一元线性回归模型

4.2.1回归直线方程;会将非线性回归模型经过变换转化为线性回归模型，进而进行回归分析。

学习本节后还应初步会将简单的非线性回归问题转化为线性回归问题．(重点、难点);什么是正相关？

什么是负相关？

什么是线性相关？

什么是回归直线？;;当两变量y与x不具有线性相关关系时，要借助于散点图，与已学过的函数(如指数函数、对数函数、幂函数等)的图象相比较，找到合适的函数模型，利用变量代换转化为线性函数关系，从而使问题得以解决。;(1)确定变量：确定解释变量为x，预报变量为y；

(2)画散点图：通过观察散点图并与学过的函数(幂、指数、对数函数、二次函数)作比较，选取拟合效果好的函数模型；

(3)变量置换：通过变量置换把非线性问题转化为线性回归问题；

(4)分析拟合效果：通过计算相关指数或相关系数等来判断拟合效果；

(5)写出非线性回归方程。;在大量的实际问题中，研究的两个变量不一定都呈现线性相关关系，它们之间可能呈现指数关系或对数关系等非线性关系等．在某些情况下可以借助于线性回归模型研究呈现非线性关系的两个变量之间的关系。

我们往往将两个非线性的变量关系转化成线性的变量关系．例如，将幂函数曲线y＝axb转化为u＝c＋bv.其中u＝lny，v＝lnx，c＝lna；将指数曲线y＝aebx转化为u＝c＋bx.其中u＝lny，c＝lna。;;1、采用测量的方法，先画一条直线，测量出各点到它的距离，然后移动直线，到达一个使距离之和最小的位置，测量出此时直线的斜率和截距，就得到回归方程。

2、在图中选取两点画直线，使得直线两侧的点的个数基本相同。

3、在散点图中多取几个点，确定几条直线的方程，分别求出各条直线的斜率和截距的平均数，将这两个平均数作为回归方程的斜率和截距。;怎样才能找到合适的回归直线？;如何确定一条直线y=bx+a使散点图中各点到此直线的距离(偏差)之和最小？;求它的最小值是很困难的;;含多个绝对值的式子求最小值的运算很不方便，很难找到通用的结果。

为此改用下式来衡量n个点与回归直线整体上的偏差：

Q=;最小二乘法:;下面请大家用所学知识推导

n=2时的回归直线方程系数公式

;法二;g(b)是关于b的二次函数，当;分别为回归直线方程的纵截距与斜率，

当x,y正相关时b0；

当x,y负相关时b0.;相关系数公式：;相关系数的性质：;在4.1节身高与体重案例中，我们已经判断出身高和体重这两个变量之间具有线性相关关系，于是我们希望用一条直线或一个线性函数（图象为直线的函数）来反映所给出的散点图的分布趋势．;将一把直尺的一边在图4.1-1的散点之间移动，使它尽量经过或靠近尽可能多的散点，然后在这一位置上作一条直线，那么这条直线就大致反映了散点图的分布趋势，如图4.2-1．;

这条直线叫作回归直线，这条直线的方程叫作回归直线方程．有了回归直线方程，就可以由一些变量的值去估计或预测另一些变量的值．

由散点图求出回归直线并进行统计推断的过程叫作回归分析．;由于受测量等各种因素的影响，估计值与实际观测值往往不相同．当自变量x取值xi(i=1，2，…，n)时，我们将根据回归直线方程估计出的

与实际观测值yi的误差，即(i=1，2，…，n)，称为随机误差，记作ei，如图．;德国著名数学家高斯提出用随机误差的平方和即

作为总随机误差来刻画各估计值与实际值之间的误差．若总随机误差最小，则这条直线就是所要求的回归直线．

由于平方又叫二乘方，所以这种使“随机误差平方和最小”的方法叫作最小二乘法．;例1在一次抽样调查中测得样本的5个样本点，数值如下表：;由散点图也可以看出y与t呈近似的线性相关关系，列表如下：;求回归方程，应注意首先对样本点是否线性相关进行检验，因为对于任何一组样本点，都可以根据最小二乘法求得一个线性回归方程，但这条线性回归方程是否较好地反映了样本点的分布呢，显然不一定，特别是对于不呈线性相关的回归模型．可以通过散点图或求相关系数r首先作出是否线性相关的检验，然后再选择恰当的回归模型进行模拟。;自主交流：常见非线性回归方程的回归模型;u＝c＋bx;u＝c＋bv;u＝a＋bv;(12分)在一化学反应过程中，化学物质的反应速度

y(g/min)与一种催化剂的量x(g)有关，现收集了8组观测数据列于表中：

;【解题流程】;根据收集的数