利用Origin进行线性拟合.pptVIP

01线性回归(basiclinearregression)02多项式回归(polynomialregression)03多重回归(multiplelinearregression)Origin：线性拟合 因变量(Y)与自变量(X)之间的关系函数关系统计关系即对两个变量X，Y来说，当X值确定后，Y值按照一定的规律唯一确定，即形成一种精确的关系。即当X值确定后，Y值不是唯一确定的，但大量统计资料表明，这些变量之间还是存在着某种客观的联系。应用统计方法，对大量的观测数据进行整理、分析和研究，从而得出反映事物内部规律性的一些结论。描述不同变量之间的关系，找出相应函数的系数，建立经验公式或数学模型。只有一个或二个自变量时，回归分析的目的就是找到符合数据的曲线或曲面，所以回归分析也经常被称为“curvefitting”或“surfacefitting回归分析(RegressionAnalysis)线性模型Origin中的LinearModelbasiclinearregressionmodel(线性回归)whereβ0,β1arecoefficientsandεistherandomerrormultiplelinearregressionmodel(多重线性回归)whereβi(i=0,1,2,…m)arethecoefficientspolynomialregressionmodel(多项式回归)Origin中的线性拟合功能关系而且是线性其中，(Xi,Yj)表示(X,Y)的第i个观测值，β0,β1为参数，β0+β1Xi为反映统计关系直线的分量，εi为反映在统计关系直线周围散布的随机分量，εi～N(0,σ2)，εi服从正态分布Y与X具有统计01(i=1,2,···,n)?建立回归模型Yi=β0+β1Xi+εi???021、LinearFit模型01Yi=β0+β1Xi+εi02β0和β1均未知03根据样本数据04对β0和β105进行估计06β0和β1的估计07值为b0和b108建立一元线性回归方程一般而言，所求的b0和b1应能使每个样本观测点(Xi,Yi)与回归直线之间的偏差尽可能小。最小01二乘法02Y与X之间03为线性关系04选出一条最能反05映Y与X之间关系06规律的直线07一元线性回归方程Q达到最小值b0和b1称为最小二乘估计量微积分中极值令的必要条件01代表观测点对于回归线的误差02残差residuals可以证明：越小越好残差越小，各观测值聚集在回归直线周围的紧密程度就越大，说明直线与观测值的拟合越好，定义确定系数(COD)为：01一般情况下，R2的值越大，拟合得越好。02确定系数

coefficientofdeterminationr与斜率b1取相同的符号01r=1： 完全正相关r=-1： 完全负相关r=0： 无线性关系02直线拟合的相关系数例：测得铜导线在温度Ti下的电阻为Ri，求电阻R与温度T的近似函数关系nT(℃)R(Ω)119.176.30225.077.80330.179.25436.080.80540.082.35645.183.90750.085.10步骤：FitLinear(线性拟合)步骤：1、将x，y数据输入worksheet2、绘制x，y的散点图3、执行FitLinear4、结果在ResultsLog窗口中A：截距及其标准误差B：斜率及其标准误差R：相关系数N：参与拟合的数据点的数目P：Probability(thatRiszero)R为0的概率SD：拟合的标准差可化为一元线性回归的模型 据人口增长的统计资料和人口理论数学模型，当人口总数N不是很大时，在不太长的时期内，人口增长接近于指数增长 。请根据下列表中数据：(1)利用线性拟合确定a和b的值；(2)预测公元2010年时的世界人口。年世界人口（单位：亿）196029.72196130.61196231.51196332.13196432.34196532.85196633.56196734.2196834.83LinearFit(线性拟合工具)使用菜单命令进行线性拟合，很多参数都是选用缺省值，用户无法对整个过程进行干预。选用【too