8.2+一元线性回归模型及参数的最小二乘估计+课件-2024-2025学年高二下学期数学人教A版（2019）+选择性必修第三册.pptxVIP

第1课时一元线性回归模型及参数的最小二乘估计

[学习目标]1．了解一元线性回归模型的含义，了解模型参数的统计意义．(数学抽象)2．了解最小二乘原理，掌握一元线性回归模型参数的最小二乘估计方法．(数学抽象)3．针对实际问题，会用一元线性回归模型进行预测．(数据分析、数学运算)

1.样本相关系数：2.相关系数的性质：①当r0时，称成对样本数据正相关；当r0时，称成对样本数据负相关.②|r|≤1；③当|r|越接近1时，成对数据的线性相关程度越强；当|r|越接近0时，成对数据的线性相关程度越弱；特别地，当|r|＝0时，成对数据的没有线性相关关系；当|r|＝1时，成对数据都落在一条直线上.复习回顾

新课导入通过前面的学习我们已经了解到，根据成对样本数据的散点图和样本相关系数，可以推断两个变量是否存在相关关系、是正相关还是负相关，以及线性相关程度的强弱等.思考是否可以能像建立函数模型刻画两个变量之间的确定性关系那样，通过建立适当的统计模型来刻画两个变量之间的相关关系？并通过模型进行预测？下面我们研究当两个变量线性相关时，如何利用成对样本数据建立统计模型，并利用模型进行预测的问题.

新知探究生活经验告诉我们，儿子的身高与父亲的身高不仅线性相关，而且还是正相关，即父亲的身高较高时，儿子的身高通常也较高.为了进一步研究两者之间的关系，有人调查了14名男大学生的身高及其父亲的身高，得到的数据如下表所示.编号1234567891011121314父亲身高/cm174170173169182172180172168166182173164180儿子身高/cm176176170170185176178174170168178172165182我们先用散点图对上面的数据进行分析.问题1根据上述数据画出来的散点图，你发现了什么？可以发现，散点大致分布在一条从左下角到右上角的直线附近，表明儿子身高和父亲身高线性相关.利用统计软件，求得样本相关系数为r≈0.886，表明儿子身高和父亲身高正线性相关，且相关程度较高.

新知探究问题2根据表中的数据，儿子身高和父亲身高这两个变量之间的关系可以用函数模型刻画吗？编号1234567891011121314父亲身高/cm174170173169182172180172168166182173164180儿子身高/cm176176170170185176178174170168178172165182…172…父亲身高…176174…儿子身高儿子身高不是父亲身高的函数…170…儿子身高…173169…父亲身高父亲身高不是儿子身高的函数

新知探究儿子身高和父亲身高之间不是函数关系，故不能用函数模型刻画.但由于父子的身高有较强的线性相关，因此我们可以用一次函数来刻画父亲身高对儿子身高的影响问题3除父亲身高外，还有哪些因素影响儿子的身高？随机误差e母亲身高生活环境饮食习惯体育锻炼……

新知探究追问如何理解随机误差e对儿子身高的影响？假设没有随机误差，则儿子身高Y只受父亲身高x影响，则事实上，相关系数，故也可以记作Y=bx+a+e随机误差e随机误差e的特征随机误差e是一个随机变量①可取正或取负②有些无法测量③不可事先设定?

新知探究?我们称(1)式为Y关于x的一元线性回归模型.其中，Y称为因变量或响应变量，x称为自变量或解释变量；a和b为模型的未知参数，a称为截距参数，b称为斜率参数；e是Y与bx+a之间的随机误差.模型中的Y也是随机变量，其值虽然不能由变量x的值确定，但是却能表示为bx+a与e的和(叠加)，前一部分由x所确定，后一部分是随机的.如果e=0，那么Y与x之间的关系就可用一元线性函数模型来描述.

新知探究追问为什么要假设E(e)=0，而不假设其为某个不为0的常数？因为误差是随机的，即取各种正负误差的可能性一样，所以它们均值的理想状态应该为0.??

问题4你能结合父亲与儿子身高的实例，说明回归模型(1)的意义？??问题5对于父亲身高为xi的某一名男大学生，他的身高yi一定是bxi+a吗？新知探究

?因变量响应变量自变量解释变量截距斜率e

[典例讲评]1．判断下列变量间哪些能用函数模型刻画，哪些能用线性回归模型刻画？(1)某公司的销售收入和广告支出；(2)某城市写字楼的出租率和每平米月租金；(3)航空公司的顾客投诉次数和航班正点率；(4)某地区的人均消费水平和人均国内生产总值(GDP)；(5)学生期末考试成绩和考前用于复习的时间；(6)一辆汽车在某段路程中的行驶速度和行驶时