《2019-2020年新人教A版高中數(shù)學(xué)（選修2-3）3.1《回歸分析的基本思想及其初步應(yīng)用》word教案2篇.doc》由會員分享，可在線閱讀，更多相關(guān)《2019-2020年新人教A版高中數(shù)學(xué)（選修2-3）3.1《回歸分析的基本思想及其初步應(yīng)用》word教案2篇.doc（5頁珍藏版）》請在裝配圖網(wǎng)上搜索。

2019-2020年新人教A版高中數(shù)學(xué)（選修2-3）3.1《回歸分析的基本思想及其初步應(yīng)用》word教案2篇 一．線性回歸方程的確定 如果一組具有相關(guān)關(guān)系的數(shù)據(jù)　作出散點圖大致分布在一條直線附近,那么我們稱這樣的變量之間的關(guān)系為線性相關(guān)關(guān)系(也稱一元線性相關(guān)),這條直線就是回歸直線,記為． 那么如何求得參數(shù)使得各點與此直線的距離的平方和為最小,即如何求得線性回歸方程呢? 在所求回歸直線方程中,當(dāng)取時，與實際收集到的數(shù)據(jù)之間的偏差為,偏差的平方為(如圖1). 　 即 來刻畫出個點與回歸直線在整體上的偏差的平方和,顯然Q取最小值時的的值就是我們所求的: 　 其中為樣本數(shù)據(jù),為樣本平均數(shù)，稱為樣本點中心，且所求線性回歸直線經(jīng)過樣本點中心（如圖2所示）． 當(dāng)回歸直線斜率時,為線性正相關(guān), 時為線性負(fù)相關(guān). y 圖1 應(yīng)注意,這個最小距離不是通常所指的各數(shù)據(jù)的點到直線的距離,而是各數(shù)據(jù)點沿平行y軸方向到直線的距離（如圖1所示）． y 圖2 對于上面參數(shù)的求法原理及方法是簡單的,但是運算量較大,需要將展開,再合并,然后配方整理,從而求得.　 例如,當(dāng)取怎樣實數(shù)時, 的值為最小,顯然當(dāng)時最小值為,像這樣配方求最值的方法是經(jīng)常用到的, 線性回歸方程中的參數(shù)就是這樣求出的. 　教材中用了添項法較為簡捷的求出了截距和斜率分別是使取最小值時的值． 求得，的值，請同學(xué)們體會其解法． 　　　線性回歸方程的確定是進(jìn)行回歸分析的基礎(chǔ)． 二．回歸分析：是對具有相關(guān)關(guān)系的兩個變量進(jìn)行統(tǒng)計分析的一種常用方法． １．線性相關(guān)關(guān)系的強(qiáng)弱 兩個變量之間線性相關(guān)關(guān)系的樣本相關(guān)系數(shù)衡量線性相性關(guān)系的強(qiáng)弱，由于分子與斜率的分子一樣，因此，當(dāng)時，兩個變量正相關(guān)；當(dāng)時兩個變量負(fù)相關(guān)．當(dāng)?shù)慕^對值接近１，表明兩個變量的線性相關(guān)性很強(qiáng)；當(dāng)?shù)慕^對值接近０，表明兩個變量之間幾乎不存在線性相關(guān)關(guān)系．規(guī)定當(dāng)時，我們認(rèn)為兩個變量有很強(qiáng)的線性相關(guān)關(guān)系． ２．解釋變量與隨機(jī)誤差對預(yù)報精度的影響以及殘差分析 （1）有關(guān)概念 圖3 y 線性回歸模型 其中和為模型的未知參數(shù)； 稱為解釋變量，稱為預(yù)報變量； 是與之間的誤差， 叫隨機(jī)誤差。 隨機(jī)誤差的估計值為 稱為相應(yīng)于樣本點的殘差（如圖３）． （2）隨機(jī)誤差的方差估計值衡量回歸方程的預(yù)報精度 由于隨機(jī)誤差的均值＝0， 因此，可以用隨機(jī)誤差的方差估計值＝　（其中，殘差平方和為）衡量回歸方程的預(yù)報精度，顯然越小，預(yù)報精度越高。 （3）通過殘差分析判斷模型擬合效果 　由計算出殘差，，…，，然后選取橫坐標(biāo)為編號、或解釋變量或預(yù)報變量，縱坐標(biāo)為殘差作出殘差圖．通過圖形分析，如果樣本點的殘差較大，就要分析樣本數(shù)據(jù)的采集是否有錯誤；另一方面，可以通過殘差點分布的水平帶狀區(qū)域的寬窄，說明模型擬合效果，反映回歸方程的預(yù)報精度． 　　　　　3．相關(guān)指數(shù)反應(yīng)模型的擬合效果 　　　　　?。? 　（1）變量理解： 為總偏差平方和，表示解釋變量和隨機(jī)誤差產(chǎn)生的總的效應(yīng)； 為殘差平方和，表示了隨機(jī)誤差效應(yīng)； ，表示了解釋變量效應(yīng)． （２）模型擬合效果 ，反映了隨機(jī)誤差對預(yù)報變量（總效應(yīng)）的貢獻(xiàn)率； 反映了解釋變量對預(yù)報變量（總效應(yīng)）的貢獻(xiàn)率； 因此，越接近１（即越接近0），表示回歸的效果越好， 　　　　　即解釋變量和預(yù)報變量的線性相關(guān)性越強(qiáng)． 　　　　三．非線性回歸的問題轉(zhuǎn)化為線性回歸問題 圖4 　　　　　（1）作散點圖確定曲線模型 根據(jù)收集的數(shù)據(jù)作散點圖（如圖４）， 　　　　可見兩個變量不呈線性相關(guān)關(guān)系．而是 分布在某一條指數(shù)函數(shù)曲線的 周圍，也可以認(rèn)為樣本點集中在某二次 曲線的附近． ?。?）非線性轉(zhuǎn)化為線性 這時通過對數(shù)變換把指數(shù)關(guān)系 變?yōu)榫€性關(guān)系；通過換元把二次函數(shù)關(guān)系變換為 線性關(guān)系．　在這兩種情況下就可以利用線性回歸模型，建立和之間的非線性回歸方程了． （3）比較兩種模型的擬合效果 對于給定的樣本點 　?、】梢酝ㄟ^轉(zhuǎn)換后的對應(yīng)數(shù)表作散點圖來確定線性回歸的擬合情況，判斷選用哪一種曲線模型較為合適； ⅱ可以通過原始數(shù)據(jù)及和之間的非線性回歸方程列出殘差對比分析表，一 般通過殘差平方和比較兩種模型的擬合效果，顯然殘差平方和較小的擬合效果較好； ⅲ還可以用來比較兩個模型的擬合效果，越大（越接近１），擬合效果越好。 回歸直線方程的推導(dǎo) 設(shè)x與y是具有線性相關(guān)關(guān)系的兩個變量，且相應(yīng)于樣本的一組觀測值的n個點的坐標(biāo)分別是：，下面給出回歸方程的推導(dǎo)。 設(shè)所求的回歸方程為，其中是待確定的參數(shù)，那么： ，（）， 樣本中各個點的偏差是 ，（） 顯然，上面的各個偏差的符號有正、有負(fù)，如果將他們相加會相互抵消一部分，，因此他們的和不能代表n個點與回歸直線在整體上的接近程度，而是采用n個偏差的平方和來表示n個點與相應(yīng)直線（回歸直線）在整體上的接近程度。 即 ＝ 求出當(dāng)取最小值時的的值，就求出了回歸方程。 （一） 先證明兩個在變形中用到的公式： 公式（1） 其中 因為 ＝＝ ＝＝　所以 公式（２） 　　因為 ＝ ＝ ＝ ＝＝　　所以 　?。ǘ┩茖?dǎo)：將的表達(dá)式的各項先展開，再合并、變形 　 -----展開 -----以a，b為同類項，合并 --以a，b的次數(shù)為標(biāo)準(zhǔn)整理 --將數(shù)據(jù)轉(zhuǎn)化為平均數(shù) ---配方法 ---展開 ---整理 -----用公式（一）、（二）變形 ---配方 在上式中，共有四項，后兩項與a，b無關(guān)，為常數(shù)；前兩項是兩個非負(fù)數(shù)的和，因此要使得區(qū)的最小值，當(dāng)且僅當(dāng)前兩項的值都為0。所以 或 ------用公式（一）、（二）變形得 （三）總結(jié)規(guī)律： 上述推倒過程是圍繞著待定參數(shù)a，b進(jìn)行的，只含有的部分是常數(shù)或系數(shù)，用到的方法有（1）配方法，有兩次配方，分別是a的二次三項式和b的二次三項式；（2）變形時，用到公式（一）、（二）和整體思想；（3）用平方的非負(fù)性求最小值。(4)實際計算時，通常是分步計算：先求出，再分別計算， 或，的值，最后就可以計算出a，b的值。 小練習(xí)： (1)驗證當(dāng)樣本數(shù)據(jù)只有兩個點時的回歸方程； (2)當(dāng)樣本數(shù)據(jù)有三個點，是（），（），（）時，試推導(dǎo)回歸方程。