1.1.1(1)回归分析的基本思想及其初步应用(一)

回归分析的基本思想及其初步应用1．回归分析回归分析是对具有相关关系的两个变量进行统计分析的一种常用方法，回归分析的基本步骤是画出两个变量的散点图，求回归直线方程，并用回归直线方程进行预报． 2．线性回归模型(1)在线性回归直线方程y ^＝a ^＋b ^x 中，b ^＝∑ni ＝1 （x i －x ）（y i －y ）∑ni ＝1（x i －x ）2，a ^＝y －－b ^x －，其中x －＝1n ∑ni ＝1x i ，y －＝1n∑ni ＝1y i ，(x ，y )称为样本点的中心，回归直线过样本点的中心． (2)线性回归模型y ＝bx ＋a ＋e ，其中e 称为随机误差，自变量x 称为解释变量，因变量y 称为预报变量．[注意] (1)非确定性关系：线性回归模型y ＝bx ＋a ＋e 与确定性函数y ＝a ＋bx 相比，它表示y 与x 之间是统计相关关系(非确定性关系)，其中的随机误差e 提供了选择模型的准则以及在模型合理的情况下探求最佳估计值a ，b 的工具．(2)线性回归方程y ^＝b ^x ＋a ^中a ^，b ^的意义是：以a ^为基数，x 每增加1个单位，y 相应地平均增加b ^个单位．3．刻画回归效果的方式方式方法计算公式 刻画效果R 2R 2＝1－∑ni ＝1（y i －y ^i ）2∑n i ＝1（y i －y ）2R 2越接近于1，表示回归的效果越好残差图e ^i 称为相应于点(x i ，y i )的残差，e ^i ＝y i －y ^i残差点比较均匀地落在水平的带状区域中，说明选用的模型比较合适，其中这样的带状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高残差平方和∑ni ＝1(y i －y ^i )2 残差平方和越小，模型的拟合效果越好判断正误(正确的打“√”，错误的打“×”) (1)求线性回归方程前可以不进行相关性检验．( )(2)在残差图中，纵坐标为残差，横坐标可以选为样本编号．( )(3)利用线性回归方程求出的值是准确值．( ) 答案：(1)× (2)√ (3)×变量x 与y 之间的回归方程表示( )A ．x 与y 之间的函数关系B ．x 与y 之间的不确定性关系C ．x 与y 之间的真实关系形式D ．x 与y 之间的真实关系达到最大限度的吻合 答案：D在两个变量y 与x 的回归模型中，分别选择了4个不同的模型，它们的相关指数R 2如下，其中拟合效果最好的模型是( )A ．模型1的相关指数R 2为0.98 B ．模型2的相关指数R 2为0.80 C ．模型3的相关指数R 2为0.50 D ．模型4的相关指数R 2为0.25 答案：A已知线性回归方程y ^＝0.75x ＋0.7，则x ＝11时，y 的估计值为________． 答案：8.95探究点1 线性回归方程在某种产品表面进行腐蚀刻线试验，得到腐蚀深度y 与腐蚀时间x 之间的一组观察值如下表.x (s) 5 10 15 20 30 40 50 60 70 90 120 y (μm)610101316171923252946(1)画出散点图；(2)求y 对x 的线性回归方程；(3)利用线性回归方程预测时间为100 s 时腐蚀深度为多少． 【解】 (1)散点图如图所示．(2)从散点图中，我们可以看出y 对x 的样本点分布在一条直线附近，因而求回归直线方程有意义．x ＝111(5＋10＋15＋ (120)＝51011，y ＝111(6＋10＋10＋…＋46)＝21411，a ^＝y －b ^x ≈21411－0.304×51011＝ 5.36. 故腐蚀深度对腐蚀时间的线性回归方程为y ＝0.304x ＋ 5.36.(3)根据(2)求得的线性回归方程，当腐蚀时间为100 s 时，y ^＝5.36＋0.304×100＝35.76(μm)，即腐蚀时间为100 s 时腐蚀深度大约为35.76 μm.求线性回归方程的三个步骤(1)画散点图：由样本点是否呈条状分布来判断两个量是否具有线性相关关系． (2)求回归系数：若存在线性相关关系，则求回归系数．(3)写方程：写出线性回归方程，并利用线性回归方程进行预测说明．炼钢是一个氧化降碳的过程，钢水含碳量的多少直接影响冶炼时间的长短，必须掌握钢水含碳量和冶炼时间的关系．如果已测得炉料熔化完毕时钢水的含碳量x 与冶炼时间y (从炼料熔化完毕到出钢的时间)的数据(x i ，y i )(i ＝1，2，…，10)并已计算出＝1589,i ＝110y i ＝1 720，故冶炼时间y 对钢水的含碳量x 的回归直线方程为y ^＝1.267x －30.47. 探究点2 线性回归分析假定小麦基本苗数x 与成熟期有效穗y 之间存在相关关系，今测得5组数据如下：(1)以x 为解释变量，y 为预报变量，作出散点图；(2)求y 与x 之间的回归方程，对于基本苗数56.7预报有效穗； (3)计算各组残差，并计算残差平方和；(4)求相关指数R 2，并说明残差变量对有效穗的影响占百分之几？ 【解】 (1)散点图如下．(2)由图看出，样本点呈条状分布，有比较好的线性相关关系，因此可以用回归方程刻画它们之间的关系．设回归方程为y ^＝b ^x ＋a ^，x －＝30.36，y －＝43.5，(1)该类题属于线性回归问题，解答本题应先通过散点图来分析两变量间的关系是否线性相关，然后再利用求回归方程的公式求解回归方程，并利用残差图或相关指数R 2来分析函数模x 15.0 25.8 30.0 36.6 44.4 y39.442.942.943.149.2型的拟合效果，在此基础上，借助回归方程对实际问题进行分析． (2)刻画回归效果的三种方法①残差图法：残差点比较均匀地落在水平的带状区域内说明选用的模型比较合适； ②残差平方和法：残差平方和 i ＝1n(y i －y ^i )2越小，模型的拟合效果越好；关于x 与y 有如下数据：x 2 4 5 6 8 y3040605070由(2)可得y i －y ^i 与y i －y －的关系如下表：y i －y ^i －1 －5 8 －9 －3 y i －y －－20－101020由于R 21＝0.845，R 22＝0.82，0.845＞0.82， 所以R 21＞R 22.所以(1)的拟合效果好于(2)的拟合效果． 探究点3 非线性回归分析某地今年上半年患某种传染病的人数y (人)与月份x (月)之间满足函数关系，模型为y ＝a e bx ，确定这个函数解析式．月份x /月 1 2 3 4 5 6 人数y /人526168747883【解】 设u ＝ln y ，c ＝ln a ， 得u ^＝c ^＋b ^x ，则u 与x 的数据关系如下表：x12 3 4 56u ＝ln y 3.95 4.114.224.3044.356 7 4.418 8非线性回归方程的步骤(1)确定变量，作出散点图．(2)根据散点图，选择恰当的拟合函数．(3)变量置换，通过变量置换把非线性回归问题转化为线性回归问题，并求出线性回归方程． (4)分析拟合效果：通过计算相关指数或画残差图来判断拟合效果． (5)根据相应的变换，写出非线性回归方程．某种书每册的成本费y (元)与印刷册数x (千册)有关，经统计得到数据如下：x(千册)1 2 3 5 10 20 30 50 100 200 y (元)10.155.524.082.852.111.621.411.301.211.15检验每册书的成本费y (元)与印刷册数的倒数1x之间是否具有线性相关关系，如有，求出y 对x 的回归方程，并画出其图形．解：首先作变量置换u ＝1x，题目中所给的数据变成如下表所示的10对数据．u i 1 0.5 0.33 0.2 0.1 0.05 0.03 0.02 0.01 0.005 y i10.155.524.082.852.111.621.411.301.211.15然后作相关性检测．经计算得r ≈0.999 8>0.75，从而认为u 与y 之间具有线性相关关系，由公式得a ^≈1.125，b ^≈8.973，所以y ^＝1.125＋8.973u ，最后回代u ＝1x ，可得y ^＝1.125＋8.973x.这就是题目要求的y 对x 的回归方程．回归方程的图形如图所示，它是经过平移的反比例函数图象的一个分支．1．关于回归分析，下列说法错误的是( ) A ．回归分析是研究两个具有相关关系的变量的方法 B ．散点图中，解释变量在x 轴，预报变量在y 轴C ．回归模型中一定存在随机误差D ．散点图能明确反映变量间的关系解析：选D.用散点图反映两个变量间的关系时，存在误差． 2．下列关于统计的说法：①将一组数据中的每个数据都加上或减去同一个常数，方差恒不变； ②回归方程y ^＝b ^x ＋a ^必经过点(x ，y )； ③线性回归模型中，随机误差e ＝y i －y ^i ；④设回归方程为y ^＝－5x ＋3，若变量x 增加1个单位，则y 平均增加5个单位． 其中正确的为________(写出全部正确说法的序号)．解析：①正确；②正确；③线性回归模型中，随机误差的估计值应为e ^i ＝y i －y ^i ，故错误；④若变量x 增加1个单位，则y 平均减少5个单位，故错误． 答案：①②3．某商场经营一批进价是30元/台的小商品，在市场试销中发现，此商品的销售单价x (x 取整数)(元)与日销售量y (台)之间有如下关系：x 35 40 45 50 y56412811(1)画出散点图，并判断y 与x 是否具有线性相关关系；(2)求日销售量y 对销售单价x 的线性回归方程(方程的斜率保留一个有效数字)； (3)设经营此商品的日销售利润为P 元，根据(2)写出P 关于x 的函数关系式，并预测当销售单价x 为多少元时，才能获得最大日销售利润．解：(1)散点图如图所示，从图中可以看出这些点大致分布在一条直线附近，因此两个变量具有线性相关关系．(2)因为x －＝14×(35＋40＋45＋50)＝42.5，(3)依题意有P ＝(161.5－3x )(x －30) ＝－3x 2＋251.5x －4 845＝－3⎝⎛⎭⎪⎫x －251.562＋251.5212－4 845. 所以当x ＝251.56≈42时，P 有最大值，约为426元．故预测当销售单价为42元时，能获得最大日销售利润．知识结构深化拓展线性回归模型的模拟效果(1)残差图法：观察残差图，如果残差点比较均匀地落在水平的带状区域中，说明选用的模型比较合适，这样的带状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高．(2)残差的平方和法：一般情况下，比较两个模型的残差比较困难(某些样本点上一个模型的残差的绝对值比另一个模型的小，而另一些样本点的情况则相反)，故通过比较两个模型的残差的平方和的大小来判断模型的拟合效果．残差平方和越小的模型，拟合的效果越好．(3)R 2法：R 2的值越大，说明残差平方和越小，也就是说模型拟合的效果越好．[注意] r 的绝对值越大说明变量间的相关性越强，通常认为r 的绝对值大于等于0.75时就是有较强的相关性，同样R 2也是如此，R 2越大拟合效果越好.[A 基础达标]1．废品率x %和每吨生铁成本y (元)之间的回归直线方程为y ^＝256＋3x ，表明( ) A ．废品率每增加1%，生铁成本增加259元 B ．废品率每增加1%，生铁成本增加3元 C ．废品率每增加1%，生铁成本平均每吨增加3元 D ．废品率不变，生铁成本为256元解析：选C.回归方程的系数b ^表示x 每增加一个单位，y ^平均增加b ^，当x 为1时，废品率应为1%，故当废品率增加1%时，生铁成本平均每吨增加3元．2．已知某产品连续4个月的广告费用为x i (i ＝1，2，3，4)千元，销售额为y i (i ＝1，2，3，4)万元，经过对这些数据的处理，得到如下数据信息：①x 1＋x 2＋x 3＋x 4＝18，y 1＋y 2＋y 3＋y 4＝14；②广告费用x 和销售额y 之间具有较强的线性相关关系；③回归直线方程y ^＝b ^x ＋a ^中，b ^＝0.8(用最小二乘法求得)，那么当广告费用为6千元时，可预测销售额约为( )A ．3.5万元B ．4.7万元C ．4.9万元D ．6.5万元解析：选B.依题意得x ＝4.5，y ＝3.5，由回归直线必过样本点中心得a ^＝3.5－0.8×4.5＝－0.1，所以回归直线方程为y ^＝0.8x －0.1.当x ＝6时，y ^＝0.8×6－0.1＝4.7.3．某化工厂为预测某产品的回收率y ，需要研究它和原料有效成分含量之间的相关关系，现取了8对观测值，计算得的线性回归方程是( )A.y ^＝11.47＋2.62xB.y ^＝－11.47＋2.62x C.y ^＝2.62＋11.47x D.y ^＝11.47－2.62x 解析：选A.由题中数据得x ＝6.5，y ＝28.5，a ^＝y －b ^x ＝28.5－2.62×6.5＝11.47，所以y 与x 的线性回归方程是y ^＝2.62x ＋11.47.故选A.4．若某地财政收入x 与支出y 满足线性回归方程y ＝bx ＋a ＋e (单位：亿元)，其中b ＝0.8，a ＝2，|e |≤0.5.如果今年该地区财政收入10亿元，则年支出预计不会超过( )A ．10亿元B ．9亿元C ．10.5亿元D ．9.5 亿元解析：选C.代入数据y ＝10＋e ，因为|e |≤0.5， 所以9.5≤y ≤10.5，故不会超过10.5亿元．5．某种产品的广告费支出x 与销售额y (单位：万元)之间的关系如下表：y 与x 的线性回归方程为y ＝6.5x ＋17.5，当广告支出5万元时，随机误差的效应(残差)为________．解析：因为y 与x 的线性回归方程为y ^＝6.5x ＋17.5，当x ＝5时，y ^＝50，当广告支出5万元时，由表格得：y ＝60，故随机误差的效应(残差)为60－50＝10. 答案：106．若一组观测值(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )之间满足y i ＝bx i ＋a ＋e i (i ＝1，2，…，n )，且e i 恒为0，则R 2为________．解析：由e i 恒为0，知y i ＝y ^i ，即y i －y ^i ＝0， 故R 2＝1－∑ni ＝1 （y i －y ^i ）2∑n i ＝1 （y i －y ）2＝1－0＝1.答案：17．某个服装店经营某种服装，在某周内获纯利y (元)与该周每天销售这种服装件数x 之间的一组数据关系见表：已知∑7i ＝1x 2i ＝280，∑7i ＝1x i y i ＝3 487. (1)求x ，y ；(2)已知纯利y 与每天销售件数x 线性相关，试求出其回归方程． 解：(1)x ＝3＋4＋5＋6＋7＋8＋97＝6，y ＝66＋69＋73＋81＋89＋90＋917＝5597.(2)因为y 与x 有线性相关关系，所以b ^＝∑7i ＝1x i y i－7x y ∑7i ＝1x 2i －7x 2＝3 487－7×6×5597280－7×36＝4.75，a ^＝5597－6×4.75＝71914≈51.36.故回归方程为y ^＝4.75 x ＋51.36.8．已知某校5个学生的数学和物理成绩如下表：(1)假设在对这5名学生成绩进行统计时，把这5名学生的物理成绩搞乱了，数学成绩没出现问题，问：恰有2名学生的物理成绩是自己的实际分数的概率是多少？(2)通过大量事实证明发现，一个学生的数学成绩和物理成绩具有很强的线性相关关系，在上述表格是正确的前提下，用x 表示数学成绩，用y 表示物理成绩，求y 与x 的回归方程； (3)利用残差分析回归方程的拟合效果，若残差和在(－0.1，0.1)范围内，则称回归方程为“优拟方程”，问：该回归方程是否为“优拟方程”？参考数据和公式：y ^＝b ^x ＋a ^，其中．解：(1)记事件A 为“恰有2名学生的物理成绩是自己的实际成绩”， 则P (A )＝2C 25A 55＝16.(2)因为x ＝80＋75＋70＋65＋605＝70，y ＝70＋66＋68＋64＋625＝66，学生的编号i 1 2 3 4 5 数学x i 80 75 70 65 60 物理y i7066686462[B 能力提升]9.假设关于某设备的使用年限x和所支出的维修费用y（万元）有如表的统计资料：使用年限x 2 3 4 5 6 维修费用y 2.2 3.8 5.5 6.5 7.010．(选做题)某地区不同身高的未成年男性的体重平均值如表所示：身高x(cm)60708090100110体重y(kg) 6.137.909.9912.1515.0217.50身高x(cm)120130140150160170体重y(kg)20.9226.8631.1138.8547.2555.05 (1)(2)如果体重超过相同身高男性体重平均值的1.2倍为偏胖，低于0.8倍为偏瘦，那么这个地区一名身高175 cm 、体重82 kg 的在校男生体重是否正常？ 解：(1)根据题表中的数据画出散点图如图所示．由图可看出，样本点分布在某条指数函数曲线y ＝c 1e c 2x的周围， 于是令z ＝ln y ，得下表：x 60 70 80 90 100 110 z 1.81 2.07 2.30 2.50 2.71 2.86 x 120 130 140 150 160 170 z3.043.293.443.663.864.01作出散点图如图所示：由表中数据可得z 与x 之间的回归直线方程为 z ^＝0.662 5＋0.020x ，则有y ^＝e 0.662 5＋0.020x .(2)当x ＝175时，预报平均体重为y ^＝e 0.662 5＋0.020×175≈64.23， 因为64.23×1.2≈77.08＜82，所以这个男生偏胖．。

回归分析的基本思想及初步应用回归分析是一种用于研究变量之间关系的统计方法。

其基本思想是通过建立一个数学模型来描述自变量（独立变量）和因变量（依赖变量）之间的关系，并根据已有数据对模型进行拟合和估计，以了解两个变量之间的关系程度。

回归分析最早是由英国统计学家弗朗西斯·高尔顿在19世纪中叶提出的。

他注意到，人口增长与时间之间似乎存在其中一种关系，于是使用统计方法将时间作为自变量，人口数量作为因变量，建立了一个数学模型。

这个数学模型称为“回归方程”，后来成为了回归分析的基础。

在建模阶段，我们首先要确定自变量和因变量，并根据问题目标和已有数据选取适当的变量。

然后，我们需要选择一个适当的回归模型来描述自变量和因变量之间的关系。

常见的回归模型包括线性回归模型、多项式回归模型、指数回归模型等。

模型的选择通常基于对自变量和因变量之间关系的推测和理论的支持。

同时，还需要根据数据特点和拟合效果选择回归模型的阶数和形式。

在推断阶段，我们需要对模型进行估计和检验。

首先，我们使用已有数据对回归模型进行拟合，根据最小二乘法估计出回归系数的值，并计算出模型预测的因变量值。

然后，通过各种统计方法对模型的拟合程度进行评估。

常用的评估指标有残差分析、R平方和调整R平方等。

此外，还可以进行t检验和F检验来检验回归系数和模型整体的显著性。

这些检验能够帮助我们判断回归模型是否能够很好地描述自变量和因变量之间的关系，并对未来值进行预测和推断。

回归分析的应用非常广泛。

它在社会科学、经济学、医学、生态学等领域都有着重要的应用。

在经济学中，回归分析可以用于预测和解释宏观经济变量之间的关系，如GDP与就业率之间的关系。

在医学中，回归分析可以用于研究因素对疾病发生的影响，如吸烟与肺癌之间的关系。

此外，回归分析还可以用于分析市场需求、产品定价、销售预测等问题，为决策提供科学依据。

总而言之，回归分析是一种用于研究变量关系的重要统计方法。

通过建立数学模型，估计和检验回归系数，可以帮助我们了解变量之间的关系程度，并利用这种关系进行预测和推断。

回归分析的基本思想及其初步应用（一）学习目标2. 了解线性回归模型与函数模型的差异，了解衡量两个变量之间线性相关关系得方法---相关系数.学习过程一、课前准备24问题1：“名师出高徒”这句彦语的意思是什么？有名气的老师就一定能教出厉害的学生吗？这两者之间是否有关？复习1：函数关系是一种关系，而相关关系是一种关系.复习2：回归分析是对具有关系的两个变量进行统计分析的一种常用方法，其步骤：→→→ .二、新课导学※学习探究实例编号 1 2 3 4 5 6 7 8身高165 165 157 170 175 165 155 170体重48 57 50 54 64 61 43 59为172cm的女大学生的体重.解：由于问题中要求根据身高预报体重，因此选自变量x，为因变量.(1)做散点图:从散点图可以看出和有比较好的相关关系.(2) x= y=81i iix y==∑821iix==∑所以81822188i iiiix y x ybx x==-==-∑∑$$a y bx$=-≈于是得到回归直线的方程为(3)身高为172cm的女大学生,由回归方程可以预报其体重为$y=问题：身高为172cm的女大学生,体重一定是上述预报值吗?思考：线性回归模型与一次函数有何不同?新知：用相关系数r可衡量两个变量之间关系.计算公式为r =r>0, 相关, r<0 相关;相关系数的绝对值越接近于1，两个变量的线性相关关系，它们的散点图越接近；r>，两个变量有关系.※典型例题例1某班5名学生的数学和物理成绩如下表:(2)求物理成绩y对数学成绩x的回归直线方程;(3)该班某学生数学成绩为96,试预测其物理成绩;变式：该班某学生数学成绩为55,试预测其物理成绩;小结：求线性回归方程的步骤：※动手试试练.(07广东文科卷）下表提供了某厂节能降耗技术改造后生产甲产品过程中记录的产量x(吨)与相应的生产能耗y (吨标准煤)的几组对照数据(1)请画出上表数据的散点图；(2)请根据上表提供的数据，用最小二乘法求出y关于x的线性回归方程y bx a=+；(3)已知该厂技改前100吨甲产品的生产能耗为90吨标准煤．试根据(2)求出的线性同归方程，预测生产100吨甲产品的生产能耗比技改前降低多少吨标准煤?⨯+⨯+⨯+⨯=)(参考数值3 2.543546 4.566.5三、总结提升※学习小结1. 求线性回归方程的步骤：2. 线性回归模型与一次函数有何不同※知识拓展※自我评价你完成本节导学案的情况为（）.A. 很好B. 较好C. 一般D. 较差※当堂检测（时量：5分钟满分：10分）计分：1. 下列两个变量具有相关关系的是（）A. 正方体的体积与边长B. 人的身高与视力C.人的身高与体重D.匀速直线运动中的位移与时间2. 在画两个变量的散点图时，下面哪个叙述是正确的（）A. 预报变量在x 轴上，解释变量在y 轴上B. 解释变量在x 轴上，预报变量在y 轴上C. 可以选择两个变量中任意一个变量在x 轴上D. 可选择两个变量中任意一个变量在y 轴上$必过（）3. 回归直线$$y bx a=+A. (0,0)B. (,0)x yx C. (0,)y D. (,)4.r越接近于1，两个变量的线性相关关系 .5. 已知回归直线方程$0.50.81=-,则25y xx=时,y的估计值为 .但还可以使用，它按不同的转速生产出来的某机械零件有一些会有下表为抽样试验的结果：（2）求回归直线方程；（3）若实际生产中，允许每小时的产品中有缺点的零件最多为 10 个，那么机器的运转速度应控制在什么范围内？。

最新回归分析练习题（有答案）1.1回归分析的基本思想及其初步应⽤⼀、选择题 1. 某同学由x 与y 之间的⼀组数据求得两个变量间的线性回归⽅程为y bx a =+，已知：数据x 的平均值为2，数据y 的平均值为3，则 ( )A ．回归直线必过点（2，3）B ．回归直线⼀定不过点（2，3）C ．点（2，3）在回归直线上⽅D ．点（2，3）在回归直线下⽅2. 在⼀次试验中，测得(x,y)的四组值分别是A(1,2),B(2,3),C(3,4),D(4,5)，则Y 与X 之间的回归直线⽅程为（）A ．$yx 1=+B ．$y x 2=+C ．$y 2x 1=+ Ｄ．$yx 1=-3. 在对两个变量x ，y 进⾏线性回归分析时，有下列步骤：①对所求出的回归直线⽅程作出解释；②收集数据(i x 、i y ），1,2i =，…，n ；③求线性回归⽅程；④求未知参数；⑤根据所搜集的数据绘制散点图如果根据可⾏性要求能够作出变量,x y 具有线性相关结论，则在下列操作中正确的是（） A ．①②⑤③④ B ．③②④⑤① C ．②④③①⑤ D ．②⑤④③①4. 下列说法中正确的是（）A ．任何两个变量都具有相关关系B ．⼈的知识与其年龄具有相关关系C ．散点图中的各点是分散的没有规律D ．根据散点图求得的回归直线⽅程都是有意义的5. 给出下列结论：（1）在回归分析中，可⽤指数系数2R 的值判断模型的拟合效果，2R 越⼤，模型的拟合效果越好；（2）在回归分析中，可⽤残差平⽅和判断模型的拟合效果，残差平⽅和越⼤，模型的拟合效果越好；（3）在回归分析中，可⽤相关系数r 的值判断模型的拟合效果，r 越⼩，模型的拟合效果越好；（4）在回归分析中，可⽤残差图判断模型的拟合效果，残差点⽐较均匀地落在⽔平的带状区域中，说明这样的模型⽐较合适．带状区域的宽度越窄，说明模型的拟合精度越⾼．以上结论中，正确的有（）个．A ．1B ．2C ．3D ．4 6. 已知直线回归⽅程为2 1.5y x =-，则变量x 增加⼀个单位时（A.y 平均增加1.5个单位B.y 平均增加2个单位C.y 平均减少1.5个单位D.y 平均减少2个单位7. 下⾯的各图中，散点图与相关系数r 不符合的是（）8. ⼀位母亲记录了⼉⼦3～9岁的⾝⾼，由此建⽴的⾝⾼与年龄的回归直线⽅程为?7.1973.93yx =+，据此可以预测这个孩⼦10岁时的⾝⾼，则正确的叙述是（）A ．⾝⾼⼀定是145.83cmB ．⾝⾼超过146.00cmC ．⾝⾼低于145.00cmD ．⾝⾼在145.83cm 左右9. 在画两个变量的散点图时，下⾯哪个叙述是正确的( ) (A)预报变量在x 轴上，解释变量在y 轴上 (B)解释变量在x 轴上，预报变量在y 轴上 (C)可以选择两个变量中任意⼀个变量在x 轴上 (D)可以选择两个变量中任意⼀个变量在y 轴上10. 两个变量y 与x 的回归模型中，通常⽤2R 来刻画回归的效果，则正确的叙述是（）A. 2R 越⼩，残差平⽅和⼩B. 2R 越⼤，残差平⽅和⼤C. 2R 于残差平⽅和⽆关 D. 2R 越⼩，残差平⽅和⼤ 11. 两个变量y 与x 的回归模型中，分别选择了4个不同模型，它们的相关指数2R 如下，其中拟合效果最好的模型是( )A.模型1的相关指数2R 为0.98B.模型2的相关指数2R 为0.80C.模型3的相关指数2R 为0.50 D.模型4的相关指数2R 为0.2512. 在回归分析中，代表了数据点和它在回归直线上相应位置的差异的是( ) A.总偏差平⽅和 B.残差平⽅和 C.回归平⽅和 D.相关指数R 2产率为1000元时，⼯资为90元14. 下列结论正确的是（）①函数关系是⼀种确定性关系；②相关关系是⼀种⾮确定性关系；③回归分析是对具有函数关系的两个变量进⾏统计分析的⼀种⽅法；④回归分析是对具有相关关系的两个变量进⾏统计分析的⼀种常⽤⽅法．Ａ．①②Ｂ．①②③Ｃ．①②④Ｄ．①②③④15. 已知回归直线的斜率的估计值为1.23，样本点的中⼼为（4，5），则回归直线⽅程为（）Ａ．$1.234y x =+Ｂ．$1.235y x =+ Ｃ．$1.230.08y x =+ Ｄ．$0.08 1.23y x =+ ⼆、填空题16. 在⽐较两个模型的拟合效果时，甲、⼄两个模型的相关指数2R 的值分别约为0.96和0.85，则拟合效果好的模型是．17. 在回归分析中残差的计算公式为．18. 线性回归模型y bx a e =++（a 和b 为模型的未知参数）中，e 称为．19. 若⼀组观测值（x 1,y 1）（x 2,y 2）…（x n ,y n ）之间满⾜y i =bx i +a+e i (i=1、2.…n)若e i 恒为0，则R 2为_____三、解答题20. 调查某市出租车使⽤年限x和该年⽀出维修费⽤y（万元），得到数据如下：使⽤年限x 2 3 4 5 6维修费⽤y2．2 3．8 5．5 6．5 7．0（2）由（1）中结论预测第10年所⽀出的维修费⽤．（121()()()ni iiniix x y yb==-?-=-=-∑∑）21. 以下是某地搜集到的新房屋的销售价格y和房屋的⾯积x的数据：（1）画出数据对应的散点图；（2）求线性回归⽅程，并在散点图中加上回归直线；（3）据（2）的结果估计当房屋⾯积为2150m时的销售价格.（4）求第2个点的残差。

1．1回归分析的基本思想及其初步应用（第1课时）教案教材：人民教育出版社A版必修3授课教师：中卫市第一中学俞清华【教学目标】在《数学③（必修）》之后，学生已经学习了两个变量之间的相关关系，包括画散点图，最小二乘法求回归直线方程等内容.在人教A版选修1-2第一章第一节“回归分析的基本思想及其初步应用”这一节中进一步介绍回归分析的基本思想及其初步应用.这部分内容《教师用书》共计4课时，第一课时：介绍线性回归模型的数学表达式，解释随机误差项产生的原因，使学生能正确理解回归方程的预报结果；第二课时：从相关系数、相关指数和残差分析角度探讨回归模型的拟合效果，以及建立回归模型的基本步骤；第三课时：介绍两个变量非线性相关关系；第四课时：回归分析的应用. 本节课是第一课时的内容.1、知识与技能目标认识随机误差；2、过程与方法目标（1）会使用函数计算器求回归方程；（2）能正确理解回归方程的预报结果.3、情感、态度、价值观通过本节课的学习，加强数学与现实生活的联系，以科学的态度评价两个变量的相关性，理解处理问题的方法，形成严谨的治学态度和锲而不舍的求学精神.培养学生运用所学知识，解决实际问题的能力.教学中适当地利用学生合作与交流，使学生在学习的同时，体会与他人合作的重要性.【教学重点】随机误差ｅ的认识【教学难点】随机误差的来源和对预报变量的影响【教学方法】启发式教学法【教学手段】多媒体辅助教学【教学流程】【教学过程设计】．几点注明：1、复习引入时教师做示范——提供5组身高与体重的数据，用Excel展示如何画散点图、用最小二乘法求线性回归方程.随机抽样并列表如下：2、计算机做散点图的步骤如下：（1）进入Excel软件操作界面，在A1,B1分别输入“身高”和“体重”，在A,B 列输入相应的数据.（2）点击“图表向导”图标，进入“图表类型”对话框，选择“标准类型”中的“XY散点图”，单击“下一步”.（3）在“图表向导”中的“图表数据源”对话框中，选择“系列”选项，单击“添加”按钮添加系列1，在“X值”栏中输入身高所在数据区域，在“Y值”栏中输入体重所在数据区域，单击“下一步”.（4）进入“图表向导”中的图表选项对话框，对图表的一些属性进行设置. （5）单击“完成”按钮.注：也可以直接使用我们提供的文件来给学生演示，相对节约课堂时间.3、学生使用函数计算器求回归方程的过程如下：MODE SHIFT CLR =1 13 ， DT 165 49 ，DT17565， DT 165 58 ， DT 157 51 ， DT 170 53 SHIFT CLRSHIFTCLR2==1 (进入回归计算模式)(清除统计存储器)(输入五组数据)所以回归方程为 yˆ0.673x-56.79 (计算参数a) (计算参数b)（学生还会使用更先进的计算器）4、课堂使用的数据如下高二女生前15组数据列表：高二女生中间15组数据列表：高二女生后15组数据列表：课本P2例题1 女大学生8组数据列表：例1.1．1回归分析的基本思想及其初步应用（第1课时）教案说明教材：人民教育出版社A版必修3授课教师：中卫市第一中学俞清华1、设计理念《数学课程标准》明确指出：有效的数学学习活动不能单纯地模仿与记忆，动手实践、自主探索与合作交流，可以促进学生自主、全面、可持续的发展，是学生学习数学的重要方式．为使教学真正做到以学生为本，我对教材P2—P3的知识进行了适当地重组和加工，力求给学生提供研究、探讨的时间与空间，让学生充分经历“做数学”的过程，促使学生在自主中求知，在合作中获取，在探究中发展.2、授课内容的数学本质与教学目标定位回归分析，是一种从事物因果关系出发进行预测的方法．操作中，是在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式），预测今后事物发展的趋势．然而，所建立的回归方程与样本点的分布之间还存在有差异，这一差异就是我们本节课学习的主要内容：随机变量．3、学习本课内容的基础以及应用本课内容安排在《数学3（必修）》之后，学生已经学习了两个变量之间的相关关系，包括画散点图，会利用最小二乘法求回归直线方程等内容.以此为基础，进一步讨论一元线性回归模型，分析产生模型中随机误差项的原因，从而让学生了解线性回归模型与函数模型之间的区别与联系，体会统计思维与确定性思维的区别与联系.通过本节课的学习，为后继课程了解偏差平方和分解思想和相关指数的含义、了解相关指数R2和模型拟合的效果之间的关系、了解残差图的作用，体会什么是回归分析、回归分的必要性，都起到铺垫作用．在本节课的教学中，学生使用了函数计算器，教师则利用电脑Excel表格完成对数据的整理，需要学生有一定的动手能力．4、学习本课内容时容易了解与容易误解的地方由于学生对必修3中的线性回归知识已经熟悉，会抽取样本、会画散点图、会利用最小二乘法求出线性回归方程，所以本节课学生容易了解：（1）从散点图看出，样本点呈条状分布，体重与身高具有线性相关关系，因此可以用线性回归方程来近似刻画它们之间的关系．（2）可以发现样本点并不完全落在回归方程上，有随机误差存在.（3）容易理解由一条回归方程预测到的身高172cm的女生体重不是都一样，它只是一个平均值．在学习过程中，相对不易理解的地方有：（1）对于随机误差的来源，学生是能够从样本的个体差异上来理解的，但是对于由用线性回归模型近似真实模型所引起的误差，学生理解还是有一定困难的.（2）随机误差对预报变量的影响，学生从感性上很好理解，当然是随机误差越小越好.但是从理性上认识，怎样从数据上刻画出随机误差是否变小了呢？学生还有困难.5、本节课的教法特点以及预期效果分析5.1 改造创新教师通过分析教材和学生认知规律，创造性地使用教材，做到既重视教材，更重视学生.具体说来有以下改造：（1）创设生活情景.利用学生的“体检经验”设置问题，既没有脱离课本例题1的相关内容，又能激发学生对数学的亲切感，引发学生看个究竟的冲动，兴趣盎然地投入学习.（2）充分体现随机观念.课本上仅仅希望利用8组数据就要学生体会到统计的思想和后继课程中回归分析的必要性，实在是为难学生了．在本课教学设计学生操作时强调“增多数据，加强比较”. 帮助学生体会“不同事件（如课本例1女大学生和高二女生）”，则统计结果不同、“同一事件（如都是高二女生），采样不同结果也不同”的基本事实.（3）教师的作用. 在这节课里，教师在学生操作结束后，利用更多数据的操作，形成一个与学生结果的对比，这一操作与展示为学生创造了新的思维增长点，引领学生进入更深层领悟.5.2 问题性本课教学以问题引导学习活动，通过恰时恰点地提出问题，提好问题，给学生提问的示范，使他们领悟发现和提出问题的艺术，引导他们更加主动和有兴趣地学，逐步培养学生的问题意识，孕育创新精神.例如，在“结果的分析”中的问题4、“预测出的体重值都不同，那么它还有参考价值吗？”目的是让学生充分认识随机误差e的来源和对预报变量的影响，而这一问题的提出，立刻吸引学生细细体会随机观念，同时激发出学生的好奇心，提升深入探求的欲望．5.3 合作、探究的学习方式本节课的合作学习体现在两个方面：除了体现在每个小组内部成员之间，还体现在整堂课的教学结构上．小组成员内部提倡“不同的人作不同的事”，面对不同分组，学生可以自主选择的不同工作，动手带动动脑，遇到小的问题，通过探讨和帮助，能做到“学生的问题由学生自己解决”，促进对某一问题更清晰的认识，还能感受到团结合作的好处与必要.同时，每个小组的劳动成果共同构成课堂教学需要的多条回归方程，组与组之间的合作推动整节课的比较与区分得以实现.5.4教学手段本课积极将数学课程与信息技术进行整合，采用多种技术手段，特点主要体现如下：（1）以PPT 为操作平台，界面活泼，操作简单，能有效支持多种其它技术；（2）教师用Excel图表展示，直观形象，节约时间，帮助学生顺利完成学习内容；（3）学生使用函数计算器动手操作，求出回归方程．本课预期：（1）学生可以很好地复习使用函数计算器求回归方程，虽然在要求学生自己操作前教师有一个示例，但是还是会有一少部分人不会使用，所以在教学前要有一定的思想准备，和必要措施.（2）在分析各个组的预测结果为什么有差异时，由于个体经验不同，对问题的挖掘深度产生不同，这时教师的启发引导可能会十分必要，不能完全由学生漫无目的的“讨论”，使学生活动流于形式.（3）“结果分析”前，由学生展示操作成果，这些结果已经够用来说明问题，教师不要急于参与.在“结果分析”的第4个问题中引入教师利用电脑求出的由45 组数据得到的回归方程，让学生再一次通过比较得到新的思考点——怎样知道自己模拟的回归方程身高变化对体重变化影响有多大呢？这样会使学生自然而然渴望进一步了解相关回归分析的知识，为后继课程做好伏笔.对于体现本节课承上启下的作用，可能更好一些.6 教学反思通过本节课的教学实践，我再次体会到什么是由“关注知识”转向“关注学生”，在教学过程中，注意到了由“给出知识”转向“引起活动”，由“完成教学任务”转向“促进学生发展”，课堂上的真正主人应该是学生．一堂好课，师生一定会有共同的、积极的情感体验．本节课的教学中，知识点均是学生通过探索“发现”的，学生充分经历了探索与发现的过程．教学中没有以练习为主，而是定位在知识形成过程的探索，注重数学的思想性，如统计思想、随机观念、函数思想、数形结合的思想方法等，引导学生体验数学中的理性精神，加强数学形式下的思考和推理。

新课标人教A版数学选修1-2全套教案用心整理的精品word 文档，下载即可编辑！！第一章统计案例第一课时 1.1 回归分析的基本思想及其初步应用（一）教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用.教学重点：了解线性回归模型与函数模型的差异，了解判断刻画模型拟合效果的方法－相关指数和残差分析.教学难点：解释残差变量的含义，了解偏差平方和分解的思想.教学过程：一、复习准备：1. 提问：“名师出高徒”这句彦语的意思是什么？有名气的老师就一定能教出厉害的学生吗？这两者之间是否有关？2. 复习：函数关系是一种确定性关系，而相关关系是一种非确定性关系. 回归分析是对具有相关关系的两个变量进行统计分析的一种常用方法，其步骤：收集数据作散点图求回归直线方程利用方程进行预报.二、讲授新课：1. 教学例题：①例1 从某大学中随机选取8 名女大学生，其身高和体重数据如下表所示：编号 1 2 3 4 5 6 7 8身高165 165 157 170 175 165 155 170/cm体重48 57 50 54 64 61 43 59/kg求根据一名女大学生的身高预报她的体重的回归方程，并预报一名身高为172cm 的女大学生的体重. （分析思路教师演示学生整理）7060g k / 5040 精心整理，用心做精品2重体302010150 155 160 165 170 175 180身高/cm第一步：作散点图第二步：求回归方程第三步：代值计算②提问：身高为172cm的女大学生的体重一定是60.316kg 吗？不一定，但一般可以认为她的体重在60.316kg 左右.③解释线性回归模型与一次函数的不同事实上，观察上述散点图，我们可以发现女大学生的体重y 和身高x 之间的关系并不能用一次函数y bx a 来严格刻画（因为所有的样本点不共线，所以线性模型只能近似地刻画身高和体重的关系）. 在数据表中身高为165cm的3 名女大学生的体重分别为48kg、57kg 和61kg，如果能用一次函数来描述体重与身高的关系，那么身高为165cm的3 名女在学生的体重应相同. 这就说明体重不仅受身高的影响还受其他因素的影响，把这种影响的结果 e （即残差变量或随机变量）引入到线性函数模型中，得到线性回归模型y bx a e，其中残差变量 e 中包含体重不能由身高的线性函数解释的所有部分. 当残差变量恒等于0 时，线性回归模型就变成一次函数模型. 因此，一次函数模型是线性回归模型的特殊形式，线性回归模型是一次函数模型的一般形式.2. 相关系数：相关系数的绝对值越接近于1，两个变量的线性相关关系越强，它们的散点图越接近一条直线，这时用线性回归模型拟合这组数据就越好，此时建立的线性回归模型是有意义.精心整理，用心做精品33. 小结：求线性回归方程的步骤、线性回归模型与一次函数的不同.第二课时 1.1 回归分析的基本思想及其初步应用（二）教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用.教学重点：了解评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.教学难点：了解评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.教学过程：一、复习准备：1．由例1 知，预报变量（体重）的值受解释变量（身高）或随机误差的影响. 2．为了刻画预报变量（体重）的变化在多大程度上与解释变量（身高）有关？在多大程度上与随机误差有关？我们引入了评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.二、讲授新课：1. 教学总偏差平方和、残差平方和、回归平方和：（1）总偏差平方和：所有单个样本值与样本均值差的平方和，即nSST y y 2 .( )ii 1残差平方和：回归值与样本值差的平方和，即nSSE y y 2 .( )i ii 1回归平方和：相应回归值与样本均值差的平方和，即nSSR y y .( )2ii 1（2）学习要领：①注意y i 、y i 、y 的区别；②预报变量的变化程度可以分解为由解释变量引起的变化程度与残差变量的变化程度之和，即n n n2 2 2( y y) ( y y ) ( y y) ；③当总偏差平方和相对固定时，残差平方和i i i ii 1 i 1 i 1精心整理，用心做精品4越小，则回归平方和越大，此时模型的拟合效果越好；④对于多个不同的模型，我们还可以引入相关指数n2( y y )i i2 1iR 1n2(y y)ii 1来刻画回归的效果，它表示解释变量对预报变量变化的贡献率. 2 R 的值越大，说明残差平方和越小，也就是说模型拟合的效果越好.2. 教学例题：例2 关于x 与Y 有如下数据：x 2 4 5 6 8y 30 40 60 50 70为了对x 、Y 两个变量进行统计分析，现有以下两种线性模型：y x ，y 7x17 ，试比较哪一个模型拟合的效果更好.6.5 17.5分析：既可分别求出两种模型下的总偏差平方和、残差平方和、回归平方和，也可分别求出两种模型下的相关指数，然后再进行比较，从而得出结论.（答案：52(y y )i i155R 1 1 0.8452 i 11 51000( y y)2i，R2 1i5152( y y )i i(y y)2i1801 0.821000，84.5%＞82%，所以i 1 i 1甲选用的模型拟合效果较好. ）3. 小结：分清总偏差平方和、残差平方和、回归平方和，初步了解如何评价两个不同模型拟合效果的好坏.第三课时 1.1 回归分析的基本思想及其初步应用（三）教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用.教学重点：通过探究使学生体会有些非线性模型通过变换可以转化为线性回归模型，了解在解决实际问题的过程中寻找更好的模型的方法.精心整理，用心做精品5用心整理的精品word 文档，下载即可编辑！！教学难点：了解常用函数的图象特点，选择不同的模型建模，并通过比较相关指数对不同的模型进行比较.教学过程：一、复习准备：1. 给出例3：一只红铃虫的产卵数y和温度x有关，现收集了7 组观测数据列于下表中，试建立y 与x 之间的回归方程.温度x/ C 21 23 25 27 29 32 35产卵数y / 7 11 21 24 66 115 325个（学生描述步骤，教师演示）3502. 讨论：观察右图中的散点图，发现样本点并没有数卵产300 250 200 150分布在某个带状区域内，即两个变量不呈线性相关关100 500 10 20 30 40 系，所以不能直接用线性回归方程来建立两个变量之温度间的关系.二、讲授新课：1. 探究非线性回归方程的确定：①如果散点图中的点分布在一个直线状带形区域，可以选线性回归模型来建模；如果散点图中的点分布在一个曲线状带形区域，就需选择非线性回归模型来建模.C x②根据已有的函数知识，可以发现样本点分布在某一条指数函数曲线y=C1e 2 的周围（其中c1 ,c2 是待定的参数），故可用指数函数模型来拟合这两个变量.③在上式两边取对数，得ln y c2 x ln c1 ，再令z ln y ，则z c2 x ln c1 ，而z 与x间的关系如下：7654z3210 10 20 30 40x精心整理，用心做精品6用心整理的精品word 文档，下载即可编辑！！X 21 23 25 27 29 32 35z 1.946 2.398 3.045 3.178 4.190 4.745 5.784观察z 与x 的散点图，可以发现变换后样本点分布在一条直线的附近，因此可以用线性回归方程来拟合.④利用计算器算得 a 3.843,b 0.272 ，z 与x间的线性回归方程为z 0.272x 3.843，因此红铃虫的产卵数对温度的非线性回归方程为0.272 x 3.843y e .⑤利用回归方程探究非线性回归问题，可按“作散点图建模确定方程”这三个步骤进行.其关键在于如何通过适当的变换，将非线性回归问题转化成线性回归问题.2. 小结：用回归方程探究非线性回归问题的方法、步骤.三、巩固练习：为了研究某种细菌随时间x 变化，繁殖的个数，收集数据如下：天数x/ 天 1 2 3 4 5 6繁殖个数y/ 6 12 25 49 95 190个（1）用天数作解释变量，繁殖个数作预报变量，作出这些数据的散点图；（2）试求出预报变量对解释变量的回归方程. （答案：所求非线性回归方程为0.69 x 1.112 . ）y?=e第四课时 1.1 回归分析的基本思想及其初步应用（四）教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用.教学重点：通过探究使学生体会有些非线性模型通过变换可以转化为线性回归模型，了解在解决实际问题的过程中寻找更好的模型的方法，了解可用残差分析的方法，比较两种模型的拟合效果.精心整理，用心做精品7。

《回归分析的基本思想及其初步应用》方法规律总结1.线性回归分析的过程：(1)随机抽取样本，确定数据，形成样本点；(2)由样本点形成散点图，判定是否具有线性相关关系；(3)由最小二乘法求线性回归方程；(4)进行残差分析，分析模型的拟合效果，不合适时，分析错因，予以纠正；(5)依据回归方程作出预报．2．用散点图可粗略判断两个变量间有无线性相关关系，用相关指数R2可以描述两个变量之间的密切程度．3．随机误差及其产生的原因从散点图中我们可以看到，样本点散布在某一条直线附近，而不是在一条直线上，所以不能用一次函数y ＝bx ＋a 来描述它们之间的关系，而是用线性回归模型y ＝bx ＋a ＋e 来表示，其中e 称为随机误差．产生随机误差的主要原因有以下3个方面：(1)用线性回归模型近似真实模型所引起的误差．可能存在非线性的函数能更好地描述y 与x 之间的关系，但是现在却用线性函数来表述这种关系，结果会产生误差．这种由模型近似所引起的误差包含在e 中．(2)忽略了某些因素的影响．影响变量y 的因素不只变量x ，可能还包括其他许多因素(例如在描述身高和体重关系的模型中，体重不仅受身高的影响，还会受遗传基因、饮食习惯、生长环境等其他因素的影响)，它们的影响都体现在e 中．(3)观测误差．由于测量工具等原因，导致y 的观测值产生误差(比如一个人的体重是确定的数，但由于测量工具的影响和测量人技术的影响可能会得到不同的观测值，与真实值之间存在误差)，这样的误差也包含在e 中．4．正确理解预报变量的变化与解释变量和随机误差的关系预报变量的变化程度可以分解为解释变量引起的变化程度与随机误差e 的变化程度之和．为了衡量回归直线方程y ^＝b ^x ＋a ^的拟合效果，作残差e ^i ＝yi －y ^i ，其中xi 、yi 为观测到的样本点，y ^i ＝b ^xi ＋a ^是由回归模型得到的值，残差图的带状区域越窄，模型的拟合精度就越高，由回归方程作出的预报精度就越高．模型的拟合效果通过相关指数R2来刻画．在线性回归模型中，R2表示解释变量对预报变量变化的贡献率．R2越接近于1，表示解释变量和预报变量的线性相关性越强；反之，R2越小，说明随机误差对预报变量的效应越大。

第40课时 回归分析基本思想及其初步应用（一）学习目标：1、了解相关关系的概念及其与函数关系的区别；2、掌握线性回归方程的求法及其步骤；3、了解线性回归模型及随机误差的含义。

教学重点； 线性回归方程 教学难点： 线性回归模型 教学工具： Powerpoint 教学过程：（一） 复习引入1、相关关系：对于两个变量，当自变量的取值一定时，因变量的取值带有一定随机性的两个变量之间的关系。

2、函数关系：两个变量之间是一种确定性关系；3、两个具有线性相关关系的变量的统计分析步骤（板书）： 设样本点（x 1,y 1）,(x 2,y 2),……,(x n ,y n ) （1） 画出散点图； （2） 求回归直线方程abx y+=∧，其中∑∑∑∑====∧--=---=ni i ni i i ni i ni i i xn x yx n y x x x y y x x b 1221121)())((………①xb y a ∧∧-= ………②（3） 利用线性回归方程进行预报 这种方法叫做回归分析，是对具有相关关系的两个变量进行统计分析的一种常用方法。

板书：（y x ,）叫做样本点的中心，回归直线过样本点的中心。

（二）推进新课60.316kg 的女大学生的身高（精确到1cm ）。

解：由于问题中要求根据体重预报身高，因此选取体重为自变量x ，身高为因变量y.作出散点图如下：从图中可以看出，样本点呈条状分布，体重和身高有比较好的线必相关关系，因此可以用回归直线y=bx+a 来近似刻画它们之间的关系。

又据表中数据计算得：5.54=x ，25.165=y，24116812=∑=i i x ，218774812=∑=i i y ，7231581=∑=i i i y x于是根据前面的公式①②，可以得∧b=7514.05.54102411625.1655.5410723152=⨯-⨯⨯-xb y a ∧∧-==165.25-0.7514×54.5=124.3于是得到回归方程：124.30.7514x y+=∧∧b＝0.7514是回归直线的斜率的估计值，说明体重每增加1单位时，身高就增加0.7514个单位，这表明身高y 和体重x 具有正的线性相关关系.因此，对于体重为60.316kg 的女大学生，由回归方程可以预报其身高为：cm17062.169124.360.3160.7514y ≈=+⨯=∧探究（1）体重60.316kg 的女大学生的身高一定是170cm 吗？如果不是，其原因是什么？ 显然，体重60.316kg 的女大学生的身高不一定是170cm ，但一般可以认为她的身高在170cm 左右。

回归分析的基本思想及其初步应用1. 通过对实际问题的分析，了解回归分析的必要性与回归分析的一般步骤。

2. 能作出散点图，能求其回归直线方程。

3. 会用所学的知识对简单的实际问题进行回归分析。

【要点梳理】要点一、变量间的相关关系1. 变量与变量间的两种关系：（1） 函数关系：这是一种确定性的关系，即一个变量能被另一个变量按照某种对应法则唯一确定．例如圆的面积．S 与半径r 之间的关系S=πr 2为函数关系．（2）相关关系：这是一种非确定性关系．当一个变量取值一定时，另一个变量的取值带有一定的随机性，这两个变量之间的关系叫做相关关系。

例如人的身高不能确定体重，但一般来说“身高者，体重也重”，我们说身高与体重这两个变量具有相关关系． 2. 相关关系的分类：（1）在两个变量中，一个变量是可控制变量，另一个变量是随机变量，如施肥量与水稻产量； （2）两个变量均为随机变量，如某学生的语文成绩与化学成绩． 3. 散点图：将两个变量的各对数据在直角坐标系中描点而得到的图形叫做散点图．它直观地描述了两个变量之间有没有相关关系．这是我们判断的一种依据．4. 回归分析：与函数关系不同，相关关系是一种非确定性关系，对具有相关关系的两个变量进行统计分析的方法叫做回归分析。

要点二、线性回归方程：1．回归直线如果散点图中点的分布从整体上看大致在一条直线附近，我们就称这两个变量之间具有线性相关关系，这条直线叫作回归直线。

2．回归直线方程ˆˆˆybx a =+ 对于一组具有线性相关关系的数据11(,)x y ，22(,)x y ，……，(,)n n x y ，其回归直线ˆˆˆybx a =+的截距和斜率的最小二乘法估计公式分别为：121()()ˆ()niii nii x x y y bx x ==--=-∑∑，ˆˆay bx =- 其中x 表示数据x i （i=1，2，…，n ）的均值，y 表示数据y i （i=1，2，…，n ）的均值，xy 表示数据x i y i （i=1，2，…，n ）的均值．a 、b 的意义是：以a 为基数，x 每增加一个单位，y 相应地平均变化b 个单位．要点诠释：①回归系数121()()ˆ()niii nii x x y y bx x ==--=-∑∑，也可以表示为1221ˆni ii nii x y nx ybxnx==-=-∑∑，这样更便于实际计算。

回归分析的基本思想及其初步应用学习任务：进一步了解与线性回归模型有关的一些统计思想（引入残差变量的必要性；残差分析和相关指数的作用；对模型预报结果的正确认识等）。

主要知识点：回归模型与函数模型的区别；线性回归模型的数学表达式；建立回归模型的基本步骤；随机误差产生的原因；回归方程的预报结果（相关系数、相关指数、残差分析等角度）；非线性相关关系转化为线性回归模型。

重点：回归模型与函数模型的区别；回归模型拟合效果的刻画——相关指数与残差分析。

难点：残差变量的解释；偏差平方和分解的思想。

一、函数关系与相关关系函数关系是两个变量之间的一种确定性的关系，而相关关系是一种非确定性的关系。

相关关系有线性相关关系与非线性相关关系。

用统计方法解决问题的基本步骤为：提出问题、收集数据、分析整理数据、预测或决策。

例1 为了预报一名身高为172cm的女大学生的体重，从某大学中随机选取8名女大学生作为样本，收集她们的身高和体重的数据如下表所示.。

从散点图中可以看出，图像同时经过这8个样本点的函数是不存在的，因此，这里的体重变量y与身高变量x不具有确定的函数关系；事实上，注意到当x=165时，y有48,57,61三个不同的取值，根据函数概念可知，这里的变量y与变量x根本就不可能具有函数关系；但由于这8个样本点分布在从左下方到右上方的一个带形区域内，使我们初步感觉到身高变量x与体重变量y并非没有关系，因此，应存在某一直线l，使这8个点都落在该直线附近，从而说明这里的变量y与变量x具有非确定性的线性相关关系。

那么，这条直线l的方程是什么？如何根据直线l的方程预报一名身高为172cm的女大学生的体重？预报值的含义是什么？预报的精确度又如何呢？回归分析是对具有相关关系的两个变量进行统计分析的一种常用方法，其最基本的过程为：画散点图→求回归方程→用回归方程进行预报。

二、最小二乘估计公式（求回归直线方程的一种方法）例1中的8名女大学生是一个随机抽样样本，所获得的8组身高和体重的数据对称为观测数据（或样本数据）.一般地，设对变量x 与y 有一组观测数据),...,3,2,1)(,(n i y x i i =，这些样本点都分布在直线l 的附近，直线l 的方程为：αβ+=x y （称变量x 为解释变量，变量y 为预报变量或观测变量）.方程中αβ,是客观存在的真实值，但由于变量x 与y 并不具有线性函数关系，我们无法确切地知道αβ,具体是何值。