求回归直线方程

线性回归方程公式线性回归是一种用于预测连续数值变量的统计方法。

它基于一个线性的数学模型，通过寻找最佳的拟合直线来描述自变量和因变量之间的关系。

线性回归方程公式为：Y=β0+β1X1+β2X2+...+βnXn+ε其中，Y是因变量，X1,X2,...,Xn是自变量，β0,β1,β2,...,βn是回归系数，ε是误差项。

回归系数表示自变量对因变量的影响程度。

线性回归的基本假设是：1.线性关系：自变量和因变量之间存在线性关系，即因变量的变化可以通过自变量的线性组合来解释。

2.残差独立同分布：误差项ε是独立同分布的，即误差项之间不存在相关性。

3.残差服从正态分布：误差项ε服从正态分布，即在每个自变量取值下，因变量的观测值呈正态分布。

4.残差方差齐性：在每个自变量取值下，因变量的观测值的方差是相等的。

线性回归的求解方法是最小二乘法，即通过最小化实际观测值与回归方程预测值之间的平方差来估计回归系数。

具体步骤如下：1.数据收集：收集自变量和因变量的观测数据。

2.模型设定：根据自变量和因变量之间的关系设定一个线性模型。

3.参数估计：通过最小化平方误差来估计回归系数。

4.模型检验：通过检验残差的随机性、正态性和方差齐性等假设来检验模型的合理性。

5.模型拟合：利用估计的回归系数对未知自变量的观测值进行预测。

6.模型评估：通过评估预测结果的准确性来评估模型的性能。

Y=β0+β1X1+β2X2+...+βnXn+ε其中，Y是因变量，X1,X2,...,Xn是自变量，β0,β1,β2,...,βn 是回归系数，ε是误差项。

多元线性回归方程可以更准确地描述自变量和因变量之间的关系。

除了最小二乘法，还有其他方法可以用来求解线性回归模型，如梯度下降法和最大似然估计法等。

这些方法可以在不同的情况下选择使用，以获得更好的回归模型。

线性回归是一种经典的预测分析方法，被广泛应用于各个领域，如经济学、金融学、社会科学、自然科学等。

通过建立合适的线性回归模型，可以帮助我们理解自变量和因变量之间的关系，并用于预测未来的趋势和变化。

线性回归方程公式线性回归是一种常见的统计学方法，用于建立一个预测目标变量与一个或多个自变量之间的线性关系模型。

它是一种广泛应用的回归方法，适用于各种领域，如经济学、金融学、社会学、生物学和工程学等。

线性回归模型可以表示为以下形式：Y = b0 + b1*X1 + b2*X2+ ... + bp*Xp，其中Y是目标变量，X1、X2、...、Xp是自变量，b0、b1、b2、...、bp是回归系数。

这个方程描述了目标变量Y与自变量X之间的线性关系，通过调整回归系数的值可以拟合数据并预测未知数据的值。

线性回归模型的目标是找到最佳拟合直线，使得预测值与实际观测值之间的误差最小化。

常用的误差衡量指标是残差平方和（RSS），也可以使用其他指标如平均绝对误差（MAE）和均方根误差（RMSE）。

线性回归模型的建立过程包括两个主要步骤：参数估计和模型评估。

参数估计是通过最小化误差来确定回归系数的值。

最常用的方法是最小二乘法，通过最小化残差平方和来估计回归系数。

模型评估是用来评估模型的拟合优度和预测能力，常用的指标包括决定系数（R^2）、调整决定系数（Adjusted R^2）和F统计量。

线性回归模型的假设包括线性关系、误差项的独立性、误差项的方差恒定以及误差项服从正态分布。

如果这些假设不成立，可能会导致模型的拟合效果不佳或不可靠的预测结果。

对于线性回归模型的建立，首先需要收集相关的数据，然后进行数据的处理和变量选择。

数据处理包括缺失值处理、异常值处理和变量转换等。

变量选择是通过统计方法或经验判断来选择对目标变量有影响的自变量。

常见的变量选择方法包括逐步回归、岭回归和lasso回归等。

在建立模型之后，需要对模型进行评估和验证。

评估模型的拟合优度是通过决定系数和F统计量来实现的，较高的决定系数和较小的F统计量表明模型的拟合效果较好。

验证模型的预测能力可以使用交叉验证等方法。

线性回归模型还有一些扩展形式，如多项式回归、加权回归和广义线性回归等。

回归性方程
回归方程是根据样本资料通过回归分析所得到的反映一个变量（因变量）对另一个或一组变量（自变量）的回归关系的数学表达式。

回归直线方程用得比较多，可以用最小二乘法求回归直线方程中的a,b，从而得到回归直线方程。

原理
对变量之间统计关系进行定量描述的一种数学表达式。

指具有相关的随机变量和固定变量之间关系的方程。

回归直线方程指在一组具有相关关系的变量的数据（x与Y）间，一条最好地反映x与y之间的关系直线。

离差作为表示Xi对应的回归直线纵坐标y与观察值Yi的差，其几何意义可用点与其在回归直线竖直方向上的投影间的距离来描述。

数学表达:Yi-y^=Yi-a-bXi.
总离差不能用n个离差之和来表示，通常是用离差的平方和，即(Yi-a-bXi)^2计算。

线性回归方程的公式为：b=（x1y1+x2y2+…xnyn-nxy）/（x1+x2+…xnNX）。

线性回归方程是数理统计中使用回归分析来确定两个或多个变量之间定量关系的统计分析方法之一。

线性回归方程公式_数学公式线性回归方程公式线性回归方程公式：b=(x1y1+x2y2+...xnyn-nXY)/(x1+x2+...xn-nX)。

线性回归方程公式求法：第一：用所给样本求出两个相关变量的(算术)平均值：x_=(x1+x2+x3+...+xn)/ny_=(y1+y2+y3+...+yn)/n第二：分别计算分子和分母：(两个公式任选其一)分子=(x1y1+x2y2+x3y3+...+xnyn)-nx_Y_分母=(x1^2+x2^2+x3^2+...+xn^2)-n__x_^2第三：计算b：b=分子/分母用最小二乘法估计参数b，设服从正态分布，分别求对a、b的偏导数并令它们等于零。

其中，且为观测值的样本方差.线性方程称为关于的线性回归方程，称为回归系数，对应的直线称为回归直线.顺便指出，将来还需用到，其中为观测值的样本方差。

先求x，y的平均值X，Y再用公式代入求解:b=(x1y1+x2y2+...xnyn-nXY)/(x1+x2+...xn-nX)后把x，y的平均数X，Y代入a=Y-bX求出a并代入总的公式y=bx+a得到线性回归方程(X为xi的平均数，Y为yi的平均数)线性回归方程的应用线性回归方程是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。

这是因为线性依赖于其未知参数的模型比非线性依赖于其位置参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。

线性回归有很多实际用途。

分为以下两大类：如果目标是预测或者映射，线性回归可以用来对观测数据集的和X的值拟合出一个预测模型。

当完成这样一个模型以后，对于一个新增的X值，在没有给定与它相配对的y的情况下，可以用这个拟合过的模型预测出一个y值。

给定一个变量y和一些变量X1,...,Xp，这些变量有可能与y相关，线性回归分析可以用来量化y与Xj之间相关性的强度，评估出与y不相关的Xj，并识别出哪些Xj的子集包含了关于y的冗余信息。

直线回归法公式直线回归法公式1. 简介直线回归法是一种用于建立变量之间线性关系的统计方法。

它通过找到一条最佳拟合直线，以最小化观测值与拟合值之间的误差，来预测因变量的值。

直线回归法广泛应用于经济学、统计学和机器学习等领域。

2. 简单线性回归简单线性回归是直线回归法的最基本形式，用于建立一个自变量和一个因变量之间的线性关系。

其回归方程可以用以下公式表示：y=β0+β1x+ϵ其中，y是因变量，x是自变量，β0和β1是回归系数，ϵ是误差。

举个例子来说明简单线性回归公式的应用。

假设我们要研究一个国家的人口增长与经济增长之间的关系。

我们收集了一系列年份和对应的人口数量和GDP增长率数据。

我们可以使用简单线性回归来建立人口数量（因变量）与GDP增长率（自变量）之间的关系模型。

3. 多元线性回归多元线性回归是在简单线性回归的基础上进一步扩展，用于建立多个自变量和一个因变量之间的线性关系。

其回归方程可以用以下公式表示：y=β0+β1x1+β2x2+⋯+βp x p+ϵ其中，y是因变量，x1,x2,…,x p是自变量，β0,β1,β2,…,βp是回归系数，ϵ是误差。

举个例子来说明多元线性回归公式的应用。

假设我们要研究一个公司的销售额与广告投入、产品价格、季节性因素等变量之间的关系。

我们可以使用多元线性回归来建立销售额（因变量）与广告投入、产品价格、季节性因素等（自变量）之间的关系模型。

4. 最小二乘法最小二乘法是直线回归法中常用的参数估计方法，用于寻找最佳拟合直线。

其原理是最小化观测值与拟合值之间的误差平方和。

最小二乘法通过最小化以下目标函数来估计回归系数：nmin∑(y i−y î)2i=1其中，y i是观测值，y î是拟合值，n是观测值的数量。

使用最小二乘法可以得到最优的回归系数，使得拟合直线与观测值之间的误差最小化。

5. 总结直线回归法是一种用于建立变量之间线性关系的统计方法。

简单线性回归和多元线性回归是直线回归法的两种形式。

第22讲 回归直线方程一、必备秘籍 1．两个变量线性相关(1)散点图：将样本中n 个数据点(,)i i x y (i ＝1,2，…，n )描在平面直角坐标系中得到的图形． (2)正相关与负相关①正相关：散点图中的点散布在从左下角到右上角的区域． ②负相关：散点图中的点散布在从左上角到右下角的区域． 2．回归直线的方程(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，就称这两个变量之间具有线性相关关系，这条直线叫做回归直线．(2)回归方程：回归直线对应的方程叫回归直线的方程，简称回归方程． (3)回归方程的推导过程：①假设已经得到两个具有线性相关关系的变量的一组数据11(,)x y ,22(,)x y ,33(,)x y (,)n n x y ．②设所求回归方程为y bx a =+，其中,a b 是待定参数． ③由最小二乘法得1122211()(),()nnii i ii i nniii i xx y y x ynx yb a y bx xx xnx ====---===---∑∑∑∑其中，b 是回归方程的斜率，a 是截距． 二、例题讲解1．（2021·哈尔滨市呼兰区第一中学校高三模拟预测（文））十三届全国人大三次会议表决通过了《中华人民共和国民法典》这部法律自2021年1月1日起施行，某市相关部门进行法律宣传，某宣传小分队记录了前5周每周普及宣传的人数与时间的数据，得到下表：（2）利用（1）的回归方程，预测该宣传小分队第7周普及宣传（民法典）的人数．参考公式及数据：回归方程ˆˆˆybx a =+中斜率和截距的最小二乘估计公式分别为()()()121ˆniii nii x x y y b x x ==--=-∑∑，ˆa y bx=-，()()51430i ii x x y y =--=∑.【答案】（1）4341y x =+；（2）预测该宣传小分队第7周普及宣传《民法典》的人数为342． 【分析】（1）求出x 、y 的值，将表格中的数据代入最小二乘法公式，求出b 、a 的值，可得出y 关于x 的线性回归方程；（2）将7x =代入回归直线方程，可得出结果. 【详解】（1）由题意得()11234535x =++++=，()1901201702102601705y =++++=， ()()()()()()52222221132333435310ii x x =-=-+-+-+-+-=∑，所以()()()51521430ˆ4310iii ii x x y y bx x ==--===-∑∑，所以ˆ17043341a y bx=-=-⨯=， 所以线性回归方程为4341y x =+；（2）由（1）知4341y x =+，令7x =，解得43741342y =⨯+=， 故预测该宣传小分队第7周普及宣传《民法典》的人数为342．2．（2021·合肥市第六中学高三模拟预测（文））树木根部半径与树木的高度呈正相关，即树木根部越粗，树木的高度也就越高.某块山地上种植了A 树木，某农科所为了研究A 树木的根部半径与树木的高度之间的关系，从这些地块中用简单随机抽样的方法抽取6棵A 树木，调查得到A 树木根部半径x (单位：米)与A 树木高度y (单位：米)的相关数据如表所示：（2）对（1）中得到的回归方程进行残差分析，若某A 树木的残差为零则认为该树木“长势标准”，在此片树木中随机抽取1棵A 树木，估计这棵树木“长势标准”的概率.参考公式：回归直线方程为y bx a =+，其中()()()1122211n ni iiii i b nnixii i x y nxy x x y y xnx x ==-==---==--∑∑∑∑，a y bx =-.【答案】（1）ˆ 20.9y x =+；（2）12【分析】（1）由最小二乘法先求样本点中心(),x y ，再代入公式求ˆ2b=，即可得到答案；（2）先计算6棵A 树木中残差为零的有3棵，占比为3162=，即可得到答案； 【详解】（1）由1(0.10.20.30.40.50.6)0.356x =⨯+++++=，1(1.1 1.3 1.6 1.5 2.0 2.1) 1.66y =⨯+++++=，610.1 1.10.2 1.30.3 1.60.4 1.50.5 2.00.6 2.1 3.71i ii x y==⨯+⨯+⨯+⨯+⨯+⨯=∑，6222222210.10.20.30.40.50.60.91ii x==+++++=∑，有62261216 3.7160.35 1.6ˆ20.9160.356i ii ii x yxybxx ==--⨯⨯===-⨯-∑∑，ˆˆ 1.6020.350.9ay bx =-=-⨯=， 故y 关于x 的回归方程为：ˆ 20.9yx =+. （2）当0.1x =时，ˆ20.10.9 1.1y=⨯+=，残差为1.1 1.10-=， 当0.2x =时，ˆ20.20.9 1.3y=⨯+=，残差为1.3 1.30-=， 当0.3x =时，ˆ20.30.9 1.5y=⨯+=，残差为1.6 1.50.1-=， 当0.4x =时，ˆ20.40.9 1.7y=⨯+=，残差为1.5 1.70.2-=-， 当0.5x =时，ˆ20.50.9 1.9y=⨯+=，残差为2.0 1.90.1-=， 当0.6x =时，ˆ20.60.9 2.1y=⨯+=，残差为2.1 2.10-=， 由这6棵A 树木中残差为零的有3棵，占比为3162=，∴这棵树木“长势标准”的概率为12.1．（2021·湖南师大附中高三月考）今年五月，某医院健康管理中心为了调查成年人体内某种自身免疫力指标，从在本院体检的人群中随机抽取了100人，按其免疫力指标分成如下五组：(10,20],(20,30],(30,40],(40,50],(50,60]，其频率分布直方图如图1所示．今年六月，某医药研究所研发了一种疫苗，对提高该免疫力有显著效果．经临床检测，将自身免疫力指标比较低的成年人分为五组，各组分别按不同剂量注射疫苗后，其免疫力指标y 与疫苗注射量x 个单位具有相关关系，样本数据的散点图如图2所示．（1）健管中心从自身免疫力指标在(40,60]内的样本中随机抽取3人调查其饮食习惯，记X 表示这3人中免疫力指标在(40,50]内的人数，求X 的分布列和数学期望；（2）由于大剂量注射疫苗会对身体产生一定的副作用，医学部门设定：自身免疫力指标较低的成年人注射疫苗后，其免疫力指标不应超过普通成年人群自身免疫力指标平均值的3倍．以健管中心抽取的100人作为普通人群的样本，据此估计疫苗注射量不应超过多少个单位．附：对于一组样本数据()()()1122,,,,,,n n x y x y x y ⋅⋅⋅，其回归直线ˆybx a =+的斜率和截距的最小二乘估计值分别为()()()1122211,nniii ii i nniii i x x yy x ynxyb a y bx x xxnx ====---===---∑∑∑∑． 【答案】（1）分布列见解析，125；（2）疫苗注射量不应超过80个单位． 【分析】（1）根据频率分布直方图分别求出自身免疫力指标在(40,50]内和在(50,60]内的人数，写出X 的可能取值，求出对应概率，即可写出分布列，再根据期望公式即可求得数学期望；（2）根据最小二乘法求得回归方程，然后求出免疫力指标的平均值，根据题意列出不等式，从而可得答案. 【详解】解：（1）由直方图知，自身免疫力指标在(40,50]内的人数为0.008101008⨯⨯=，在(50,60]内的人数为0.002101002⨯⨯=，则X 的可能取值为1，2，3．其中122130828282233101010177(1),(2),(3)151515C C C C C C P X P X P X C C C =========．所以X 的分布列为()7121231515155E X =⨯+⨯+⨯=． （2）由散点图知，5组样本数据(,)x y 分别为(10,30),(30,50),(50,60),(70,70),(90,90)，且x 与y 具有线性相关关系． 因为50,60x y ==，则22222210303050506070709090550607103050709055010b ⨯+⨯+⨯+⨯+⨯-⨯⨯==++++-⨯，760502510a =-⨯=，所以回归直线方程为ˆ0.725yx =+． 由直方图知，免疫力指标的平均值为26402482152535455527100100100100100⨯+⨯+⨯+⨯+⨯=． 由27381ˆy≤⨯=，得0.72581x +≤，解得80x ≤． 据此估计，疫苗注射量不应超过80个单位．2．（2021·安徽师范大学附属中学（理））根据国际疫情形势以及传染病防控的经验，加快新冠病毒疫苗接种是当前有力的防控手段，我国正在安全、有序加快推进疫苗接种工作，某乡村采取通知公告、微信推送、广播播放、条幅宣传等形式，积极开展疫苗接种社会宣传工作，消除群众疑虑，提高新冠疫苗接种率，让群众充分地认识到了疫苗接种的重要作用，自宣传开始后村干部统计了本村200名居民（未接种）的一个样本，5天内每天新接种疫苗的情况，如下统计表：（2）假设全村共计2000名居民（均未接种过疫苗），用样本估计总体来预测该村80%居民接种新冠疫苗需要几天？参考公式：回归方程y bx a =+中斜率和截距的最小二乘估计公式分别为：1221ˆi ii nii x ynxybxnx π==-=-∑∑，ˆˆay bx =-． 【答案】（1）222955y x =+；（2）7． 【分析】（1）根据公式求线性回归方程即可； （2）根据线性回归方程可设222955n a n ，求出67,S S ，与200080%1600⨯=比较即可求解. 【详解】 （1）1234535x ++++==，1015192328195y ++++==，则51522222222110305792140531922ˆ12345535i ii ii x y nxybxnx ==-++++-⨯⨯===++++-⨯-∑∑，222919355ˆa =-⨯=， 故y 关于x 的线性回归方程222955y x =+． （2）设222955na n ，数列{}n a 的前n 项和为n S ，易知数列{}n a 是等差数列， 则()12222922291155558225n n n a a S n n n n⎛⎫+++ ⎪+⎝⎭=⋅=⋅=+， 因为6127.2S ，7163.8S ， 所以6101272S =，7101638S =200080%1600⨯=（人），所以预测该村80%居民接种新冠疫苗需要7天．3．（2021·九龙坡·重庆市育才中学高三月考）随着城市规模的扩大和人们生活水平的日益提高，某市近年机动车保有量逐年递增.根据机动车管理部门的统计数据，以5年为一个研究周期，得到机动车每5年纯增数据情况为：其中，时间变量i 对应的机动车纯增数据为i ，且通过数据分析得到时间变量与对应的机动车纯增数量y （单位：万辆）具有线性相关关系.（1）求机动车纯增数量y （单位：万辆）关于时间变量x 的回归方程，并预测2025~2030年间该市机动车纯增数量的值；附：回归直线方程y bx a =+中斜率和截距的最小二乘估计公式分别为：()()()1122211n ni iiii i nniii i x y nx y x x y y b xnxx x ====-⋅--==--∑∑∑∑；a y bx =-.（2）该市交通管理部门为了了解市民对“单双号限行”的赞同情况，随机采访了200名市民，将他们的意见和是否拥有私家车情况进行了统计，得到如下的22⨯列联表：附：()()()()()22n ad bc K a b c d a c b d -=++++，n a b c d =+++.【答案】（1） 5.7 5.1y x =-，2025~2030年间，机动车纯增数量的值约为34.8万辆；（2）没有95%的把握认为“对限行的意见与是否拥有私家车有关”. 【分析】（1）根据最小二乘法求得线性回归方程，再求估计值即可； （2）根据列联表求得卡方观测值，再对照表即可得解. 【详解】 （1）由 51132639415527237i ii x y=⨯+⨯+⨯+=⨯+⨯=∑.()12222222212375312575.755451234553ni ii ni i x y nx yb x nx==-⋅-⨯⨯====-++++-⨯-∑∑. 因为y bx a =+过点(),x y ，所以 5.7y x a =+，5.1a =-，所以 5.7 5.1y x =-.2025~2030年时，7x =，所以 5.77 5.134.8y =⨯-=， 所以2025~2030年间，机动车纯增数量的值约为34.8万辆.（2）根据列联表，由()()()()()22n ad bc K a b c d a c b d -=++++得观测值为()2220025 3.12510085251575100160084K ⨯⨯-⨯⨯=⨯⨯==，3.125 3.841<，所以没有95%的把握认为“对限行的意见与是否拥有私家车有关”.4．（2021·贵州贵阳·高三月考（理））据贵州省气候中心报，2021年6月上旬，我省降水量在15.2-170.3mm 之间，毕节市局地、遵义市北部、铜仁市局地和黔东南州东南部不足50mm ，其余均在50mmm 以上，局地超过100mm.若我省某地区2021年端午节前后3天，每一天下雨的概率均为50%.通过模拟实验的方法来估计该地区这3天中恰好有2天下雨的概率，利用计算机或计算器可以产生0到9之间取整数值的随机数x （x ∈N ，且09x ≤≤）表示是否下雨：当[]()0,x k k Z ∈∈时表示该地区下雨，当[]1,9x k ∈+时，表示该地区不下雨.因为是3天，所以每三个随机数作为一组，从随机数表中随机取得20组数如下: 332 714 740 945 593 468 491 272 073 445 992 772 951 431 169 332 435 027 898 719（1）求出k 的值，使得该地区每一天下雨的概率均为50%；并根据上述20组随机数估计该地区这3天中恰好有2天下雨的概率；（2）2016年到2020年该地区端午节当天降雨量（单位:mm ）如表：回归直线方程y bt a =+.并预测该地区2022年端午节有降雨的话，降雨量约为多少？参考公式：()()()1122211nniii ii i nniii i tty y t y nt yb tttnt====---==--∑∑∑∑，a y bt =-.【答案】（1）4， 25；（2）814955y t =-+，935mm ．【分析】（1）由于该地区每一天下雨的概率均为50%，所以150%10k +=，从而可求出k 的值，在所给的20组数据中找出有两天小于等于k 的数，从而利用古典概型的概率公式可求出概率，（2）直接利用所给的数据和公式求出回归直线方程。

回归直线方程的三种推导方法 巴州二中母润萍回归直线方程是新课改新增内容之一，在必修数学3中对两个具有线性相关关系的变量利用回归分析的方法进行了研究，书中直接给出了回归直线方程系数的公式，在选修2-3中给出了回归直线方程的截距和斜率的最小二乘法估计公式的另一种形式的推导方法，根据所学知识，我总结了3种推导回归直线方程的方法：设x 与y 是具有线性相关关系的两个变量，且相应于样本的一组观测值的n 个点的坐标分别是：112233()()()()n n x y x y x y x y ，，，，，，，，，设所求的回归方程为i i y bx a =+，(123)i n =，，，，．显然，上面的各个偏差的符号有正、有负，如果将他们相加会相互抵消一部分，因此他们的和不能代表n 个点与回归直线的整体上的接近程度，因而采用n 个偏差的平方和Q 来表示n 个点与相应直线（回归直线）在整体上的接近程度，即Q =∑(y i −y i ̂)2ni=1=∑(y i −bx i −a )2ni=1求出当Q 取最小值时的a b ，的值，就求出了回归方程． 下面给出回归方程的推导方法一：一、先证明两个在变形中用到的公式公式（一）22211()nni ii i x x x nx ==-=-∑∑，其中12nx x x x n +++=证明：2222121()()()()ni n i x x x x x x x x =-=-+-++-∑∵22221212()2n n x x x x x x nxnxn+++=+++-+222222222212121()2()nnni i x x x nx nx x x x x nx==+++-+=+++=-∑22211()nni i i i x x x nx==-=-∑∑∴．公式（二）11()()nnii i i i i xx y y x y nx y==--=-∑∑证明：11221()()()()()()()()ni i n n i x x y y x x y y x x y y x x y y =--=--+--++--∑∵11221122()()n n n n x y x y x y x y y x x y y x x y y x nx y=+++-+++++++12121[()()]ni i n n i x y x x x y y y y x nx y==-++++++++∑12121()()n n n i i i x x x y y y x y n y x nx y n n=++++++⎡⎤=-++⎢⎥⎣⎦∑112nni i i i i i x y nxy nxy x y nxy===-+=-∑∑，11()()nni i i i i i x x y y x y nx y==--=-∑∑∴．二、推导：将Q 的表达式的各项先展开，再合并、变形 2222112233()()()()n n Q y bx a y bx a y bx a y bx a =--+--+--++--2222121122()[2()2()]n y y y y bx a y bx a =+++-+++展开222211111222n n nnni i i i ii i i i i i y b x y a y bxab x na ======--+++∑∑∑∑∑合并同类项22221111122nnii n n ni i i i i i i i i y x na na b b x b x y y nn =====⎛⎫ ⎪ ⎪=--+-+ ⎪ ⎪⎝⎭∑∑∑∑∑以a b ，的次数为标准整理22221112()2nn nii i i i i i na na y bx bxb x y y ====--+-+∑∑∑转化为平均数x y，22222111[()]()2nnnii i i i i i n a y bx n y bx bxb x y y ====----+-+∑∑∑配方法2222222111[()]22nnnii i i i i i n a y bx ny nbxy nb x bxb x y y ====---+-+-+∑∑∑展开222222111[()]()2()()nnni i i i i i i n a y bx b x nx b x y nxy y ny ====--+---++∑∑∑整理2222111[()]()2()()()nnnii i i i i i n a y bx bxx b x x y y y y ====--+----+-∑∑∑用公式（一）、（二）变形22212111()()[()]()()()ni i n ni i i nii i i x x y y n a y bx x x b y y x x ====⎡⎤--⎢⎥⎢⎥=--+--+-⎢⎥-⎢⎥⎣⎦∑∑∑∑配方22212212211111()()()()()()()()()nni i i i n n i i i i n ni i i i i x x y y x x y y n a y bx x x b y y x x x x ======⎡⎤⎡⎤----⎢⎥⎢⎥⎣⎦⎡⎤⎢⎥=--+---+-⎣⎦⎢⎥--⎢⎥⎣⎦∑∑∑∑∑∑配方法在上式中，共有四项，后两项与a b ，无关，为常数；前两项是两个非负数的和，因此要使得Q 取得最小值，当且仅当前两项的值都为0．所以b =∑(x i −x̅)(y i −y ̅)n i=1∑(x i−x̅)2n i=1 a ＝y ̅−bx̅ 或1221ni ii n i i x ynxyb x nx==-=-∑∑用公式（一）、（二）变形得上述推导过程是围绕着待定参数a b ，进行的，只含有i i x y ，的部分是常数或系数，用到的方法有： ① 配方法，有两次配方，分别是a 的二次三项式和b 的二次三项式； ② 形时，用到公式（一）、（二）和整体思想； ③ 用平方的非负性求最小值．④ 实际计算时，通常是分步计算：先求出x y，，再分别计算1()()nii i xx y y =--∑，21()nii xx =-∑或1ni ii x ynx y=-∑，221nii xnx=-∑的值，最后就可以计算出a b ，的值．推导方法二：Q =∑(y i −y i ̂)2ni=1=∑(y i −bx i −a )2ni=1=∑[y i −bx i −(y ̅−bx̅)+(y ̅−bx̅)−a ]2ni=1=∑{[y i −bx i −(y ̅−bx̅)]2+2[y i −bx i −(y ̅−bx̅)]∗[(y ̅−bx̅)−a ]+[(y ̅−bx̅)−a ]2}ni=1=∑[y i −bx i −(y ̅−bx̅)]2+2∑[y i −bx i −(y ̅−bx̅)]∗[(y ̅−bx̅)−a ]ni=1+n (y ̅−bx̅−a )2ni=1注意到∑[y i −bx i −(y ̅−bx̅)]∗[(y ̅−bx̅)−a ]=(y ̅−bx̅−a )∑[y i −bx i −(y ̅−bx̅)]ni=1ni=1=(y ̅−bx̅−a )[∑y i −b ∑x i −n (y ̅−bx̅)ni=1n i=1]=(y ̅−bx̅−a )[ny ̅−nbx̅−n (y ̅−bx̅)]=0因此，Q =∑[y i −bx i −(y̅−bx̅)]2+n (y ̅−bx̅−a )2n i=1 =b 2∑(x i −x̅)2ni=1−2b ∑(x i −x̅)(y i −y ̅)+∑(y i −y ̅)2ni=1ni=1+n (y ̅−bx̅−a )2=n (y ̅−bx̅−a )2+∑(x i −x̅)2[b −∑(x i −x̅)(y i −y ̅)n i=1∑(x i −x̅)2n i=1]2ni=1−[∑(x i −x̅)(y i −y ̅)n i=1]2∑(x i −x̅)2n i=1+∑(y i −y ̅)2ni=1在上式中，后面两项和a,b 无关，前两项为非负数，因此，要使Q 达到最小值，当且仅当前两项均为0，即有b =∑(x i −x̅)(y i −y ̅)n i=1∑(x i −x̅)2n i=1a ＝y ̅−bx̅ 总结：这种方法难想到为什么要这样处理，并且计算量很大。