高中數(shù)學 3.1 回歸分析 課時1課件 新人教A版選修2-3.ppt

《高中數(shù)學 3.1 回歸分析 課時1課件 新人教A版選修2-3.ppt》由會員分享，可在線閱讀，更多相關《高中數(shù)學 3.1 回歸分析 課時1課件 新人教A版選修2-3.ppt（26頁珍藏版）》請在裝配圖網(wǎng)上搜索。

3 1回歸分析的基本思想及其初步應用 第一課時 1 通過典型案例的探究 進一步了解回歸分析的基本思想 方法及其初步應用 2 讓學生經(jīng)歷數(shù)據(jù)處理的過程 培養(yǎng)他們對數(shù)據(jù)的直觀感覺 體會統(tǒng)計方法的特點 認識統(tǒng)計方法的應用 通過使用轉(zhuǎn)化后的數(shù)據(jù) 求相關指數(shù) 運用相關指數(shù)進行數(shù)據(jù)分析 處理的方法 3 從實際問題中發(fā)現(xiàn)已有知識的不足 激發(fā)好奇心 求知欲 通過尋求有效的數(shù)據(jù)處理方法 開拓學生的思路 培養(yǎng)學生的探索精神和轉(zhuǎn)化能力 通過案例的分析使學生了解回歸分析在實際生活中的應用 增強數(shù)學取之生活 用于生活的意識 提高學習興趣 本節(jié)課通過必修3熟悉有例題回顧線性相關關系知識 通過實際問題中發(fā)現(xiàn)已有知識的不足 引出隨機誤差 殘差 殘差分析的概念 進而運用殘差來進行數(shù)據(jù)分析 通過例題講解掌握用殘差分析判斷線性回歸模型的擬合效果 掌握建立回歸模型的步驟 本節(jié)內(nèi)容學生內(nèi)容不易掌握 通過知識整理與比較引導學生進行區(qū)分 理解 通過對典型案例的探究 練習進行鞏固了解回歸分析的基本思想方法和初步應用 從某大學中隨機選取8名女大學生 其身高和體重數(shù)據(jù)如下表所示 怎樣根據(jù)一名女大學生的身高預報她的體重 并預報一名身高為172cm的女大學生的體重 根據(jù)必修32 3變量相關關系解決這個問題的方法 1 先判斷是兩個變量是否具有線性相關關系 1 作散點圖 如圖所示 見課本P82 圖3 1 1 2 根據(jù)線性回歸的系數(shù)公式 求回歸直線方程 0 849x 85 712 3 由線性回歸方程可以估計其位置值為 60 316 千克 左右 具有較好的線性相關關系 性質(zhì) 回歸直線一定過樣本中心點 2 計算相關系數(shù) 這些點并不都在同一條直線上 上述直線并不能精確地反映x與y之間的關系 y的值不能完全由x確定 它們之間是統(tǒng)計相關關系 y的實際值與估計值之間存在著誤差 因此 在統(tǒng)計學中設它們的線性回歸模型為 其中a b為模型的未知參數(shù) e為y與bx a之間的誤差 稱它為隨機誤差 它是隨機變量 且 線性回歸模型完整表達式為 x稱為變量 y稱為變量 解釋 預報 線性回歸模型中隨機誤差的主要來源 線性回歸模型中的預報值與真實情況y引起的誤差 觀測與計算 用代替ba 產(chǎn)生的誤差 省略了一些因素的影響 如生活習慣等 產(chǎn)生的誤差 在線性回歸模型中 e為用bx a的預報真實值y的隨機誤差 它是一個不可觀測的量 那么應該怎樣研究隨機誤差 稱相應于點的殘差 坐標縱軸為殘差變量 橫軸可以有不同的選擇 若模型選擇的正確 殘差圖中的點應該分布在以橫軸為中心的帶形區(qū)域 對于遠離橫軸的點 要特別注意 身高與體重殘差圖 殘差的作用 1 通過殘差表或殘差圖發(fā)現(xiàn)原始數(shù)據(jù)中的可疑數(shù)據(jù) 通過殘差來判斷模型擬合的效果這種分析工作稱為殘差分析 通過殘差表或殘差圖判斷模型擬合的效果是直觀判斷 如何精確判斷模型擬合的效果 引入?yún)?shù)R2 來精確該畫模型擬合效果 對于己獲取的樣本數(shù)據(jù) 在上式子中是定值 越小 即殘差平方和越小 R2越大 說明模型擬合效果越好 引入例中參數(shù)R2計算得約為0 64說明女大學生體重差異有百分之六十四是由身高引起的 知識點線性回歸分析1 對線性回歸模型的三點說明 1 非確定性關系 線性回歸模型y bx a e與確定性函數(shù)y bx a相比 它表示y與x之間是統(tǒng)計相關關系 非確定性關系 其中的隨機誤差e提供了選擇模型的準則以及在模型合理的情況下探求最佳估計值a b的工具 2 線性回歸方程中 的意義是 以為基數(shù) x每增加1個單位 y相應地平均增加個單位 3 線性回歸模型中隨機誤差的主要來源 線性回歸模型與真實情況引起的誤差 觀測與計算產(chǎn)生的誤差 省略了一些因素的影響產(chǎn)生的誤差 2 線性回歸模型的模擬效果 1 殘差圖法 觀察殘差圖 如果殘差點比較均勻地落在水平的帶狀區(qū)域中 說明選用的模型比較合適 這樣的帶狀區(qū)域的寬度越窄 說明模型擬合精度越高 回歸方程的預報精度越高 2 殘差的平方和法 一般情況下 比較兩個模型的殘差比較困難 某些樣本點上一個模型的殘差的絕對值比另一個模型的小 而另一些樣本點的情況則相反 故通過比較兩個模型的殘差的平方和的大小來判斷模型的擬合效果 殘差平方和越小的模型 擬合的效果越好 3 R2法 R2的值越大 說明殘差平方和越小 也就是說模型擬合的效果越好 3 相關系數(shù)與R2 1 R2是相關系數(shù)的平方 其變化范圍為 0 1 而相關系數(shù)的變化范圍為 1 1 2 相關系數(shù)可較好地反映變量的相關性及正相關或負相關 而R2反映了回歸模型擬合數(shù)據(jù)的效果 3 當 r 接近于1時說明兩變量的相關性較強 當 r 接近于0時說明兩變量的相關性較弱 而當R2接近于1時 說明線性回歸方程的擬合效果較好 微思考 1 殘差與我們平時說的誤差是一回事兒嗎 提示 這兩個概念在某程度上具有很大的相似性 都是衡量不確定性的指標 二者的區(qū)別是 誤差與測量有關 誤差可以衡量測量的準確性 誤差越大表示測量越不準確 殘差與預測有關 殘差大小可以衡量預測的準確性 殘差越大表示預測越不準確 2 R2與原來學過的相關系數(shù)r有區(qū)別嗎 提示 它們都是刻畫兩個變量之間的的相關關系的 區(qū)別是R2表示解釋變量對預報變量變化的貢獻率 其表達式為R2 1 相關系數(shù)r是檢驗兩個變量相關性的強弱程度 其表達式為 建立回歸模型的基本步驟 1 確定研究對象 明確哪個變量是解釋變量 哪個變量是預報變量 2 畫出確定好的解釋變量和預報變量的散點圖 觀察它們之間的關系 如是否存在線性關系等 3 由經(jīng)驗確定回歸方程的類型 如我們觀察到數(shù)據(jù)呈線性關系 則選用線性回歸方程 4 按一定規(guī)則 如最小二乘法 估計回歸方程中的參數(shù) 5 得出結(jié)果后分析殘差圖是否有異常 如個別數(shù)據(jù)對應殘差過大 或殘差呈現(xiàn)不隨機的規(guī)律性等 若存在異常 則檢查數(shù)據(jù)是否有誤 或模型是否合適等 為研究重量x 單位 克 對彈簧長度y 單位 厘米 的影響 對不同重量的6個物體進行測量 數(shù)據(jù)如下表所示 1 作出散點圖并求線性回歸方程 2 求出R2 3 進行殘差分析 作殘差分析時 一般從以下幾個方面予以說明 1 散點圖 2 相關指數(shù) 3 殘差圖中的異常點和樣本點的帶狀分布區(qū)域的寬窄 解答 1 散點圖如圖 3 由殘差表中的數(shù)值可以看出第3個樣本點的殘差比較大 需要確認在采集這個數(shù)據(jù)的時候是否有人為的錯誤 如果有的話 需要糾正數(shù)據(jù) 重新建立回歸模型 由表中數(shù)據(jù)可以看出殘差點比較均勻地落在不超過0 15的狹窄的水平帶狀區(qū)域中 說明選用的線性回歸模型的精度較高 由以上分析可知 彈簧長度與拉力成線性關系 規(guī)律方法當資料點較少時 也可以利用殘差表進行殘差分析 注意計算數(shù)據(jù)要認真細心 殘差分析要全面 1 判一判 正確的打 錯誤的打 1 殘差平方和越小 線性回歸方程擬合效果越好 2 在畫兩個變量的散點圖時 預報變量在x軸上 解釋變量在y軸上 3 R2越接近于1 線性回歸方程的擬合效果越好 2 做一做 請把正確的答案寫在橫線上 1 從散點圖上看 點散布在從左下角到右上角的區(qū)域內(nèi) 兩個變量的這種相關關系為 2 在殘差分析中 殘差圖的縱坐標為 3 如果發(fā)現(xiàn)散點圖中所有的樣本點都在一條直線上 則殘差平方和等于 解釋變量和預報變量之間的相關系數(shù)R等于 正相關 殘差 0 1或 1 3 已知某種商品的價格x 元 與需求量y 件 之間的關系有如下一組數(shù)據(jù) 求y對x的回歸直線方程 并說明回歸模型擬合效果的好壞