线性回归方程的求法(需要给每个人发)
2025高考数学一轮复习-9.1.2-线性回归方程【课件】
(3)该企业采取订单生产模式(根据订单数量进行生产，即产品全部售出). 根据市场调研数据，若该产品单价定为100元，则签订9千件订单的概 率为0.8，签订10千件订单的概率为0.2；若单价定为90元，则签订10千 件订单的概率为0.3，签订11千件订单的概率为0.7.已知每件产品的原料 成本为10元，根据(2)的结果，企业要想获得更高利润，产品单价应选 择100元还是90元，请说明理由.
因为 y ＝3860＝45，
8
uiyi－8 u y
i＝1
所以b^ ＝
8
u2i －8 u 2
i＝1
＝1831..45－ 3－8×8×0.03.411×545＝06.611＝100，
则a^ ＝ y －b^ u ＝45－100×0.34＝11， 所以y^ ＝11＋100u， 所以 y 关于 x 的回归方程为y^＝11＋10x0.
三、非线性回归问题
知识梳理
解非线性回归分析问题的一般步骤 有些非线性回归分析问题并不给出函数，这时我们可以根据已知数据 画出散点图，与学过的各种函数(幂函数、指数函数、对数函数等)的图 象进行比较，挑选一种跟这些散点拟合得最好的函数，用适当的变量 进行变换，把问题转化为线性回归分析问题，使之得到解决.
n
v2i －n
v
2
i＝1
i＝1
解 ①当产品单价为100元，设订单数为m千件，因为签订9千件订单的 概率为0.8，签订10千件订单的概率为0.2， 所以E(m)＝9×0.8＋10×0.2＝9.2， 所以企业利润为 100×9.2－9.2×190.20＋21＝626.8(千元). ②当产品单价为90元，设订单数为n千件， 因为签订10千件订单的概率为0.3，签订11千件订单的概率为0.7， 所以E(n)＝10×0.3＋11×0.7＝10.7，
Excel关于求解一元及多元线性回归方程 图解详细
Excel求解一元线性回归方程步骤(图解详细)1．开始－程序－Microsoft Excel，启动Excel程序。
2．Excel程序启动后，屏幕显示一个空白工作簿。
3．选定单元格，在单元格内输入计算数据。
4．选中输入数据，点击“图表向导”按钮。
5．弹出图表向导对话窗，点击XY散点图，选择平滑线散点图，点击下一步。
6．选择系列产生在：列，点击下一步。
7．在图表标题中输入“硝基苯标准曲线”，数值（X）轴输入“硝基苯浓度”，数值（Y）轴输入“HPLC峰面积”。
此外还可以点击“坐标轴”，“网格线”，“图例”，“数据标志”下拉菜单，对其中选项进行选择。
8．点击完成后，即可得到硝基苯的标准曲线图。
9．将鼠标移至图表工作曲线上，单击鼠标右键，选择“添加趋势线”。
10．在“类型”选项中选择“线性”，“选项”中选择“显示公式”，“显示R平方值”，单击确定。
11．单击确定后即可得到附有回归方程的一元线性回归曲线。
12．至此，利用“图表向导”制作回归方程的操作步骤完毕。
利用Excel中“图表向导”制作标准曲线，使用者仅需按照向导说明填入相关信息即可完成图表的制作。
方法简单，适合对Excel了解不多的人员，如果你对Excel函数有一定的了解，那么你可以利Excel函数编制程序完成回归方程的计算。
4.4.2.2通过编制Excel程序计算一元线性回归方程1．打开一个新工作簿，以“一元线性回归方程”为文件名存盘。
2．单击插入，选择名称－定义。
3．在弹出的“定义名称”对话窗中“名称”栏输入“a”，“引用位置”栏输入“＝$E$4”，然后按“添加”按钮；再在“名称”栏输入“b”，“引用位置”栏输入“＝$E$3”，按“添加”按钮，依次输入下列内容，最后单击确定。
“名称”栏输入内容“引用位置”栏输入内容a =$E$4b =$E$3f =$G$4n =$G$3rf =$G$6rxy =$E$5x =$A$3:$A$888y =$B$3:$B$888aa=$G$2yi1 =$E$12yi2 =$E$134．完成命名后，在相关单元格内输入下列程序内容。
回归直线方程r的求法
回归直线方程r的求法
在统计学和数据分析中，回归分析是一种用来研究变量之间关
系的方法。
其中，线性回归是最简单和最常用的一种回归分析方法。
线性回归的目标是找到一条直线，使得这条直线能够最好地拟合观
测到的数据点。
求解回归直线方程r的方法通常涉及以下步骤：
1. 收集数据，首先需要收集相关的数据，包括自变量（X）和
因变量（Y）的数值。
这些数据可以通过实验、观测或调查获得。
2. 绘制散点图，将收集到的数据绘制成散点图，以便直观地观
察自变量和因变量之间的关系。
3. 确定回归方程，线性回归的目标是找到一条直线，使得所有
数据点到这条直线的距离之和最小。
这可以通过最小二乘法来实现，即通过最小化残差平方和来确定回归方程的系数。
4. 求解回归直线方程，一旦确定了回归方程的系数，就可以得
到回归直线方程r。
一般来说，回归直线方程r的一般形式为，Y =
aX + b，其中a和b分别为回归方程的系数。
5. 拟合直线，最后一步是将回归直线方程r拟合到散点图上，以便评估回归方程对数据的拟合程度。
通过以上步骤，我们可以求解回归直线方程r，并用这条直线来描述自变量和因变量之间的关系。
这样的回归分析可以帮助我们理解变量之间的关系，并用于预测和决策制定。
高中线性回归方程的求法及应用
高中线性回归方程的求法及应用作者：胡霞来源：《新课程·中学》2017年第10期摘要：高中线性回归方程主要是一元线性回归方程，是高中学习的重难点和高考的热门考点之一，同时在平常的生活中也有广泛的应用，因此了解其求法以及应用是非常有必要的，在北师大版高中数学选修1-2中第一章第一小节重点讲述了线性回归方程的具体分析，说明了线性回归方程的解法一般是利用最小二乘法。
关键词：回归方程；高中数学；最小二乘法一、高中线性回归方程学习的重要性高中线性回归方程是一个变量和另外一个变量之间不确定性的关系，比如父母的身高与孩子的身高，食物中所含的脂肪和热量等，中间都是有一些关系的，但这些关系是不确定性的，就像是农作物的收成和栽培方式或者和施肥量之间的关系，可以说后面两者对农作物的收成有一定的影响，但并不是唯一的影响，这种影响也是不确定的，所以在研究的时候运用线性回归方程找出中间的关系，并算出相应的结果是非常重要的。
[1]除此之外，线性回归方程也是高中学习的一大难点，对于高中生来说，掌握线性回归方程可以了解更多的解题思路。
二、高中线性回归方程的求法最小二乘法是高中数学必修课中的内容，因此在讲解线性回归方程的时候，学生应该基本了解了最小二乘法，而北师大版高中数学选修1-2中第一章第一小节例1则充分讲述了如何使用最小二乘法对线性回归方程进行求解。
例题如下：始祖鸟是一种已经灭绝的动物，在一次考古活动中，科学家发现始祖鸟的化石标本共6个，其中5个同时保有股骨（一种腿骨）和肱骨（上臂的骨头）。
科学家检查了这5个标本股骨和肱骨的长度，得到了如表1的数据：之后抛出了两个题目，第一个是求出肱骨长度y对股骨长度x的线性回归方程，第二个是根据已知股骨长度是50cm求肱骨长度。
其实，这一道题最为重要的是第一题，只要线性回归方程求出来，第二题也便迎刃而解。
首先从表格不难看出随着股骨长度的增长，肱骨的长度也是随之增长的，有了这样一个基础，再假设y=a+bx，要求a、b的值，就得使得n个点与直线的距离平方和最小，这里就使用到了最小二乘法的思路。
1.1线性回归方程的求法
和b 就是未知参数a和b的最好估计， 根据最小二乘法估计a
i xi 1 2 3 4 5 6 7 8 合计
制表
yi
xi y i x i2
2 ， x i i=1 n
x
， y
， xi yi
i=1
n
.
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表1-1所示。
1 编号 身高/cm 165 体重/k一词是由英国生物学家F.Galton在研究人体身高的遗传问题时首先提出的。 根据遗传学的观点，子辈的身高受父辈影响，以X记父辈身高，Y记子辈身高。 虽然子辈身高一般受父辈影响，但同样身高的父亲，其子身高并不一致，因此， X和Y之间存在一种相关关系。 一般而言，父辈身高者，其子辈身高也高，依此推论，祖祖辈辈遗传下来，身 高必然向两极分化，而事实上并非如此，显然有一种力量将身高拉向中心，即子辈 的身高有向中心回归的特点。“回归”一词即源于此。
x y nx y
i i
探究P4：
y 0.849 72 85.712 60.316(kg)
探究P4： 身高为172cm的女大学生的体重一定是60.316kg吗？ 如果不是，你能解析一下原因吗？
施化肥量x 15
20
25
30
35
40
45
水稻产量y 330 345 365 y
500 450 400 350 300 10
405 445
450 455
散点图
水稻产量
··
20
·
·
· · ·
施化肥量
30 40 50
x
探索2：在这些点附近可画直线不止一条， 哪条直线最能代表x与y之间的关系呢？ 发现：图中各点，大致分布在某条直线附近。
高中数学线性回归方程.ppt
解
(1)数据对应的散点图如图所示．
5 5 15 2 (2) x ＝ xi＝109，lxx＝ i＝1 (xi－ x ) ＝1 570， y ＝23.2，lxy＝ i＝1 (xi 5i＝1
－ x )(yi－ y )＝308， ^x＋a ^， 设所求回归直线方程为^ y＝b lxy 308 308 ^ 则b＝ ＝ ≈0.196 2 ， a ＝ y － b x ＝ 23.2 － 109× lxx 1 570 1 570 ≈1.816 6. 故所求回归直线方程为^ y＝0.196 2x＋1.816.6. (3)据(2)，当 x＝150 m2 时，销售价格的估计值为： ^ y＝0.196 2×150＋1.816 6＝31.246 6(万元)．
提示 不是．有些变量间的相关关系是非线性相关的． 2．散点图只描述具有相关关系的两个变量所对应点的图形吗？
提示 不是．两个变量统计数据所对应的点的图形都是散点图．
名师点睛
1．相关关系与函数关系的异同点
函数关系 相关关系
关系 异同点 相同点
两者均是指两个变量之间的关系
是一种确定性关系
是一种非确定的关系
【变式3】 以下是某地搜集到的新房屋的销售价格y和新房屋 的面积x的数据： 新房屋面积(m2) 115 110 80 135 105 销售价格(万元) 24.8 21.6 18.4 29.2 22
(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)的结果估计当新房屋面积为150 m2时的销售价格．
x 3 4 y 2.5 3 (1)请画出上表数据的散点图； 5 4 6 4.5
(2)请根据上表提供的数据，用最小平方法求出y关于x的线性 回归方程；
(整理)两个变量间的线性相关及回归方程的求法专题.
两个变量间的线性相关及回归方程的求法专题一、如何认识两个变量间的相关关系相关关系我们可以从以下三个方面加以认识：（1）相关关系与函数关系不同．函数关系中的两个变量间是一种确定性关系．例如正方形面积S与边长x之间的关系2xS 就是函数关系．即对于边长x的每一个确定的值，都有面积S的惟一确定的值与之对应．相关关系是一种非确定性关系，即相关关系是非随机变量与随机变量之间的关系．例如人的身高与年龄；商品的销售额与广告费等等都是相关关系．（2）函数关系是一种因果关系，而相关关系不一定是因果关系，也可能是伴随关系．例如有人发现，对于在校儿童，身高与阅读技能有很强的相关关系．然而学会新词并不能使儿童马上长高，而是涉及到第三个因素——年龄，当儿童长大一些，他们的阅读能力会提高而且由于长大身高也会高些．（3）函数关系与相关关系之间有着密切联系，在一定的条件下可以相互转化．例如正方形面积S与其边长x间虽然是一种确定性关系，但在每次测量边长时，由于测量误差等原因，其数值大小又表现出一种随机性．而对于具有线性关系的两个变量来说，当求得其回归直线后，我们又可以用一种确定性的关系对这两个变量间的关系进行估计．相关关系在现实生活中大量存在，从某种意义上讲，函数关系是一种理想的关系模型，而相关关系是一种更为一般的情况．因此研究相关关系，不仅可使我们处理更为广泛的数学应用问题，还可使我们对函数关系的认识上升到一个新的高度．二、如何判断两个变量线性相关关系1、利用变量相关关系的概念利用变量相关关系的概念判断时，一般是看当一个变量的值一定时，另一个变量是否带有确定性，两个变量之间的关系具有确定关系－－函数关系；两个变量之间的关系具有随机性，不确定性－－相关关系。
例1、在下列各个量与量的关系中：①正方体的体积与棱长之间的关系；②一块农田的水稻产量与施肥量之间的关系；③人的身高与年龄之间的关系；④家庭的收入与支出之间的关系；⑤某户家庭用电量与水费之间的关系。
线 性 回 归 方 程 推 导
线性回归方程推导理论推导机器学习所针对的问题有两种：一种是回归，一种是分类。
回归是解决连续数据的预测问题，而分类是解决离散数据的预测问题。
线性回归是一个典型的回归问题。
其实我们在中学时期就接触过，叫最小二乘法。
线性回归试图学得一个线性模型以尽可能准确地预测输出结果。
?先从简单的模型看起：?首先，我们只考虑单组变量的情况，有：?使得?假设有m个数据，我们希望通过x预测的结果f(x)来估计y。
其中w和b都是线性回归模型的参数。
?为了能更好地预测出结果，我们希望自己预测的结果f(x)与y 的差值尽可能地小，所以我们可以写出代价函数（cost function）如下：?接着代入f(x)的公式可以得到：?不难看出，这里的代价函数表示的是预测值f(x)与实际值y之间的误差的平方。
它对应了常用的欧几里得距离简称“欧氏距离”。
基于均方误差最小化来求解模型的方法我们叫做“最小二乘法”。
在线性回归中，最小二乘法实质上就是找到一条直线，使所有样本数据到该直线的欧式距离之和最小，即误差最小。
?我们希望这个代价函数能有最小值，那么就分别对其求w和b的偏导，使其等于0，求解方程。
?先求偏导，得到下面两个式子：?很明显，公式中的参数m，b，w都与i无关，简化时可以直接提出来。
?另这两个偏导等于0：?求解方程组，解得：?这样根据数据集中给出的x和y，我们可以求出w和b来构建简单的线性模型来预测结果。
接下来，推广到更一般的情况：?我们假设数据集中共有m个样本，每个样本有n个特征，用X矩阵表示样本和特征，是一个m×n的矩阵：?用Y矩阵表示标签，是一个m×1的矩阵：?为了构建线性模型，我们还需要假设一些参数：?（有时还要加一个偏差（bias）也就是，为了推导方便没加，实际上结果是一样的）好了，我们可以表示出线性模型了：?h(x)表示假设，即hypothesis。
通过矩阵乘法，我们知道结果是一个n×1的矩阵。
线性回归方程分析
环球雅思学科教师辅导讲义讲义编号： 组长签字： 签字日期：学员编号： 年 级： 高二 课时数：3 学员姓名： 辅导科目： 数学 学科教师：闫建斌 课 题 线性回归方程授课日期及时段 2014-2-11 18:00-20:00 教学目标 线性回归方程基础 重点、难点教 学 内 容1、本周错题讲解2、知识点梳理1．线性回归方程①变量之间的两类关系：函数关系与相关关系 ②制作散点图，判断线性相关关系③线性回归方程：a bx y +=∧（最小二乘法）最小二乘法：求回归直线，使得样本数据的点到它的距离的平方最小的方法1221ni i i ni i x y nx y b x nx a y bx==⎧-⎪⎪=⎪⎨-⎪⎪=-⎪⎩∑∑ 注意：线性回归直线经过定点),(y x 2．相关系数（判定两个变量线性相关性）：∑∑∑===----=ni ni i ini i iy y x xy y x xr 11221)()())((注：⑴r >0时，变量y x ,正相关；r <0时，变量y x ,负相关；⑵①||r 越接近于1，两个变量的线性相关性越强；②||r 接近于0时，两个变量之间几乎不存在线性相关关系。
3．线形回归模型：⑴随机误差e ：我们把线性回归模型e a bx y ++=，其中b a ,为模型的未知参数，e 称为随机误差。
随机误差a bx y e i i i --=⑵残差eˆ：我们用回归方程a x b y ˆˆˆ+=中的y ˆ估计a bx +，随机误差)(a bx y e +-=，所以y y e ˆˆ-=是e 的估计量，故a x b y y y e ii i i i ˆˆˆˆ--=-=，e ˆ称为相应于点),(i i y x 的残差。
⑶回归效果判定-----相关指数(解释变量对于预报变量的贡献率) 22121ˆ()1()niii niii y yR y y ==-=--∑∑(2R 的表达式中21)(∑=-ni i y y 确定)注：①2R 得知越大，说明残差平方和越小，则模型拟合效果越好；②2R 越接近于1，，则回归效果越好。
第22讲 回归直线方程(解析版)
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。
线性回归计算公式
线性回归计算公式
简介
线性回归是机器学习中常用的一种方法，用于建立输入变量 x 和输出变量 y 之
间的线性关系。
该方法通过拟合一个线性函数来预测连续型变量的值。
本文将介绍线性回归的计算公式及其相关概念。
线性回归模型
在线性回归模型中，我们假设因变量 y 与自变量 x 之间存在一个线性关系。
简
单线性回归模型可以表示为：
linear_regression_model
其中，y 是因变量，x 是自变量，β0 是截距，β1 是斜率。
最小二乘法
在线性回归中，我们使用最小二乘法来估计模型参数。
最小二乘法的目标是使
观测数据与模型预测值之间的误差平方和最小化。
误差函数可以表示为：
least_squares
我们需要找到使误差函数最小化的β0 和β1 的值。
计算公式
通过最小二乘法，我们可以得到β0 和β1 的计算公式。
β1 的计算公式
β1 的计算公式如下：
beta_1_formula
其中，n 是观测数据的数量，xi 和 yi 分别是第 i 个观测数据的自变量和因变量。
β0 的计算公式
β0 的计算公式如下：
beta_0_formula
总结
线性回归是一种常用的预测连续型变量的方法，通过拟合一个线性函数来建立自变量和因变量之间的关系。
最小二乘法被广泛应用于线性回归模型的参数估计。
本文介绍了线性回归的计算公式，其中包括β0 和β1 的计算公式。
理解线性回归的计算公式是学习和应用线性回归算法的基础，能够帮助我们更好地理解和分析数据。
2024年数学建模——线性回归分析实用精彩教案
2024年数学建模——线性回归分析实用精彩教案一、教学目标1.让学生理解线性回归分析的基本概念和方法。
2.培养学生运用线性回归分析解决实际问题的能力。
3.培养学生的团队协作精神和创新意识。
二、教学内容1.线性回归分析的基本概念2.线性回归方程的求解3.线性回归模型的检验4.实际案例分析与讨论三、教学过程1.导入同学们，大家好！今天我们要学习的是数学建模中的一种重要方法——线性回归分析。
在实际生活中，我们经常会遇到一些变量之间的关系，如何用数学的方法来描述这些关系呢？让我们一起学习线性回归分析的基本概念和方法。
2.线性回归分析的基本概念（1）线性回归模型：描述两个变量之间关系的数学模型，其中一个变量是自变量，另一个变量是因变量。
（2）线性回归方程：描述线性回归模型的数学方程，形式为y=a+bx，其中a是常数项，b是回归系数。
3.线性回归方程的求解（1）最小二乘法：求解线性回归方程的一种方法，通过使实际观测点到回归直线的距离平方和最小来确定回归系数。
（2）计算步骤：a.收集数据，绘制散点图。
b.根据散点图，初步判断变量之间是否存在线性关系。
c.利用最小二乘法求解回归系数。
d.写出线性回归方程。
4.线性回归模型的检验（1）拟合优度检验：通过计算判定系数R²来评估回归模型的拟合程度。
（2）假设检验：利用t检验和F检验来评估回归系数的显著性。
5.实际案例分析与讨论案例1：某地区房价与收入关系的研究（1）收集数据：收集某地区近年来的房价和收入数据。
（2）绘制散点图：观察房价和收入之间的关系。
（3）求解线性回归方程：利用最小二乘法求解回归系数。
（4）模型检验：计算判定系数R²，进行假设检验。
（5）结论：根据线性回归方程和模型检验结果，分析房价与收入之间的关系。
案例2：某企业产量与广告费用关系的研究（1）收集数据：收集某企业近年来的产量和广告费用数据。
（2）绘制散点图：观察产量和广告费用之间的关系。
回归方程计算
回归方程计算回归方程是用来描述一个或多个自变量与因变量之间的关系的数学模型。
在统计学中，回归分析是一种常用的方法，用来估计自变量和因变量之间的关联度。
回归方程的计算涉及到很多数学知识和统计方法，下面我们来详细介绍一下回归方程的计算过程。
首先，我们需要明确回归方程的形式。
在简单线性回归中，回归方程通常表示为y = β0 + β1x + ε，其中 y 表示因变量，x 表示自变量，β0 和β1 分别是截距和斜率，ε 表示误差项。
而在多元线性回归中，回归方程的形式为y = β0 + β1x1 + β2x2 + ... + βnxn + ε，其中 x1, x2, ..., xn 分别表示多个自变量。
其次，我们需要通过最小二乘法来估计回归方程的参数。
最小二乘法是一种常用的参数估计方法，通过最小化观测值与回归方程预测值的残差平方和来确定参数的值。
对于简单线性回归来说，参数β0 和β1 的估计值可以通过以下公式计算得到：β1 = Σ((xi - x)(yi - ȳ)) / Σ((xi - x)²)β0 = ȳ - β1x其中，x和ȳ 分别表示自变量 x 和因变量 y 的均值，xi 和 yi 分别表示第 i 个观测值，Σ 表示求和符号。
对于多元线性回归来说，参数的估计需要使用矩阵的运算方法。
参数向量β 的估计值可以通过以下公式计算得到：β = (X^T X)^(-1) X^T y其中，X 是自变量 x 的设计矩阵，y 是因变量 y 的观测向量，^T 表示矩阵的转置，^(-1) 表示矩阵的逆运算。
最后，我们需要检验回归方程的拟合程度。
通常使用残差分析、方差分析和回归系数的显著性检验来评估回归方程的拟合效果。
残差分析用于检验误差项的独立性和常数方差性，方差分析用于检验回归模型的显著性，回归系数的显著性检验用于确定自变量对因变量的影响是否显著。
综上所述，回归方程的计算涉及到参数估计和拟合效果检验两个方面。
通过适当的数学推导和统计方法，我们可以得到有效的回归方程，从而描述自变量和因变量之间的关系。
线性回归方程的求法
高考统计部分的两个重要公式 具体如何应用第一公式：线性回归方程为ˆˆˆybx a =+的求法： (1) 先求变量x 的平均值，即1231()n x x x x x n=+++⋅⋅⋅+ (2) 求变量y 的平均值，即1231()n y y y y y n=+++⋅⋅⋅+ (3) 求变量x 的系数ˆb，有两个方法 法1 121()()ˆ()niii nii x x y y bx x ==--=-∑∑（题目给出不用记忆）[]112222212()()()()...()()()()...()n n n x x y y x x y y x x y y x x x x x x --+--++--=⎡⎤-+-++-⎣⎦（需理解并会代入数据）法2 1221ˆni ii nii x y n x ybxn x==-⋅⋅=-⋅∑∑（题目给出不用记忆）[]1122222212...,...n n n x y x y x y n x y x x x n x++-⋅⋅=⎡⎤+++-⋅⎣⎦（这个公式需要自己记忆，稍微简单些）(4) 求常数ˆa，既ˆˆa y bx =- 最后写出写出回归方程ˆˆˆybx a =+。
可以改写为：ˆˆy bx a =- 例．已知,x y 之间的一组数据：求y 与x 的回归方程：解：（1）先求变量x 的平均值，即(0123) 1.54x =+++= （2）求变量y 的平均值，即1(1357)44y =+++=（3）求变量x 的系数ˆb，有两个方法 []11223344222212342222()()()()()()()()ˆ1()()()()(0 1.5)(14)(1 1.5)(34)(2 1.5)(54)(3 1.5)(74)57(0 1.5)(1 1.5)(2 1.5)(3 1.5)x x y y x x y y x x y y x x y y bx x x x x x x x --+--+--+--=⎡⎤-+-+-+-⎣⎦--+--+--+--==⎡⎤-+-+-+-⎣⎦法法2 ˆb =[][]112222222222212...011325374 1.5457...01234 1.5n n n x y x y x y nx y x x x nx++-⋅⨯+⨯+⨯+⨯-⨯⨯==⎡⎤⎡⎤+++-+++-⨯⎣⎦⎣⎦ (4) 求常数ˆa，既525ˆˆ4 1.577a y bx =-=-⨯= 最后写出写出回归方程525ˆˆˆ77ybx a x =+=+第二公式：独立性检验两个分类变量的独立性检验：注意：数据a 具有两个属性1x ，1y 。
线性回归方程的求法(需要给每个人发)
4高考统计部分的两个重要公式的具体如何应用第一公式：线性回归方程为? b?x ?的求法:(1) 先求变量X 的平均值，既X（x , x 2 x 3n 1X n )(2)求变量 y 的平均值，既y（% y 2 y 3y n )n(3)求变量 x 的系数b?，有两个方法n(X i x)(y i y)法1 b?（题目给出不用记忆）（x x ）2i 1(X 1X )(yiy )(X 2和2」)…(X n 2X)(yn 可(需理解并会代入数据) (X i x) (X 2 x) ... (X n x)n(X i X)(y y)法2 b?(题目给出不用记忆)2(X X)（4） 求常数？既？ y b?x例•已知x, y 之间的一组数据:求y 与x 的回归方程:解：（1 ）先求变量x 的平均值，既x 1 （01 2 3） 1.541（2）求变量y 的平均值，既y —（1 3 5 7）4xyX 2Y 2 ...X n Y nnx y2222X 1X2. ..X n nx（这个公式需要自己记忆，稍微简单些）最后写出写出回归方程? b?（召。
可以改写为: y 依召（y 与y 不做区分）i 1(3)求变量x的系数b,有两个方法(N x)(% y)区x)(y2 y)区x)® y) (x4x)(y4y)法i b(X x)2区x)2(X3 x)2(X4 x)2(0 1.5)(1 4) (1 1.5)(3 4) (2 1.5)(5 4) (3 1.5)(7 4) 5(0 1.5)2 (1 1.5)2 (2 1.5)2 (3 1.5)27第四步：查表得出结论法2^ x1y12X2『2…XM nX y0 1 1 3 2 5 3 7 4 1.5 452x2 .2..X n 2 nx021222327⑷求常数a，既a y bx257最后写出写出回归方程y? bx a? —x 257 7第二公式：独立性检验两个分类变量的独立性检验：注意：数据a具有两个属性X- y1。
高二数学秋季讲义之线性回归方程(学生版)
学科培优 数学“线性回归方程”学生姓名 授课日期 教师姓名授课时长线性回归方程在全国卷中有所考察，往往以解答题形式出现，考察难度中等，主要掌握以下内容即可：①会作两个有关联变量数据的散点图，会利用散点图认识变量间的相关关系．②了解最小二乘法的思想，能根据给出的线性回归方程系数公式建立线性回归方程．知识梳理1：相关关系和函数关系在实际问题中，变量之间的常见关系有两类：一类是确定性函数关系，变量之间的关系可以用函数表示。
例如正方形的面积S 与其边长之间的函数关系（确定关系）；一类是相关关系，变量之间有一定的联系，但不能完全用函数来表达。
例如一块农田的水稻产量与施肥量的关系（非确定关系） 相关关系：自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系叫做相关关系。
相关关系与函数关系的异同点：相同点：均是指两个变量的关系。
不同点：函数关系是一种确定关系；而相关关系是一种非确定关系；函数关系是自变量与因变量之间的关系，这种关系是两个非随机变量的关系；而相关关系是非随机变量与随机变量的关系。
知识梳理2：求回归直线方程的思想方法观察散点图的特征，发现各点大致分布在一条直线的附近，思考：类似图中的直线可画几条？引导学生分析，最能代表变量x 与y 之间关系的直线的特征：即n 个偏差的平方和最小，其过程简要分析如下：设所求的直线方程为，其中a 、b 是待定系数。
则，于是得到各个偏差。
x 2x S =ˆybx a =+ˆ(1,2,,)i i ybx a i n =+=⋅⋅⋅⋅显见，偏差的符号有正负，若将它们相加会造成相互抵消，所以它们的和不能代表几个点与相应直线在整体上的接近程度，故采用n 个偏差的平方和表示n 个点与相应直线在整体上的接近程度。
记。
上述式子展开后，是一个关于a ，b 的二次多项式，应用配方法，可求出使Q 为最小值时的a ，b 的值，即其中【试题来源】【题目】下列各组变量哪个是函数关系，哪个是相关关系？ （1）电压U 与电流I （2）圆面积S 与半径R（3）自由落体运动中位移s 与时间t （4）粮食产量与施肥量 （5）人的身高与体重（6）广告费支出与商品销售额【试题来源】【题目】下列有关样本相关系数的说法不正确的是( )A ．相关系数用来衡量变量x 与y 之间的线性相关程度B ．|r |≤1，且|r |越接近于1，相关程度越大C ．|r |≤1，且|r |越接近0，相关程度越小D ．|r |≥1，且|r |越接近1，相关程度越小【试题来源】【题目】由一组样本(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )得到的回归直线方程y ^＝a ＋ˆˆ(),(1,2,...)i i i yy y bx a i n -=-+=ˆˆi yy -2221122()()....()n n Q y bx x y bx a y bx a =--+--++--21()ni i i Q y bx a ==--∑⎪⎪⎪⎩⎪⎪⎪⎨⎧-=--=∑∑==xb y a x n x y x n y x b n1i 22i n1i i i 1111,n ni i i i x x y y n n ====∑∑bx ，下面有四种关于回归直线方程的论述： (1)直线y ^＝a ＋bx至少经过点(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )中的一个点；(2)直线y ^＝a ＋bx 的斜率是∑ni ＝1x i y i －n x y ∑n i ＝1x 2i －nx2；(3)直线y ^＝a ＋bx 必过(x ，y )点；(4)直线y ^＝a ＋bx 和各点(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )的偏差∑ni ＝1 (y i －a －bx i )2是该坐标平面上所有的直线与这些点的偏差中最小的直线．其中正确的论述有( ) 【选项】A ．0个B ．1个C ．2个D ．3个【试题来源】2015全国卷1【题目】某公司为确定下一年度投入某种产品的宣传费，需了解年宣传费x （单位：千元）对年销售量y （单位：t ）和年利润z （单位：千元）的影响，对近8年的年宣传费i x 和年销售量i y （i =1,2，···，8）数据作了初步处理，得到下面的散点图及一些统计量的值.46.6 56.3 6.8 289.8表中i w =，w =1881i i w =∑（Ⅰ）根据散点图判断，y=a+bx 与y 关于年宣传费x 的回归方程类型？（给出判断即可，不必说明理由）（Ⅱ）根据（Ⅰ）的判断结果及表中数据，建立y 关于x 的回归方程；（Ⅲ）已知这种产品的年利率z 与x 、y 的关系为z=0.2y-x.根据（Ⅱ）的结果回答下列问题：（ⅰ）年宣传费x=49时，年销售量及年利润的预报值是多少？ （ⅱ）年宣传费x 为何值时，年利率的预报值最大？附：对于一组数据11(,)u v ,22(,)u v ，……，(,)n n u v ,其回归线v u αβ=+的斜率和截距的最小二乘估计分别为：【试题来源】【题目】已知10只狗的血球体积及红血球的测量值如下：ｘ（血球体积，ｍｍ），ｙ（血红球数，百万）(1)画出上表的散点图;(2)求出回归直线并且画出图形。
两个变量间的线性相关及回归方程的求法专题共10页
两个变量间的线性相关及回归方程的求法专题一、如何认识两个变量间的相关关系相关关系我们可以从以下三个方面加以认识：（1）相关关系与函数关系不同．函数关系中的两个变量间是一种确定性关系．例如正方形面积S与边长x之间的关系2xS 就是函数关系．即对于边长x的每一个确定的值，都有面积S的惟一确定的值与之对应．相关关系是一种非确定性关系，即相关关系是非随机变量与随机变量之间的关系．例如人的身高与年龄；商品的销售额与广告费等等都是相关关系．（2）函数关系是一种因果关系，而相关关系不一定是因果关系，也可能是伴随关系．例如有人发现，对于在校儿童，身高与阅读技能有很强的相关关系．然而学会新词并不能使儿童马上长高，而是涉及到第三个因素——年龄，当儿童长大一些，他们的阅读能力会提高而且由于长大身高也会高些．（3）函数关系与相关关系之间有着密切联系，在一定的条件下可以相互转化．例如正方形面积S与其边长x间虽然是一种确定性关系，但在每次测量边长时，由于测量误差等原因，其数值大小又表现出一种随机性．而对于具有线性关系的两个变量来说，当求得其回归直线后，我们又可以用一种确定性的关系对这两个变量间的关系进行估计．相关关系在现实生活中大量存在，从某种意义上讲，函数关系是一种理想的关系模型，而相关关系是一种更为一般的情况．因此研究相关关系，不仅可使我们处理更为广泛的数学应用问题，还可使我们对函数关系的认识上升到一个新的高度．二、如何判断两个变量线性相关关系1、利用变量相关关系的概念利用变量相关关系的概念判断时，一般是看当一个变量的值一定时，另一个变量是否带有确定性，两个变量之间的关系具有确定关系－－函数关系；两个变量之间的关系具有随机性，不确定性－－相关关系。
例1、在下列各个量与量的关系中：①正方体的体积与棱长之间的关系；②一块农田的水稻产量与施肥量之间的关系；③人的身高与年龄之间的关系；④家庭的收入与支出之间的关系；⑤某户家庭用电量与水费之间的关系。
用最小二乘法求线性回归方程
最小二乘法主要用来求解两个具有线性相关关系的变量的回归方程，该方法适用于求解与线性回归方程相关的问题，如求解回归直线方程，并应用其分析预报变量的取值等•破解此类问题的关键点如下：①析数据，分析相关数据，求得相关系数r，或利用散点图判断两变量之间是否存在线性相关关系，若呈非线性相关关系，则需要通过变量的变换转化构造线性相关关系.②建模型•根据题意确定两个变量，结合数据分析的结果建立回归模型.③求参数•利用回归直线y=bx+a的斜率和截距的最小二乘估计公式，求出b，a，的值.从而确定线性回归方程.④求估值.将已知的解释变量的值代入线性回归方程y=bx+a中，即可求得y的预测值.注意:回归直线方程的求解与应用中要注意两个方面：一是求解回归直线方程时，利用样本点的中心（x，y）必在回归直线上求解相关参数的值；二是回归直线方程的应用，利用回归直线方程求出的数值应是一个估计值，不是真实值.经典例题：下图是某地区2000年至2016年环境基础设施投资额（单位：亿元）的折线图.240220 200 180 160 140 120 100 80604020为了预测该地区2018年的环境基础设施投资额，建立了与时间变量的两个线性回归模型•根据2000年至2016年的数据（时间变量的值依次为1,2.，……, 17）建立模型①：y=+;根据2010年至2016年的数据（时间变量的值依次为）建立模型②：y=99+.（1）分别利用这两个模型，求该地区2018年的环境基础设施投资额的预测值；（2）你认为用哪个模型得到的预测值更可靠并说明理由.思路分析：（1）两个回归直线方程中无参数，所以分别求自变量为2018时所对应的函数值，就得结果，（2）根据折线图知2000到2009，与2010到2016 是两个有明显区别的直线，且2010到2016的增幅明显高于2000到2009，也高于模型1的增幅，因此所以用模型2更能较好得到2018的预测.解析：（1）利用模型①，该地区2018年的环境基础设施投资额的预测值为=-+X 19=（亿元）.利用模型②，该地区2018年的环境基础设施投资额的预测值为=99+x 9=（亿元）.（2）利用模型②得到的预测值更可靠.理由如下：（i）从折线图可以看出，2000年至2016年的数据对应的点没有随机散布在直线y=- +上下，这说明利用2000年至2016年的数据建立的线性模型①不能很好地描述环境基础设施投资额的变化趋势. 2010年相对2009年的环境基础设施投资额有明显增加，2010年至2016年的数据对应的点位于一条直线的附近，这说明从2010年开始环境基础设施投资额的变化规律呈线性增长趋势，利用2010年至2016年的数据建立的线性模型=99+可以较好地描述2010年以后的环境基础设施投资额的变化趋势，因此利用模型②得到的预测值更可靠.(ii)从计算结果看，相对于2016年的环境基础设施投资额220亿元，由模型①得到的预测值亿元的增幅明显偏低，而利用模型②得到的预测值的增幅比较合理，说明利用模型②得到的预测值更可靠.以上给出了2种理由，考生答出其中任意一种或其他合理理由均可得分.总结：若已知回归直线方程，则可以直接将数值代入求得特定要求下的预测值；若回归直线方程有待定参数，则根据回归直线方程恒过中心点求参数•（2011年全国新课标2卷理19 ）某地区2007年至2013年农村居民家庭人旳纯收入C 单位:F 元）的数据如下表辛年份2007 2008 2009 2010 201 i 20122013 '年份代 号F 12 345 6 7人均纯 收入yN93*33.6£44,85.25.9（I ）求F 关于f 的线性回归方程帘（U ）利用（I ）中的回归方程,分析2007年至2013 年该地区农村居民家庭人均纯收入的变化情况，并预测诊地 区2015年农村居民家庭人均纯收入.附：回归宜线的斜率和截距的最小二乘估计公式分别为； * 口右-金-丫） . _ 一线性回归方程是利用数理统计中的回归分析，来确定两种或两种以上变数间相 互依赖的定量关系的一种统计分析方法之一，线性回归也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。
(整理版)例谈直线回归方程的求解方法
例谈直线回归方程的求解方法在求具有线性相关关系的两个变量之间的回归方程时，由于所给两个变量的数据较多并且量大，致使运算量大且繁杂，常常使我们望而生“畏〞，望而生“烦〞．那么,如何尽快的求出回归直线方程呢？下面,结合一个实例谈谈回归直线方程的求解方法，以供参考． 例：测得某地10对父子身高〔：英寸〕如下：父亲身高(x) 60 62 64 65 66 67 68 70 72 74 儿子身高〔y 67.4 68.3 70.1 70如果x 与y 之间具有线性相关关系，求回归直线方程；如果父亲的身高为78英寸，试估计儿子的身高．分析：对于两个变量，在确定具有线性相关关系后，可以利用“最小二乘法〞来求回归方程．用“最小二乘法〞求回归直线方程的关键在于正确地利用回归方程中系数公式1221ni ii nii x ynx y b xnx==-=-∑∑，a y bx =-求出系数a b ，，这样回归方程也就建立起来了．为了使计算更加有条理，我们通过制作表格来先计算出221111n n n ni i i i i i i i x y x y ====∑∑∑∑，，，；再计算出11n i i y y n ==∑，11n i i x x n ==∑；最后利用公式221n xx i i L x nx ==-∑，221nyy i i L y ny ==-∑，1nxy i i i L x y nx y ==-∑，列式计算，再利用公式计算xy xxL b L =；最后写出回归直线方程：y bx a =+．解法：上表可计算，66866.810x ==，670.167.0110y ==，10144842.4i i i x y ==∑，102144794i i x ==∑，102144941.93ii y==∑，代入公式101221i ii nii x ynx y b xnx==-=-∑∑244842.41066.867.0179.720.4646449741066.8171.6-⨯⨯==≈-⨯.67.010.464666.835.975a y bx =-=-⨯≈∴因而所求得回归直线方程为：0.464635.975y x =+． 当78x =时，0.46467835.97572.2138y =⨯+=．所以当父亲的身高为78英寸时，估计儿子的身高约为72.2138英寸．评注：“最小二乘法〞是求回归直线方程常用的方法，在回归直线方程y bx a =+中，a b ，是回归直线方程中的系数，其中b 是回归直线的斜率，表示自变量变化1个时因变量的平均变化值．在数值计算的过程中可以用计算器来帮助完成复杂的计算结果．。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
耿老师总结的高考统计部分的两个重要公式的具体如何应用
第一公式：线性回归方程为ˆˆˆy
bx a =+的求法： （1） 先求变量x 的平均值，既1231()n x x x x x n =
+++⋅⋅⋅+ （2） 求变量y 的平均值，既1231()n y y y y y n
=+++⋅⋅⋅+ （3） 求变量x 的系数ˆb
，有两个方法 法112
1()()ˆ()n
i i
i n i
i x x y y b x x ==--=-∑∑（题目给出不用记忆）[]112222212()()()()...()()()()...()n n n x x y y x x y y x x y y x x x x x x --+--++--=⎡⎤-+-++-⎣⎦
（需理解并会代入数据） 法21
2
1()()ˆ()n
i i
i n i
i x x y y b x x ==--=-∑∑（题目给出不用记忆） []1122222212...,...n n n x y x y x y nx y x x x nx
++-⋅=⎡⎤+++-⎣⎦（这个公式需要自己记忆，稍微简单些） （4） 求常数ˆa ，既ˆˆa y bx =- 最后写出写出回归方程ˆˆˆy
bx a =+。
可以改写为：ˆˆy bx a =-（ˆy y 与不做区分） 例．已知,x y 之间的一组数据：
求y 与x 的回归方程：
解：（1）先求变量x 的平均值，既1(0123) 1.54x =
+++= （2）求变量y 的平均值，既1(1357)44
y =+++= （3）求变量x 的系数ˆb
，有两个方法
法1ˆb = []11223344222212342222()()()()()()()()()()()()(0 1.5)(14)(1 1.5)(34)(2 1.5)(54)(3 1.5)(74)57(0 1.5)(1 1.5)(2 1.5)(3 1.5)x x y y x x y y x x y y x x y y x x x x x x x x --+--+--+--=⎡⎤-+-+-+-⎣⎦--+--+--+--==⎡⎤-+-+-+-⎣⎦
法2ˆb =[][]11222222222212...011325374 1.5457
...0123n n n x y x y x y nx y x x x nx ++-⋅⨯+⨯+⨯+⨯-⨯⨯==⎡⎤⎡⎤+++-+++⎣⎦⎣⎦ (4)求常数ˆa ，既525ˆˆ4 1.577a y bx =-=-⨯= 最后写出写出回归方程525ˆˆˆ77y
bx a x =+=+
第二公式：独立性检验
两个分类变量的独立性检验： 注意：数据a 具有两个属性1x ，1y 。
数
据b 具有两个属性1x ，2y 。
数据c 具有两个属性2x ，2y 数据d 具有两个属性2x ，2y 而且列出表格是最重要。
解题步骤如下
第一步：提出假设检验问题 （一般假设两个变量不相关）
第二步：列出上述表格
第三步：计算检验的指标 22
()()()()()n ad bc K a b c d a c b d -=++++
2K =9大于表格中7.879，则查表可得结论：两个变量之间不相关概率为0.005，或者可以肯定的说两个变量相关的概率为0.995.或095.50
例如你计算出2K =6大于表格中5.024，则查表可得结论：两个变量之间不相关概率为0.025，或者可以肯定的说两个变量相关的概率为0.995.或097.50
上述结论都是概率性总结。
切记事实结论。
只是大概行描述。
具体发生情况要和实际联
系！！！！。