数学选修1-2人教新课标a版1.1回归分析的基本思想及其初步应用学案

1、1.1回归分析的基本思想及其初步应用问题导学一、求线性回归方程活动与探究1某班5名学生的数学和物理成绩如下表：(1)画出散点图；(2)求物理成绩y对数学成绩x的回归直线方程；(3)一名学生的数学成绩是96，试预测他的物理成绩迁移与应用某商场经营一批进价是30元/台的小商品，在市场试验中发现，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：x35404550y56412811(1)y与x是否具有线性相关关系？如果具有线性相关关系，求出回归直线方程(方程的斜率保留一位有效数字)(2)设经营此商品的日销售利润为P元，根据(1)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

2、获得最大日销售利润(1)求线性回归方程的基本步骤：(2)需特别注意的是，只有在散点图大致呈直线时，求出的线性回归方程才有实际意义，否则求出的回归方程毫无意义二、线性回归分析活动与探究2某运动员训练次数与运动成绩之间的数据关系如下：次数(x)3033353739444650成绩(y)3034373942464851(1)作出散点图；(2)求出线性回归方程；(3)作出残差图，并说明模型的拟合效果；(4)计算R2，并说明其含义迁移与应用在一段时间内，某种商品的价格x元和需求量y件之间的一组数据为：x(元)1416182022y(件)1210753且知x与y具有线性相关关系，求出y关于x的回归直线方程

3、，并说明拟合效果的好坏“相关指数R2、残差图”在回归分析中的作用：(1)相关指数R2是用来刻画回归效果的，由R21可知，R2越大，意味着残差平方和越小，也就是说模型的拟合效果就越好(2)残差图也是用来刻画回归效果的，判断依据是：残差点比较均匀地分布在水平带状区域中，带状区域越窄，说明模型拟合精度越高，回归方程预报的精度也越高三、非线性回归分析活动与探究3下表为收集到的一组数据：x21232527293235y711212466115325(1)作出x与y的散点图，并猜测x与y之间的关系；(2)建立x与y的关系，预报回归模型并计算残差；(3)利用所得模型，预报x40时y的值迁移与应用在一次抽样调

4、查中测得样本的5个样本点，数值如下表：x0.250.5124y1612521试建立y关于x之间的回归方程非线性回归问题有时并不给出经验公式，这时我们可以画出已知数据的散点图，把它与学过的各种函数(幂函数、指数函数、对数函数等)图象作比较，挑选一种跟这些散点拟合得最好的函数，然后采用适当的变量置换，把问题化为线性回归分析问题，使之得到解决答案：课前·预习导学【预习导引】1(1)确定性非确定性(2)相关(3)(，)(4)随机误差解释变量预报变量预习交流1D2yibxiayiiyixi31预习交流2提示：散点图可以说明变量间有无线性相关关系，但只能粗略地说明两个变量之间关系的密切程度，而相

5、关指数R2能精确地描述两个变量之间的密切程度预习交流3提示：(1)回归方程只适用于所研究的样本的总体(2)所建立的回归方程一般都有时间性(3)样本取值的范围会影响回归方程的适用范围(4)不能期望回归方程得到的预报值就是预报变量的精确值事实上，它是预报变量的可能取值的平均值课堂·合作探究【问题导学】活动与探究1思路分析：先画散点图，分析物理与数学成绩是否有线性相关关系，若相关，再利用线性回归模型求解预报变量解：(1)散点图如图所示(2)因为×(8876736663)73.2，×(7865716461)67.8，xiyi88×7876×6573&#

6、215;7166×6463×6125 054，x88276273266263227 174所以0.625，67.80.625×73.222.05所以y对x的回归直线方程是0.625x22.05(3)x96，则0.625×9622.0582，即可以预测他的物理成绩是82迁移与应用解：(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，因此两个变量线性相关设回归直线为x，由题知42.5，34，则求得334(3)×42.5161.53x161.5(2)依题意有P(3x161.5)(x30)3x2251.5x4 845324 845当x4

7、2时，P有最大值，约为426即预测销售单价为42元时，能获得最大日销售利润活动与探究2思路分析：先画出散点图，确定是否具有线性相关关系，求出回归方程，再求出残差，确定模型的拟合效果和R2的含义解：(1)作出该运动员训练次数(x)与成绩(y)之间的散点图，如图所示，由散点图可知，它们之间具有线性相关关系(2)39.25，40.875，12 656，13 731，iyi13 180，1.041 5，0.003 875，线性回归方程为1.041 5x0.003 875(3)作残差图如图所示，由图可知，残差点比较均匀地分布在水平带状区域中，说明选用的模型比较合适(4)计算得相关指数R20.985 5，

8、说明了该运动员成绩的差异有98.55%是由训练次数引起的迁移与应用解：×(1416182022)18，×(1210753)7.4，x1421621822022221 660，y122102725232327，xiyi14×1216×1018×720×522×3620，1.157.41.15×1828.1，y对x的回归直线方程为1.15x28.1列出残差表为yii00.30.40.10.2yi4.62.60.42.44.4(yii) 20.3，(yi)253.2，R210.994R20.994，拟合效果较好活动与探究

9、3思路分析：先由数值表作出散点图，然后根据散点的形状模拟出近似函数，进而转化为线性函数，由数值表求出回归函数解：(1)作出散点图如图所示，从散点图中可以看出x与y不具有线性相关关系，根据已有知识可以发现样本点分布在某一条指数函数曲线yc1ec2x的周围，其中c1，c2为待定的参数(2)对两边取对数把指数关系变为线性关系，令zln y，则变换后的样本点应分布在直线zbxa，aln c1，bc2的周围，这样就可以利用线性回归模型来建立y与x之间的非线性回归方程了，数据可以转化为：x21232527293235z1.9462.3983.0453.1784.1904.7455.784求得回归直线方程为

10、0.272x3.849，e0.272x3.849残差yi711212466115325i6.44311.10119.12532.95056.770128.381290.325i0.5570.1011.8758.9509.2313.38134.675(3)当x40时，ye0.272x3.8491 131迁移与应用解：画出散点图如图所示根据散点图可知y与x近似地呈反比例函数关系，设y，令t，则ykt，原数据变为：t4210.50.25y1612521由散点图可以看出y与t呈近似的线性相关关系列表如下：序号tiyitiyity141664162562212244144315512540.5210.2

11、5450.2510.250.062 517.753694.2521.312 5430所以1.55，7.2所以4.134 40.8，所以4.134 4t0.8所以y关于x的回归方程是0.8当堂检测1有下列说法：线性回归分析就是由样本点去寻找一条直线，使它贴近这些样本点的数学方法；利用样本点的散点图可以直观判断两个变量的关系是否可以用线性关系表示；通过回归方程及其回归系数，可以估计和观测变量的取值和变化趋势；因为由任何一组观测值都可以求得一个回归直线方程，所以没有必要进行相关性检验其中正确说法的个数是()A1 B2 C3 D4答案：C解析：反映的正是最小二乘法思想，故正确反映的是画散点图的作用，也

12、正确反映的是回归模型ybxae，其中e为随机误差，故也正确是不正确的，在求回归方程之前必须进行相关性检验，以确定两变量的关系2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R2如下，其中拟合效果最好的模型是()A模型1的相关指数R2为0.98B模型2的相关指数R2为0.80C模型3的相关指数R2为0.50D模型4的相关指数R2为0.25答案：A解析：相关指数R2越接近于1，则该模型的拟合效果就越好，精度越高3设有一个回归方程21.5x，则变量x增加1个单位时，()Ay平均增加1.5个单位By平均增加2个单位Cy平均减少1.5个单位Dy平均减少2个单位答案：C解析：1.50，x增加1个单位时，y平均减少1.5个单位4若施肥量x(kg)与小麦产量y(kg)之间的回归直