人教版高中数学课标教材(A版)

1、人民教育版高中数学课程标准教材(A版)，普通高中课程标准实验教材选修1-2，2-3，统计案例简介，陈建天津八中，欢迎您，请于2020年7月24日4: 55给予更多指导。回归分析和独立性检验是两种常用的统计方法，在统计学中占有非常重要的地位。用统计学方法解决问题的过程：确定总体情况，选择合适的变量，收集数据，分析和整理数据，做出决策或预测。数学1，数学3，数学4，数学2，数学5，选修2-3，选修2-2，选修2-1，选修1-1，选修3-5，选修3-4，选修3-3，选修3-2，选修3-1，选修3-6数学3:统计学：随机抽样，样本总体估计，变量之间的相关性概率：随机事件概率，经典概率，几何概率选修2-

2、3(选修1-2):概率：离散随机变量及其分布列表，二项式分布及其应用，离散随机变量的均值和方差正态分布回归分析的基本思想及其初步应用独立性检验的基本思想及其初步应用以4-9风险与决策为选修课。 统计学的重点是如何找出从观测数据中获得的知识的不确定性的度量，以及如何在最小损失下做出明确的最优决策。教学目标结构设置与课时分配回归分析的独立性检验。教学目标：通过典型案例的探索，进一步了解线性回归模型的相关知识，包括残差变量的来源，模型诊断的初步知识，应用回归模型解决非线性相关问题，进一步了解回归分析的基本思想、方法和初步应用。通过对典型案例的探索，了解独立性测试的基本思想、方法和初步应用(只需要22

3、列)。1。教学目标回归分析、教学目标结构设置和课时分配的独立测试。结构设置和课时分配回归分析的独立检验。回归分析，数学3中内容回归分析增加了“回归”，知识结构图回归分析教学建议，数学3中内容回归增加了“回归”，要求数学回归的内容。绘制散点图了解最小二乘法的思想，用最小二乘估计公式ybxa计算回归直线方程，用回归直线方程解决应用问题(预测)，选择数学23的新内容。介绍线性回归模型ybxae，了解模型中随机误差e产生的原因，相关指数R2与模型拟合效果的关系，残差图的作用(异常数据识别方法，模型改进)，利用线性回归模型解决一类非线性回归问题，正确理解统计分析方法和结果，3 .回归分析，教学建议为回归

4、分析知识结构图添加回归分析比“回归”在数学3，3。回归分析知识结构图回归分析教学建议，函数模型与“回归模型”的关系散点图与模型选择残差变量与模型选择说明残差变量的来源正确理解相关系数和相关指数的含义，注意提炼案例中所包含的统计思想，运用统计方法解决实际问题，函数模型与“回归模型”的关系，函数模型：回归模型：样本点在函数曲线上， 样本点不在回归曲线上，Y=f(x)，y=f(x) e，1993-2002年中国GDP散点图，函数模型与“回归模型”的关系，函数模型：回归模型：y=f(x)，y=f (x) e，当自变量有一定值时，因变量有两个随机值，1):相关性是一种不确定关系；注意，函数模型与“回归模

5、型”的关系，函数模型：因变量Y完全由自变量X决定回归模型：预测变量Y完全由解释变量X和随机误差E决定，因此残差变量的值不能被忽略函数模型和“回归模型”之间的关系通过最小二乘法来估计，该方法被称为最小二乘法(数学3 P92)。问题归结到：a。当B取最小值时，Q是总数和最小值。以下是计算回归方程斜率和截距的一般公式。根据最小二乘法和上述公式，可以得到回归方程。推导过程如公式中的分母为n-2所示，以便获得更好的估计效果。教学建议回归分析，函数模型与“回归模型”的关系，散点图与模型选择，残差变量与模型选择，说明残差变量的来源，正确理解相关系数和相关指数的含义，注意提炼案例中所包含的统计思想，并运用统计

6、方法解决实际问题，我国1993-2002年国内生产总值散点图与模型的选择，在这些点附近可以画出一条以上的直线， 哪条直线最能代表X和y之间的关系。散点图和模型选择散点图有助于确定可供选择的模型范围，而模型比较基于残差分析。 案例二：红铃虫产卵量和温度，回归分析教学建议，函数模型与“回归模型”的关系。散点图和模型选择解释了剩余变量的来源和模型选择。正确理解相关指标的含义，注意提炼案例中包含的统计思想，运用统计方法解决实际问题。残差图的制作与功能残差图中异常点的发现可能是由错误数据引起的残差图的趋势分析残差图的趋势表明模型有改进的余地，残差图的制作与功能。(选修2-3P85和教学参考P97)纵轴坐

7、标是剩余变量，横轴可以不同地选择。横轴是编号，它可以检查残差和编号顺序之间的关系，通常用于调查数据错误。横轴是解释变量，可以考察残差和解释变量之间的关系，常用于研究模型是否有改进的余地。如果模型选择正确，残差图中的点应该分布在以水平轴为中心的带状区域中。在残差图中寻找异常(远离横轴)，异常可能是由错误数据引起的，异常，异常，高度和重量残差图，残差图趋势分析，残差图有趋势，模型有改进的余地，模型应增加二次项，回归分析教学建议、 函数模型与“回归模型”的关系散点图与模型选择残差变量与模型选择解释残差变量的来源正确理解相关指标的含义，注意提炼案例中包含的统计思想，运用统计方法解决实际问题。 剩余变量

8、的来源：其他因素的影响。例如，影响身高Y的因素不仅是体重X，还有遗传因素、饮食习惯、生长环境等因素。所选择的回归模型近似于由真实模型引起的误差。预测变量的观测误差。高度y的测量有误差。一、回归分析教学建议，函数模型与“回归模型”的关系，散点图与模型选择，残差变量与模型选择，说明残差变量的来源，正确理解相关指数的含义，注意提炼案例中所包含的统计思想，运用统计方法解决实际问题，正确理解相关系数的含义，以及总偏差平方和，表明两个变量之间线性相关的强弱。相关指数是衡量模型拟合效果的指标。在线性模型中，它代表解释变量描述预测变量的能力。正确理解相关指数的含义，它是衡量模型拟合效果的一个指标。相关指数越大

9、，模型拟合效果越好。，残差平方和(一)，总偏差平方和，回归分析的教学建议，函数模型与“回归模型”的关系，散点图与模型选择，残差变量来源的解释与模型选择，正确理解相关指标的含义，注意提炼案例中包含的统计思想，运用统计方法解决实际问题时应注意的问题，注意提炼案例中包含的统计思想，在例1的末尾， 提到“在用身高预测体重时，应注意以下问题：“，这些讨论，模型的适用性； 模型的及时性；样本值范围对模型的影响；正确理解模型预测结果。注意案例中包含的统计思想，教材中列出的建立回归模型的基本步骤不仅适用于线性回归模型，而且适用于所有的回归模型。研究对象的背景分析；用散点图判断模型类别；估计模型参数；残差分析和

10、模型诊断。1.研究对象的背景分析；某大学8名女大学生的身高和体重，确定变量：解释变量x(身高)，预测变量y(体重)，分析：由于问题要求根据身高预测体重，我们选择身高作为自变量，体重作为因变量，注意提炼案例中所包含的统计思想，并喜欢教科书中所列的“建立回归模型的基本步骤”,这不仅适用于线性回归模型，也适用于所有的回归模型。研究对象的背景分析；用散点图判断模型类别；估计模型参数；残差分析和模型诊断。用散点图判断模型类别；样本点呈带状分布：身高和体重之间有很好的线性相关性，因此可以用线性回归方程来近似。注意案例中包含的统计思想，教材中列出的建立回归模型的基本步骤不仅适用于线性回归模型，而且适用于所有

11、的回归模型。研究对象的背景分析；用散点图判断模型类别；估计模型参数；残差分析和模型诊断。估计模型参数；让线性回归模型：y=bx a e，用最小二乘法估计模型参数：注意提炼案例中所包含的统计思想，正如教科书中所列，“建立回归模型的基本步骤”不仅适用于线性回归模型，也适用于所有回归模型。研究对象的背景分析；用散点图判断模型类别；估计模型参数；残差分析和模型诊断。(1)根据散点图粗略判断它们是否线性相关。(2)线性回归模型能否用于拟合数据(3)用残差来判断模型拟合的效果，这种分析称为残差分析、残差分析和模型诊断。残差分析，模型诊断。残差分析，模型诊断。总偏差平方和：预测变量的变化程度，回归平方和：解

12、释变量引起的变化程度，残差平方和：残差变量的变化程度，解释变量引起的预测变量变化的比例，R2越大，模型拟合效果越好。残差分析，模型诊断。回归分析教学建议，函数模型与“回归模型”的关系，散点图与模型选择，残差变量与模型选择，说明残差变量的来源，正确理解相关指标的含义，注意提炼案例中所包含的统计思想，运用统计方法解决实际问题，并运用统计方法解决实际问题，通过实例2，说明以下结论：对于相同的数据，有不同的统计方法进行分析，而最有效的方法应该是用来分析数据。(残差平方和与R2)，案例2:红铃虫产卵数与温度(残差分析)，指数模型，二次模型，残差平方和：相关系数R2:1550.538，15448.431，

13、0.98，0.80，用统计方法解决实际问题时应注意的问题，通过指导学生t一、教学目标结构设置与课时分配的回归分析独立性检验、独立性检验、假设检验问题解决假设检验问题谚语原则和假设检验原则独立性检验知识结构图教学建议一、假设检验问题假设检验问题由两个互相排斥的假设组成，以H0为代表；替代假设，由H1表示。这个表达是：H0: H1:例如，在吸烟是否与肺癌有关的例子中。最初的假设是：H0:吸烟与肺癌无关。另一种假设是：H1:吸烟与肺癌无关。H1:吸烟与肺癌无关。独立性检验，假设检验问题解决假设检验问题反证原则和假设检验原则独立性检验知识结构图教学建议，b .解决假设检验问题，考虑假设检验问题：H0

14、H1，在H0如果样本使这个小概率事件发生，H1可以肯定地断言。否则，据说没有足够的证据从数据上支持H1。测试问题的解决方法判断H0或H1是否正确的规则。在获取观测数据之前，应确定规则的显著性水平。解决假设检验问题，解决过程：1 .提出假设问题2。构造随机变量3。确定拒绝域4。检查临界值5。推断结果和解释。解决假设检验问题，解决过程：1 .提出假设问题，例如，在吸烟是否与肺癌有关的例子中。提出假设性问题；最初的假设是：H0；吸烟与肺癌无关；另一种假设是：H1:吸烟与肺癌有关；解决假设检验问题，解决过程：1 .提出假设性问题2。构造随机变量3。确定拒绝域4。调查临界值5。推断结果和解释；解决假设检

15、验问题，解决过程：2 .构造随机变量，例如：构造随机变量：注：K2越小，没有任何未知参数，H0的原始假设就越有可能成立。解决假设检验问题，解决过程：1 .提出假设问题2。构造随机变量3。确定拒绝域4。调查临界值5。推断的结果和解释。解决假设检验问题，解决过程：3 .确定拒绝域，如“吸烟与痛苦”确定拒绝域：k0，6.635，注：6.635根据统计，如果原始假设H0成立，那么P(K26.635)0.01，其中0.01为显著性水平。解决假设检验问题，解决过程：1 .提出假设问题2。构造随机变量3。确定拒绝域4。调查临界值5。检验临界值：k0，根据K2公式和实际数据计算K2的观测值k，k56.6326

16、.635=k0，b，解决假设检验问题，解决过程：1，提出假设问题2，构造随机变量3，确定拒绝域4，检验临界值5，推断结果并解释，b，解决假设检验问题，解决过程：5，推断结果并推断解释：P(K26.635)0.01，k56.6326。 观察值k落在拒绝域，拒绝原始假设，也就是说，它是1-确定替代假设是有效的； 否则，原始假设被接受，即样本数据与原始假设之间没有发现矛盾。(教学参考P108)，根据k56.6326.635，可以得出这样的结论：原来的假设：(H0:吸烟与肺癌无关)是不正确的，即“吸烟与肺癌有关”或被解释为：替代假设：(H1:吸烟与肺癌有关)持有99%的信心认为吸烟与肺癌有关， 只有1%的