高中数学知识点：线性回归方程
高中数学知识点：线性回归方程
线性回归方程是高中数学中的一个重要知识点。
其中，回归直线是指通过散点图中心的一条直线，表示两个变量之间的线性相关关系。
回归直线方程可以通过最小二乘法求得。
具体地，可以设与n个观测点（xi，yi）最接近的直线方程为
y=bx+a，其中a、b是待定系数。
然后，通过计算n个偏差的平方和来求出使Q为最小值时的a、b的值。
最终得到的直线方程即为回归直线方程。
需要注意的是，只有在散点图大致呈线性时，求出的回归直线方程才有实际意义。
因此，在进行线性回归分析时，应先看其散点图是否成线性。
另外，求回归直线方程时，需要仔细谨慎地进行计算，避免因计算产生失误。
回归直线方程在现实生活与生产中有广泛的应用。
这种方程可以将非确定性问题转化为确定性问题，从而使“无序”变得“有序”，并对情况进行估测和补充。
因此，研究回归直线方程后，学生应更加重视其在解决相关实际问题中的应用。
注：原文已经没有格式错误和明显有问题的段落。
高中数学线性回归方程线性回归方程公式详解
高中数学线性回归方程线性回归方程公式详解
线性回归方程是一种用于拟合一组数据的最常见的数学模型，它可以用来预测一个因变量（例如销售额）和一个或多个自变量（例如广告费用）之间的关系。
下面是线性回归方程的公式详解：
假设有n个数据点，每个数据点包含一个因变量y和k个自变量x1,x2,...,xk。
线性回归方程可以表示为：
y = β0 + β1*x1 + β2*x2 + ... + βk*xk + ε
其中，β0, β1, β2, ..., βk是模型的系数，ε是误差项，用来表示实际数据和模型预测之间的差异。
系数β0表示当所有自变量均为0时的截距，而β1, β2, ..., βk 则表示每个自变量对因变量的影响。
当系数为正时，自变量增加时因变量也会增加；而当系数为负时，自变量增加时因变量会减少。
通常，我们使用最小二乘法来估计模型的系数。
最小二乘法就是通过最小化所有数据点与模型预测之间的距离来找到最优的系数。
具体来说，我们可以使用以下公式来计算系数：
β = (X'X)-1 X'y
其中，X是一个n×(k+1)的矩阵，第一列全为1，其余的列为自变量x1,x2,...,xk。
y是一个n×1的向量，每一行对应一个因
变量。
X'表示X的转置，-1表示X的逆矩阵，而β则是一个(k+1)×1的向量，包含所有系数。
当拟合出线性回归方程后，我们可以使用它来预测新的数据点的因变量。
具体来说，我们可以将自变量代入方程中，计算出相应的因变量值。
如果模型的系数是可靠的，我们可以相信这些预测结果是比较准确的。
线性回归方程-高中数学知识点讲解
线性回归方程
1．线性回归方程
【概念】
线性回归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，运用十分广泛．分析按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析．如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析．如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析．变量的相关关系中最为简单的是线性相关关系，设随机变量与变量之间存在线性相关关系，则由试验数据得到的点将散布在某一直线周围．因此，可以认为关于的回归函数的类型为线性函数．
【实例解析】
例：对于线性回归方程푦=1.5푥+45，푥1∈{1，7，5，13，19}，则푦=
解：푥=1+7+5+13+19
5
=
9，因为回归直线必过样本中心（푥，푦），
所以푦=1.5×9+45=13.5+45=58.5．
故答案为：58.5．
方法就是根据线性回归直线必过样本中心（푥，푦），求出푥，代入即可求푦．这里面可以看出线性规划这类题解题方法比较套路化，需要熟记公式．
【考点点评】
这类题记住公式就可以了，也是高考中一个比较重要的点．
1/ 1。
高中数学：线性回归方程
高中数学：线性回归方程线性回归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，是变量间的相关关系中最重要的一部分，主要考查概率与统计知识，考察学生的阅读能力、数据处理能力及运算能力，题目难度中等，应用广泛．一线性回归方程公式二规律总结(3)回归分析是处理变量相关关系的一种数学方法．主要用来解决：①确定特定量之间是否有相关关系，如果有就找出它们之间贴近的数学表达式；②根据一组观察值，预测变量的取值及判断变量取值的变化趋势；③求线性回归方程．线性回归方程的求法1四线性回归方程的应用例2例3例4例5例6推导2个样本点的线性回归方程例7 设有两个点A（x1，y1），B（x2，y2），用最小二乘法推导其线性回归方程并进行分析。
解：由最小二乘法，设，则样本点到该直线的“距离之和”为从而可知：当时，b有最小值。
将代入“距离和”计算式中，视其为关于b的二次函数，再用配方法，可知：此时直线方程为：设AB中点为M，则上述线性回归方程为可以看出，由两个样本点推导的线性回归方程即为过这两点的直线方程。
这和我们的认识是一致的：对两个样本点，最好的拟合直线就是过这两点的直线。
上面我们是用最小二乘法对有两个样本点的线性回归直线方程进行了直接推导，主要是分别对关于a和b的二次函数进行研究，由配方法求其最值及所需条件。
实际上，由线性回归系数计算公式：可得到线性回归方程为设AB中点为M，则上述线性回归方程为。
求回归直线方程例8 在硝酸钠的溶解试验中，测得在不同温度下，溶解于100份水中的硝酸钠份数的数据如下0 4 10 15 21 29 36 51 6866.7 71.0 76.3 80.6 85.7 92.9 99.4 113.6 125.1 描出散点图并求其回归直线方程.解：建立坐标系，绘出散点图如下：由散点图可以看出：两组数据呈线性相关性。
设回归直线方程为：由回归系数计算公式：可求得：b=0.87，a=67.52，从而回归直线方程为：y=0.87x+67.52。
高中数学 2.4 线性回归方程课件 苏教版必修3
的特征． 解析： 由图可知①是一次函数关系，不是相关关系；
②中的所有点在一条直线附近波动，是线性相关的； 栏
目
③中的点杂乱无章，没有什么关系，是不相关的；④
链 接
中的所有点在某条曲线附近波动，是非线性相关的，
即两个变量(biànliàng)具有相关关系的是②④.
答案： ②④
第二十页，共39页。
典例 剖析
规律总结： 散点图直观地描述了两个变量之间有没
有相关关系，由散点图判断相关关系有两种情况，若
栏
所有的点看上去都在一条直线附近波动，则两个变量
目 链
是线性相关的；若所有的点看上去都在某条曲线 接
(qūxiàn)附近波动，则两个变量是非线性相关的，这
两种情况都说明两个变量间具有相关关系．
第二十一页，共39页。
栏 目 链 接
xiǎo)，这种关系称为________． 负相关
3．线性回归方程是________________，其中b＝
_n____________，a＝_______y_^．＝bx＋a
iΣ＝1xiyi－nx y
y－bx
iΣ＝n1xi2－nx2
第六页，共39页。
自主 学习
4．线性回归方程 (jiāodiǎn)________．,
第三十一页，共39页。
典例
剖 析 题型四 用回归直线估计总体
例3高二(2)班学生(xué sheng)每周用于数学学习的
时间x(单位：h)与数学成绩y(单位：分)之间有如下数据：
栏
目
x
2 4
1 5
2 3
1 9
1 6
1 1
2 0
1 6
1 7
1 3
高中数学人教A版必修3课件：2-3-2《线性回归方程》
二倍角的正弦、余弦、 正切公式
2.3 变量间的相关关系
2.3.2 线性回归方程
3.1.3
二倍角的正弦、余弦、 正切公式
本课主要学习变量间的相关关系的相关内容，具体 包括线性回归方程的求解。 本课开始回顾了上节课所学变量间的相关关系与散 点图的相关内容，紧接着引入回归直线的定义及特征， 回归直线方程的定义及求法（最小二乘法），并且通过 例题和习题进行讲解。最后通过习题进行加深巩固。
y
500 450 400 350
水稻产量
300 10
(施化肥量)
20
30
40
50
x
3.1.3
二倍角的正弦、余弦、 正切公式
3、最小二乘法 假设我们已经得到两个具有线性相关的变量的一组数 据（x1，y1），（x2,y2），…（xn,yn）.
n n ( xi x)( yi y ) xi yi nxy i 1 i 1 b n n 2 2 2 ( xi x) xi nx i 1 i 1 a y bx
注意：求回归直线方程的关键是如何用数学的方法来刻画“从整 体上看各点与此直线的距离最小”，即最贴近已知的数据点，最 能代表变量x与y之间的关系.
3.1.3
二倍角的正弦、余弦、 正切公式
在7块并排、形状大小相同的试验田上进行施化肥量对水稻产 量影响的试验，得到如下表所示的一组数据（单位：kg）：
施化肥量x 水稻产量y 15 330 20 345 25 365 30 405 35 445 40 450 45 455
第四步：写出直线方程.
二倍角的正弦、余弦、 正切公式 解：1、列表
3.1.3
2、代入公式计算
高中数学知识点精讲精析 线性回归分析 (2)
1.3 线性回归分析1．客观事物是相互联系的但实际上更多存在的是一种非因果关系 某某同学的数学成绩与物理成绩，彼此是互相联系的，但不能认为数学是“因”，物理是“果”，或者反过来说 “果”，而真正的“因”是学生的理科学习能力和努力程度 函数关系存在着一种确定性关系 2．线性相关关系：像能用直线方程ˆybx a =+近似表示的相关关系叫做线性相关关系. 3．线性回归方程：一般地,设有n 个观察数据如下：当,a b 使2221122()()...()n n Q y bx a y bx a y bx a =--+--++--取得最小值时,就称ˆybx a =+为拟合这n 对数据的线性回归方程,该方程所表示的直线称为回归直线. 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1112211()()()n n n i i i i i i i i i i i n x y x y b n x x a y bx=====⎧-⎪⎪=⎨-⎪⎪=-⎪⎩∑∑∑∑∑,（*） ∑==ni i x n x 11, ∑==n i i y n y 111． 下表为某地近几年机动车辆数与交通事故数的统计资料，请判断机动车辆数与交通事故数之间是否有线性相关关系，如果具有线性相关关系，求出线性回归方程；如果不具有线性相关关系，说明理由．【解析】在直角坐标系中画出数据的散点图，直观判断散点在一条直线附近，故具有线性相关关系．计算相应的数据之和：8888211111031,71.6,137835,9611.7ii i i i i i i i xy x x y ========∑∑∑∑，将它们代入（*）式计算得0.0774, 1.0241b a ≈=-，所以，所求线性回归方程为0.0774 1.0241y x =-．2．有10名同学高一（x ）和高二（y ）的数学成绩如下：⑴画出散点图；⑵求y 对x 的回归方程 【解析】 ⑴如图：⑵ 由已知表格的数据可得，，所以，又可查表中相应与显著性水平0.05和n －2的相关系数的临界值 因为可知,y 与x 具有相关关系. 因为y 与x 具有相关关系，设y=bx+a ，∴71,72.3x y ==101011710,723ii i i xy ====∑∑1010102211151467,50520,52541i ii i i i i x yx y ======∑∑∑10100.7802972i ix y x yr -⋅===∑0.050.632,r =0.05r r >1012110 1.22,14.3210i ii nii x y x yb a y bx xx==-⋅=≈=-≈--∑∑∴所求的回归方程为y=1.22x －14.32．3．下列两个变量之间的关系哪个不是函数关系（ D ） A ．角度和它的余弦值B.正方形边长和面积C ．正ｎ边形的边数和它的内角和 D.4．给出施化肥量对水稻产量影响的试验数据：(1)画出上表的散点图;(2)求出回归直线并且画出图形 【解析】(1)散点图（略）．(2)表中的数据进行具体计算，列成以下表格 故可得到 2573075.43.399,75.430770002≈⨯-=≈⨯-=a b从而得回归直线方程是^4.75257y x =+．(图形略)5．一个工厂在某年里每月产品的总成本y （万元）与该月产量x （万件）之间由如下一组数据： 1）画出散点图；2）检验相关系数r 的显著性水平；3）求月总成本y 与月产量x 之间的回归直线方程.解析：=，==2.8475，=29.808，=99.2081，=54.243 1）画出散点图：2）r==在“相关系数检验的临界值表”查出与显著性水平0.05及自由度12-2=10相应的相关数临界值r0.05=0.576<0.997891, 这说明每月产品的总成本y（万元）与该月产量x（万件）之间存在线性相关关系。
高三线性回归方程知识点
高三线性回归方程知识点线性回归是数学中的一种方法，用于建立一个自变量与因变量之间的关系。
在高三数学中，线性回归方程是一个重要的知识点。
本文将介绍高三线性回归方程的基本概念、推导过程以及应用范围。
一、基本概念1. 线性回归方程线性回归方程，也叫作线性回归模型，表示自变量x和因变量y之间的关系。
它可以用如下的一般形式表示：y = β0 + β1x + ε其中，y表示因变量，x表示自变量，β0和β1表示模型中的参数，ε表示误差项。
2. 参数估计线性回归方程中的参数β0和β1需要通过观测数据进行估计。
常用的方法是最小二乘法，即通过最小化实际观测值和预测值之间的差异，来得到最优的参数估计值。
二、推导过程1. 求解参数通过最小二乘法，可以得到线性回归方程中的参数估计值。
具体推导过程包括以下几个步骤：（1）确定目标函数：将观测值和预测值之间的差异平方和作为目标函数。
（2）对目标函数求偏导：对目标函数分别对β0和β1求偏导，并令偏导数为0。
（3）计算参数估计值：根据求得的偏导数为0的方程组，解出β0和β1的值。
2. 模型拟合度评估在得到参数估计值之后，需要评估线性回归模型的拟合度。
常用的指标包括相关系数R和残差平方和SSE等。
相关系数R可以表示自变量和因变量之间的线性相关程度，取值范围在-1到1之间，越接近1表示拟合度越好。
三、应用范围线性回归方程在实际问题中有广泛的应用，例如经济学、统计学、社会科学等领域。
它可以用来分析自变量和因变量之间的关系，并预测未来的结果。
1. 经济学应用在线性回归模型中，可以将自变量设置为经济指标，例如GDP、通货膨胀率等，将因变量设置为某一经济现象的数值。
通过构建线性回归方程，可以分析不同经济指标对经济现象的影响，为经济决策提供参考依据。
2. 统计学应用线性回归方程是统计学中的一项重要工具。
通过对观测数据的拟合，可以得到参数估计值，并进一步分析自变量和因变量之间的关系。
统计学家可以利用线性回归分析建立统计模型，为实验数据的解释提供更为准确的结论。
北师大版高中数学选择性必修第一册 第七章 §1 一元线性回归
年份-2 015
-4
-2
0
2
4
需求量-257
-21
-11
0
19
29
对处理的数据,设 T=X-2 015,Z=Y-257,容易算得=0,=3.2.
^
(-4)×(-21)+(-2)×(-11)+0×0+2×19+4×29-5×0×3.2
=
260
= =6.5,
40
2
2
3:Q=(y1-bx1-a)2+(y2-bx2-a)2+…+(yn-bxn-a)2.
请同学们分析比较三种模型的特点.
知识点拨
一、直线的拟合
1.如图是关于体重随身高的变化的规律,每个点对应的一对数据(xi,yi),称为
成对数据,这些点构成的图称为散点图.
2.从散点图上可以看出,如果变量之间存在着某种关系,这些点会有一个大
^ ^
线称作 Y 关于 X 的回归直线,a, b是这个线性回归方程的系数.
名师点析1.线性回归系数的求解公式还可以写成如下形式:
n
^
∑ (xi -x)(yi -y)
b = i=1 n
∑ (xi -x)2
^
^
, a = y − b x.
i=1
2.在回归分析中,利用线性回归方程求出的值不一定是真实值,很多时候只
(2)当X=200时,Y=0.72×200+6.24=150.24(微克/立方米).
所以可以预测此时PM2.5的浓度为150.24微克/立方米.
素养形成
方法优化——求线性回归方程的技巧
典例某地粮食需求量逐年上升,部分统计数据如下表:
2024春高中数学第8章成对数据的统计分析8-2一元线性回归模型及其应用8-2-1一元线性回归模型8
(2)通过(1)中的方程，求出y关于x的回归方程．
[解]
＝1.2t－1.4，代入t＝x－2
Ƹ
017，z＝y－5，
得－5＝1.2(x－2
ො
017)－1.4，
即＝1.2x－2
ො
416.8．
故y关于x的经验回归方程为＝1.2x－2
ො
416.8．
◆ 类型3 利用经验回归方程进行预测
【例3】 (源自湘教版教材)一个车间为了估计加工某种新型零件所
(√ )
(2)经验回归方程最能代表观测值x，y之间的线性关系，且回归直线
过样本点的中心(，
ҧ )．
ത
(√ )
(3)求经验回归方程前可以不进行相关性检验．
( × )
(4)利用经验回归方程求出的值是准确值．
( × )
①④
2．下列有关经验回归方程＝
ො ＋
叙述正确的是______(填序号)．
位：万元)，调查显示年收入x与年饮食支出y具有线性相关关系，并
由调查数据得到y对x的经验回归方程：＝0.254x＋0.321．由经验回
ො
归方程可知，家庭年收入每增加1万元，年饮食支出平均增加
0.254
________万元．
0.254
[由于＝0.254x＋0.321知，当x增加1万元时，年饮食支出y增
ො
①反映与x之间的函数关系；
ො
②反映与x之间的函数关系；
③表示与x之间不确定关系；
ො
④表示最接近与x之间真实关系的一条直线．
①④
[＝
ො ＋
表示
ො
与x之间的函数关系，而不是y与x之间的函数
ො
关系，但它反映的关系最接近y与x之间的真实关系，故①④正确．]
高中数学：2.4《线性回归方程》素材(苏教版必修3)
线性回归方程导学一、学法指导利用样本数据的情况估计总体数据的情况，这是统计的基本思想．线性回归方程是从样本中各个数据之间的相关关系入手，来分析验证样本中各个数据的特点规律，进而对总体数据的相关关系作出估计．因此学好线性回归方程，要在进一步体会统计的基本思想和方法的基础上，还要回忆我们已学过的两个变量之间存在的函数关系（即确定性关系）．学习本节时，首先要知道变量相互关系有两种：一类是确定性的函数关系，如正方形的边长与面积的关系；另一类是变量确实存在关系，但又不具备函数关系所要求的确定性，它们的关系是带有随机性的．例如，某位同学的“物理成绩”与“数学成绩”之间的关系，我们称它们为相关关系；其次是如何判断和分析具有相关关系的两个或多个变量，也就是如何寻找具有相关关系的两个变量中非确定性关系的某种确定性．本节的难点问题是建立回归直线方程的思想方法，其关键是如何用数学的方法来刻画“从整体上看各点与直线的距离最小”，即最贴近已知的数据点，最能代表变量x 与y 之间的关系，这就是“最小二乘法”的思想．另外还要注意，进行回归分析，通常先进行相关性检验，若能确定两个变量具有线性相关性，再去求其线性回归方程，否则所求方程毫无意义． 二、知识点概要 1．相关关系所谓相关关系是自变量取值一定时，因变量的取值带有一定的随机性． 对相关关系的理解应注意以下几点：（1）相关关系与函数关系不同．因为函数关系是一种非常确定的关系，而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．而函数关系可以看成是两个非随机变量之间的关系．因此，不能把相关关系等同于函数关系．（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，它也可能是伴随关系． （3）在现实生活中存在着大量的相关关系，如何判断和描述相关关系，统计学发挥着非常重要的作用．变量之间的相关关系带有不确定性，这需要通过收集大量的数据，对数据进行统计分析，发现规律，才能作出科学的判断． 2．回归分析对具有相关关系的两个变量进行统计分析的方法叫做回归分析．通俗地讲，回归分析就是寻找相关关系中非确定性关系的某种确定性． 3．散点图我们把一组具有相关关系的两个变量的数据()(123)i i x y i n ，，，，，对应的点（即样本点）画在坐标系内，得到的图形叫做散点图． 利用散点图可以判断变量之间有无相关关系，所以判断两个变量之间是否存在某种关系时，必须从散点图入手．画出散点图，可以作出如下判断：（1）如果所有的样本点都落在某一函数曲线上，就用该函数来描述变量之间的关系，即说明变量之间具有函数关系；（2）如果所有的样本点都落在某一函数曲线附近，则说明变量之间具有相关关系； （3）如果所有的样本点都落在某一直线附近，则变量之间具有线性相关关系． 4．正相关、负相关线性相关关系又分为正相关和负相关． 正相关是指两个变量具有相同的变化趋势，即从整体上来看一个变量会随另一个变量变大而变大．从散点图可以看出因变量随自变量的增大而增大，图中的点分布在左下角到右上角的区域．负相关是指两个变量具有相反的变化趋势，即从整体上来看一个变量会随另一个变量变大而变小．负相关的散点图中的点分布在左上角到右下角的区域． 由此，我们得出判断两个变量之间到底是不是具有线性相关关系，可以用“数据”说话，画出散点图更具有说服力．5．回归直线和回归直线方程如果散点图中的点的分布从整体上看大致在一条直线附近，就称这两变量之间具有线性相关关系．这条直线叫做这两个变量的回归直线，回归直线的方程叫做回归方程． 这里注意，只有散点图中的点呈条状集中在某一直线周围的时候，才可以说两个变量之间具有线性相关关系，才有两个变量的正线性相关和负线性相关的概念，才可以用回归直线来描述这两个变量之间的关系．（1）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．类似图中的直线可画出不止一条，比如可以连接最左侧点和最右侧点得到一条直线，也可以让画出的直线上方的点和下方的点数目相等，……，但这些能保证各点与此直线在整体上是最接近的吗？它们虽然都有一定的道理，却总让人感到可靠性不强．那么，其中的哪一条直线最能代表变量x 与y 之间的关系呢？实际上求回归直线方程的关键是如何用数学的方法来刻画“从整体上看各点与此直线的距离最小”，即最贴近已知的数据点，最能代表变量x 与y 之间的关系．最能代表变量x 与y 之间关系的直线的特征是直线与这n 个点的离差的平方和最小． （2）回归直线方程的求法根据最小二乘法的思想和公式，利用计算器或计算机，可以方便地求出回归方程． 利用计算机求回归方程（Excel 软件）：在Excel 的工作表中添加“图表”得到散点图后，用鼠标选中散点，单击鼠标右键，单击“添加趋势线”，在出现的对话框中单击类型标签，选择“线性”，单击“选项”标签，选中“显示公式”单选框，最后点击“确定”即可． 利用科学计算器求回归方程：大多科学计算器都有回归计算（REG 模式），但不同的计算器参数可能不同，这里不作详细介绍．一般在输入数据后按相应按键可直接得到a 和b ，这样就可以写出回归方程y bx a =+，非常简便，同学们在使用前一定要看懂计算器的使用说明书．回归直线方程在现实生活与生产中有广泛的应用．应用回归直线方程可以把非确定性问题转化成确定性问题，把“无序”变为“有序”，并且可根据情况进行估测、补充．因此，学过回归直线方程以后，应能积极应用回归直线方程解决一些相关的实际问题，并进一步体会回归直线的应用价值．（3）相关系数与相关性检验给定()(123)i i x y i n =，，，，，，只要123n x x x x ，，，，不全相等，就能求出一条回归直线，但它有无意义可是一个大问题．由于根据散点图看数据点是否大致在一直线附近主观性太强，为此可以利用样本相关系数来衡量两个变量之间线性关系的强弱． 样本相关系数：()()nii xx y y r --=∑叫做变量y 与x 之间的样本相关系数，简称相关系数，用它来衡量它们之间的线性相关程度．1r ≤，且|r|越接近于1，相关程度越高；r越接近于0，相关程度越低．统计学认为，相关变量的相关系数： [10.75]r ∈--，时，两变量负相关很强； [0.751]r ∈，时，两变量正相关很强；(]0.750.3r ∈--，或[)0.30.75，时，两变量相关性一般；[0.250.25]r ∈-，时，两变量相关程度很弱．三、特别提示1．相关关系的理解．借助实例（如数学成绩与物理成绩之间的关系，粮食产量与施肥量之间的关系，吸烟与健康之间的关系，父母身高与子女身高之间的关系等）明确相关关系与函数关系不同，它是一种非确定性的关系，即一个变量取值一定时，另一个变量的取值带有一定的随机性．相关关系包括正相关和负相关．2．相关关系的研究方法：散点图法和写出回归直线方程y bx a =+，其中11112222111nn n ni i i i i ii i i i nn nii i i i i n x y x y x ynx yb xnxn x x a y bx =======⎧⎛⎫⎛⎫--⎪⎪⎪⎝⎭⎝⎭⎪==⎪⎛⎫⎨-- ⎪⎪⎝⎭⎪⎪=-⎩∑∑∑∑∑∑∑，．3．线性回归思想：把相关关系（不确定性关系）转化为函数关系（确定性关系）．当两个具有相关关系的变量近似满足一次函数关系时，所进行的回归分析又叫线性回归分析，所求的函数关系y bx a =+就是线性回归方程．4．求线性回归直线方程前应对数据进行线性相关分析，其关键是求a b ，，由于计算量大，因此计算过程要注意分层次、按步骤进行．线性回归中的相关系数线性回归问题在生活中应用广泛，求解回归直线方程时，应该先判断两个变量是否是线性相关，若相关再求其直线方程，判断两个变量有无相关关系的一种常用的简便方法是绘制散点图；另外一种方法是量化的检验法，即相关系数法．下面为同学们介绍相关系数法． 一、关于相关系数法统计中常用相关系数r 来衡量两个变量之间的线性相关的强弱，当i x 不全为零，yi 也不全为零时，则两个变量的相关系数的计算公式是：()()nnii i ixx y y x ynx yr ---==∑∑r 就叫做变量y 与x 的相关系数（简称相关系数）．说明：（1）对于相关系数r ，首先值得注意的是它的符号，当r 为正数时，表示变量x ，y 正相关；当r 为负数时，表示两个变量x ，y 负相关； （2）另外注意r 的大小，如果[]0.751r ∈，，那么正相关很强；如果[]10.75r ∈--，，那么负相关很强；如果(]0.750.30r ∈--，或[)0.300.75r ∈，，那么相关性一般；如果[]0.250.25r ∈-，，那么相关性较弱．下面我们就用相关系数法来分析身边的问题，确定两个变量是否相关，并且求出两个变量间的回归直线． 二、典型例题剖析例1 测得某国10对父子身高（单位：英寸）如下：（1）对变量y 与x 进行相关性检验；（2）如果y 与x 之间具有线性相关关系，求回归直线方程； （3）如果父亲的身高为73英寸，估计儿子身高． 解：（1）66.8x =，67y =，102144794ii x==∑，102144929.22ii y==∑，4475.6xy =，24462.24x =，24489y =，10144836.4i ii x y==∑，所以10i ix ynx yr -=∑44836.4104475.6(4479444622.4)(44929.2244890)-⨯=--80.40.9882.04=≈≈，所以y 与x 之间具有线性相关关系．（2）设回归直线方程为y a bx =+，则101102211010i ii i i x yx yb x x==-=-∑∑44836.4447560.46854479444622.4-=≈-，670.468566.835.7042a y bx =-=-⨯=．故所求的回归直线方程为0.468535.7042y x =+．（3）当73x =英寸时，0.46857335.704269.9047y =⨯+=，所以当父亲身高为73英寸时，估计儿子的身高约为69.9英寸．点评：回归直线是对两个变量线性相关关系的定量描述，利用回归直线，可以对一些实际问题进行分析、预测，由一个变量的变化可以推测出另一个变量的变化．这是此类问题常见题型．例2 10其中x 为高一数学成绩，y 为高二数学成绩． （1）y 与x 是否具有相关关系；（2）如果y 与x 是相关关系，求回归直线方程．解：（1）由已知表格中的数据，利用计算器进行计算得101710ii x==∑，101723ii y==∑，71x =，72.3y =，10151467i ii x y==∑．102150520i i x ==∑，102152541ii y==∑．1010i ix yx yr -=∑0.78≈．由于0.78r ≈，由0.780.75>知，有很大的把握认为x 与y 之间具有线性相关关系． （2）y 与x 具有线性相关关系，设回归直线方程为y a bx =+，则1011022211051467107172.31.2250520107110i ii i i x yx yb x x==--⨯⨯==≈-⨯-∑∑，72.3 1.227114.32a y bx =-=-⨯=-．所以y 关于x 的回归直线方程为 1.2214.32y x =-．点评：通过以上两例可以看出，回归方程在生活中应用广泛，要明确这类问题的计算公式、解题步骤，并会通过计算确定两个变量是否具有相关关系．方方面面评说回归直线方程一、回归分析对于线性回归分析，我们要注意以下几个方面：（1）回归分析是对具有相关关系的两个变量进行统计分析的方法．两个变量具有相关关系是回归分析的前提．（2）对于关系不明确的两组数据，可先作散点图，在图上看它们有无关系，关系的密切程度，然后再进行回归分析．（3）通过散点图的观察，一般地，若图中数据大致分布在一条直线附近，那么这两个变量近似成线性相关关系．（4）求回归直线方程，首先应注意到，只有在散点图大至呈线性时，求出的回归直线方程才有实际意义，否则，求出的回归直线方程毫无意义． 二、回归直线方程一般地，设x 与y 是具有相关关系的两个变量，且对应于n 组观测值的n 个点(()12)i i x y i n =，，，，，大致分布在一条直线的附近，求在整体上与这n 个点最接近的一条直线，记此直线方程为y a bx =+ （1）这里在y 的上方加记号“＾”，是为了区分Y 的实际值y ，表示当x 取值(12)i x i n =，，，时，Y 相应的观察值为i y ，而直线上对应于i x 的纵坐标是i y a bx =+．（1）式叫做Y 对x 的回归直线方程，a ，b 叫做回归系数． 三、求回归直线方程的思想方法 在观察散点图特征时，我们会发现有时各点大致分布在一条直线的附近，且画出不止一条类似的直线，而最能代表变量x 与y 之间关系的直线的特征，即为n 个离差的平方和最小．设所求直线方程为y a bx =+，其中a ，b 是待定系数，则(12)i i y a bx i n =+=，，，． 于是得到各个离差()(12)i i i i y y y bx a i n -=-+=，，，． 显然，离差i i y y -的符号有正有负，若将它们相加会造成相互抵消，故采用n 个离差的平方和21()ni iiQ y bx a==--∑，采用最小二乘法可求出使Q为最小值时的a和b．1122211()()()n ni i i ii in ni ii ix x y y x y nx ybx x x nx====---==--∑∑∑∑，a y bx=-，其中11niix xn==∑，11niiy yn==∑．四、求回归直线方程的一般步骤（1）作出散点图，判断散点是否在一条直线附近；（2）如果散点在一条直线附近，用公式求出a，b，并写出回归直线方程．注：计算a，b时由于计算量较大,所以在计算时应借助技术手段（如计算器或计算机），认真细致，谨防计算中产生错误．例在10第几年城市居民收入x（亿元）某商品销售额y（万元）1 32.2 25.02 31.1 30.03 32.9 34.04 35.8 37.05 37.1 39.06 38.0 41.07 39.0 42.08 43.0 44.09 44.6 48.010 46.0 51.0（1）画出散点图；（2）如果散点图中各点大致分布在一条直线的附近，求x与y之间的回归直线方程；（3）试预测居民年收入50亿元时这种商品的销售额．解题指导：只有散点图大致表现为线性时，求回归直线方程才有实际意义．解：（1）散点图如图所示：（2）通过观察散点图可知各点大致分布在一条直线的附近．列出下表，利用计算器进行计算．1011022211015202.9379.739.1 1.447379.71014663.671010i ii ii x yx y b xx==--⨯==≈⎛⎫--⨯ ⎪⎝⎭∑∑。