如果是三维坐标系，怎么求直线方程?

Posted 2023-04-27

我擦 ，前面打的不见了；
方程组是（1）一般式；
（2）参数式：直线过点P(a,b,c)，方向向量为n=(m,n,l)则直线为
x=a+mt,
y=b+nt,
z=c+lt;
t为参数；
（3）点向式：(x-a)/m=(y-b)/n=(z-c)/l;
限字数我草 参考技术A 方向向量为：(l,m,n)；过M0(x0,y0,z0)的直线方程:(x-x0)/l = (y-y0)/m = (z-z0)/n。参数方程:x=x0+lt,y=y0+lt,z=z0+lt 。过两点:M1,M2,的直线方程：(X-X1)/(X2-X1)=(Y-Y1)/(Y2-Y1)=(Z-Z1)/(Z2-Z1)
限制字数 参考技术B 是含有xyz的方程。

最小二乘法求线性回归方程中的系数a，b怎么求

用最小二乘法求回归直线方程中的a,b有下面的公式：

最小二乘法：总离差不能用n个离差之和来表示，通常是用离差的平方和，即作为总离差，并使之达到最小，这样回归直线就是所有直线中Q取最小值的那一条，这种使“离差平方和最小”的方法，叫做最小二乘法：

由于绝对值使得计算不变，在实际应用中人们更喜欢用：Q=（y1-bx1-a）²+（y2-bx-a²）+。。。+（yn-bxn-a）²

这样，问题就归结于：当a，b取什么值时Q最小，即到点直线y=bx+a的“整体距离”最小。

扩展资料：

回归分析的最初目的是估计模型的参数以便达到对数据的最佳拟合。在决定一个最佳拟合的不同标准之中，最小二乘法是非常优越的。这种估计可以表示为：

1)样本是在母体之中随机抽取出来的。

2)因变量Y在实直线上是连续的，

3)残差项是独立同分布的，也就是说，残差是独立随机的，且服从高斯分布。

这些假设意味着残差项不依赖自变量的值，所以  和自变量X（预测变量）之间是相互独立的。在这些假设下，建立一个显示线性回归作为条件预期模型的简单线性回归方程，可以表示为：

给一个随机样本  ，一个线性回归模型假设回归子  和回归量  之间的关系是除了X的影响以外，还有其他的变数存在。我们加入一个误差项  （也是一个随机变量）来捕获除了  之外任何对 的影响。

参考资料：百度百科——线性回归方程

参考技术A

最小二乘法：

总离差不能用n个离差之和

来表示，通常是用离差的平方和，即

作为总离差，并使之达到最小，这样回归直线就是所有直线中Q取最小值的那一条，这种使“离差平方和最小”的方法，叫做最小二乘法：

由于绝对值使得计算不变，在实际应用中人们更喜欢用：Q=（y1-bx1-a）²+（y2-bx-a²）+。。。+（yn-bxn-a）²

这样，问题就归结于：当a，b取什么值时Q最小，即到点直线y=bx+a的“整体距离”最小。

用最小二乘法求回归直线方程中的a,b有下面的公式

参考技术B 方法很多的!比如用 excel 求、手工求、计算器求、.等.
【你若真有耐心、有恒心,想学习用手工计算的方法,你在这里多追问,我应该可以包你最终能独立计算.没有那恒心、耐心,一两句话当然也说不清楚.】 参考技术C Q=（y1-bx1-a）²+（y2-bx-a²）+。。。+（yn-bxn-a）²