模块四 成对数据 线性回归

一元线性回归
模型及其应用

相关关系 · 最小二乘估计 · 残差分析 · 非线性回归

难度 ★★★ 样本相关系数 经验回归方程 残差与决定系数 非线性回归

第十二章 概率统计 · 模块四 成对数据的统计分析
← → 方向键或底部按钮逐题切换 · 右上角可全屏、画笔圈画

知识导览 · 01

内容提要

判断相关、估计参数、检验拟合、非线性转化

样本相关系数 r

$$r=\frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2}\cdot\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}}$$
$$=\frac{\sum_{i=1}^{n}x_iy_i-n\bar{x}\bar{y}}{\sqrt{(\sum_{i=1}^{n}x_i^2-n\bar{x}^2)(\sum_{i=1}^{n}y_i^2-n\bar{y}^2)}}$$

|r| 越接近 1,线性相关程度越强;r>0 正相关,r<0 负相关。

最小二乘估计

$$\hat{b}=\frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^{n}(x_i-\bar{x})^2}=\frac{\sum_{i=1}^{n}x_iy_i-n\bar{x}\bar{y}}{\sum_{i=1}^{n}x_i^2-n\bar{x}^2}$$
$$\hat{a}=\bar{y}-\hat{b}\bar{x}$$

经验回归直线 $\hat{y}=\hat{b}x+\hat{a}$ 必过样本中心点 $(\bar{x},\bar{y})$。

残差与决定系数

$$e_i=y_i-\hat{y}_i,\qquad R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2}$$

残差点均匀落在窄水平带内、$R^2$ 越大,拟合效果越好。

非线性回归线性化

$$\hat{y}=\hat{a}e^{\hat{b}x}\ \Rightarrow\ \ln\hat{y}=\hat{b}x+\ln\hat{a}$$

取对数或换元($u=\ln x$、$z=\ln y$)转化为线性回归,题目一般给参考数据。

知识导览 · 02

解题路径

判相关 → 算系数 → 写方程 → 检验预测

1

判相关

看散点图是否集中在直线附近,或用相关系数 $r$ 判断线性相关强弱与正负。

2

算系数

先算 $\bar{x}$、$\bar{y}$;灵活转换公式形式 $\sum(x_i-\bar{x})(y_i-\bar{y})=\sum x_iy_i-n\bar{x}\bar{y}$。

3

写方程

$\hat{y}=\hat{b}x+\hat{a}$,必过样本中心点 $(\bar{x},\bar{y})$;非线性先换元(取 $\ln$)再回归。

4

检验预测

代入 $x$ 求预测值;用残差图、决定系数 $R^2$ 评估拟合效果。

核心能力:公式两种形式的互转——$\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})=\sum_{i=1}^{n}x_iy_i-n\bar{x}\bar{y}$ 务必熟练,题目给的往往是其中一种,计算却常用另一种。

类型Ⅰ · 概念、计算类小题
例 1★★☆

关于线性回归的描述,下列说法不正确的是( )

A.经验回归方程 $\hat{y}=-1.8x+2.1$ 中变量 x,y 成正相关关系

B.相关系数 r 的绝对值越接近 1,线性相关程度越强

C.经验回归方程 $\hat{y}=1.1x-1.6$ 中变量 x,y 成正相关关系

D.残差平方和越小,拟合效果越好

经验回归方程中斜率 $\hat{b}$ 的符号决定正负相关;"相关关系"说的是整体趋势,不是每个点都严格成立。

类型Ⅰ · 概念、计算类小题
例 2★★☆

某同学在研究性学习中,收集到某制药厂今年前 5 个月甲胶囊生产产量(单位:万盒)的数据如下表所示:

x12345
y56568

若 x,y 线性相关,经验回归方程为 $\hat{y}=0.7x+\hat{a}$,则以下判断正确的是( )

A.x 增加 1 个单位,则 y 必增加 0.7 个单位

B.x 减少 1 个单位,则 y 必减少 0.7 个单位

C.当 x=6 时,y 的预测值为 8.1 万盒

D.经验回归直线 $\hat{y}=0.7x+\hat{a}$ 经过点 (2,6)

回归系数只反映"平均"变化趋势,不是确定性关系;样本中心点 $(\bar{x},\bar{y})$ 一定在经验回归直线上。

类型Ⅰ · 概念、计算类小题
例 3★★★

某部门统计了某地区今年前 7 个月在线外卖的规模如下表:

月份代号 x1234567
规模 y(百万元)111318★28★35

其中 4、6 两个月的在线外卖规模数据模糊,但这 7 个月的平均值为 23,若利用经验回归方程 $\hat{y}=\hat{b}x+\hat{a}$ 来拟合预测,且 7 月相应于点 (7,35) 的残差为 -0.6,则 $\hat{a}-\hat{b}=$( )

A.1   B.2   C.3   D.4

残差 = 观测值 − 预测值,即 $y_i-\hat{y}_i$;给出残差本质上是给出关于系数的一个方程。

类型Ⅰ · 概念、计算类小题
例 4★★★

据一组样本数据 $(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)$ 求得经验回归方程为 $\hat{y}=1.2x+0.4$,且 $\bar{x}=3$,现发现这组样本数据中有两个样本点 (1.2,0.5) 和 (4.8,7.5) 误差较大,去除后重新求得的经验回归直线的斜率为 1.1,则( )

A.去除两个误差较大的样本点后,y 的估计值增加速度变快

B.去除两个误差较大的样本点后,重新求得的回归方程对应直线一定过点 (3,5)

C.去除两个误差较大的样本点后,重新求得的回归方程为 $\hat{y}=1.1x+0.7$

D.去除两个误差较大的样本点后,相应于样本点 (2,2.7) 的残差为 0.1

去掉样本点后样本中心点会变化,需重新代入求截距;残差 = 观测值 − 预测值,注意符号。

类型Ⅱ · 线性回归综合大题
例 5★★★

某种机械设备随着使用年限的增加,它的使用功能逐渐减退,使用价值逐年减少,通常把它使用价值逐年减少的"量"换算成费用,称之为"失效费"。该种机械设备的使用年限 x(单位:年)与失效费 y(单位:万元)的统计数据如下表所示:

使用年限 x(年)123456
失效费 y(万元)2.93.33.64.44.85.2
使用年限 x(年)7
失效费 y(万元)5.9

(1)由上表数据可知,可用线性回归模型拟合 y 与 x 的关系,请用样本相关系数加以说明;

(2)求出 y 关于 x 的经验回归方程,并估算该种机械设备使用 10 年的失效费。

参考公式:相关系数 $r=\dfrac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2}\cdot\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}}$,$\hat{b}=\dfrac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^{n}(x_i-\bar{x})^2}$,$\hat{a}=\bar{y}-\hat{b}\bar{x}$。

参考数据:$\sum_{i=1}^{7}(x_i-\bar{x})(y_i-\bar{y})=14$,$\sum_{i=1}^{7}(y_i-\bar{y})^2=7.08$,$\sqrt{198.24}\approx14.08$。

相关系数计算:先补齐缺失的 $\sum(x_i-\bar{x})^2$;判断"能否线性拟合"看 |r| 是否接近 1。

类型Ⅱ · 线性回归综合大题
例 6★★★☆

下面给出了根据我国 2016 年~2022 年水果人均占有量 y(单位:kg)和年份代码 x 绘制的散点图(图1)和线性回归方程的残差图(图2),其中 2016 年~2022 年的年份代码 x 分别为 1~7。

图1 散点图(示意)
012 345 67 年份代码 x 190170 150130

散点大致沿直线上升,y 随 x 增大而增大(示意图)

图2 残差图(示意)
123 456 7年份代码 x 210 -1-2

残差点均匀分布在 0 两侧、带域较窄(示意图)

(1)根据散点图分析 y 与 x 之间的相关关系;

(2)根据散点图相应数据计算得 $\sum_{i=1}^{7}y_i=1074$,$\sum_{i=1}^{7}x_iy_i=4517$,求 y 关于 x 的经验回归方程(精确到 0.01);

(3)根据经验回归方程的残差图,分析线性回归方程的拟合效果。

附:$\hat{b}=\dfrac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^{n}(x_i-\bar{x})^2}$,$\hat{a}=\bar{y}-\hat{b}\bar{x}$。

$\sum(x_i-\bar{x})(y_i-\bar{y})$ 与 $\sum x_iy_i-n\bar{x}\bar{y}$ 的转换务必熟悉——本题公式给的是前者,但实际计算必须把分子转化成后者。

类型Ⅱ · 方法小结

线性回归综合大题套路

判相关 → 算系数 → 写方程 → 检验预测

1

判相关

散点图集中在直线附近,或计算相关系数 $r$:|r| 接近 1 则线性相关强,$r$ 的符号定正负。

2

算系数

先算 $\bar{x}$、$\bar{y}$;$ \sum(x_i-\bar{x})(y_i-\bar{y})=\sum x_iy_i-n\bar{x}\bar{y}$ 两种形式灵活互转。

3

写方程

$\hat{y}=\hat{b}x+\hat{a}$ 必过样本中心点 $(\bar{x},\bar{y})$,可用它求 $\hat{a}$、检验截距。

4

检验预测

代入 $x$ 求预测值;残差 = 观测值 − 预测值,残差图带域越窄、$R^2$ 越大拟合越好。

关键能力:公式形式的互转 + 残差的定义($y_i-\hat{y}_i$)。题目往往用残差或样本中心点给你第二个方程。

类型Ⅲ · 非线性回归综合大题
例 7★★★☆

某公司为确定下一年度投入某种产品的研发费,需了解年研发费 x(单位:万元)对年销售量 y(单位:百件)和年利润 z(单位:万元)的影响,现对近 6 年的年研发费 $x_i$ 和年销售量 $y_i$($i=1,2,\cdots,6$)数据做了初步处理,得到下面的散点图以及一些统计量的值。

年研发费与年销售量散点图(示意)
51015 20年研发费/万元 300200 10050

增长先快后慢,适合 $\hat{y}=\hat{c}+\hat{d}\ln x$(示意图)

$\bar{x}$$\bar{y}$$\bar{u}$$\sum(x_i-\bar{x})^2$$\sum(u_i-\bar{u})^2$$\sum(x_i-\bar{x})(y_i-\bar{y})$$\sum(u_i-\bar{u})(y_i-\bar{y})$
12.52223.5157.54.51854270

表中 $u_i=\ln x_i$,$\bar{u}=\dfrac{1}{6}\sum_{i=1}^{6}u_i$。

(1)根据散点图判断 $\hat{y}=\hat{a}+\hat{b}x$ 与 $\hat{y}=\hat{c}+\hat{d}\ln x$ 哪一个更适合作为年销售量 y 关于年研发费 x 的回归方程类型(给出判断即可,不必说明理由);

(2)根据(1)的判断结果及表中数据,建立 y 关于 x 的回归方程;

(3)已知这种产品的年利润 z=0.5y−x,根据(2)的结果,求出当年研发费为多少时,年利润 z 的预测值最大?

附:$\hat{b}=\dfrac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^{n}(x_i-\bar{x})^2}$,$\hat{a}=\bar{y}-\hat{b}\bar{x}$。

非线性回归思路:把 $\ln x$ 看成一个整体变量 u,题目给的统计量往往直接对应 u 的线性回归所需数据。

类型Ⅲ · 非线性回归综合大题
例 8★★★★

近年来,云南省保山市龙陵县紧紧围绕打造"中国石斛之乡"的发展定位,大力发展石斛产业,该产业带动龙陵县近四分之一人口脱贫致富。2022 年 8 月,龙陵紫皮石斛获国家地理标志运用促进工程重点项目,并被评为优秀等次。在政府的大力扶持下,龙陵紫皮石斛产量逐年增长,2017 年底到 2022 年底龙陵县石斛产量统计表和散点图如下。

年份201720182019202020212022
年份代码 x123456
产量 y(吨)320034003600420075009000

年份代码与紫皮石斛产量散点图(示意)
123 456 年份代码 x 1000080006000 40002000

后两年增速明显加快,适合 $\hat{y}=\hat{c}e^{\hat{d}x}$(示意图)

(1)根据散点图判断,$\hat{y}=\hat{b}x+\hat{a}$ 与 $\hat{y}=\hat{c}e^{\hat{d}x}$($\hat{a}$,$\hat{b}$,$\hat{c}$,$\hat{d}$ 均为常数)哪一个更适合作为龙陵县紫皮石斛产量 y 关于年份代码 x 的回归模型?(给出判断即可,不必说明理由)

(2)经计算得下表中数据,根据(1)中结果,求出 y 关于 x 的回归方程;

$\bar{x}$$\bar{y}$$\bar{u}$$\sum(x_i-\bar{x})^2$$\sum(x_i-\bar{x})(y_i-\bar{y})$$\sum(x_i-\bar{x})(u_i-\bar{u})$
3.551508.4617.5209503.85

其中 $u_i=\ln y_i$($i=1,2,3,4,5,6$)。

(3)龙陵县计划到 2025 年底实现紫皮石斛年产量达 1.5 万吨,根据(2)所求得的回归方程,预测该目标是否能完成?(参考数据:$e^{9.45}\approx12708$,$e^{9.67}\approx15835$)

附:$\hat{b}=\dfrac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^{n}(x_i-\bar{x})^2}$,$\hat{a}=\bar{y}-\hat{b}\bar{x}$。

指数型回归 $\hat{y}=\hat{c}e^{\hat{d}x}$ 的套路:取对数 → 线性化 → 最小二乘 → 换回。参考数据 $\bar{u}$、$\sum(x_i-\bar{x})(u_i-\bar{u})$ 直接对应 u 的线性回归。

强化训练 · 第 1 / 7 题
12023 · 河南模拟 · ★

为了研究汽车减重对降低油耗的作用,对一组样本数据 $(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)$ 进行分析,其中 $x_i$ 表示减重质量(单位:kg),$y_i$ 表示每行驶一百公里降低的油耗(单位:升),$i=1,2,\cdots,n$,由此得到的经验回归方程为 $\hat{y}=\hat{b}x+\hat{a}$($\hat{b}\gt0$),有下列四个说法:

① $\hat{a}$ 的值一定为 0;② $\hat{b}$ 越大,减重对降低油耗的作用越大;③ 决定系数 $R^2$ 越大,拟合效果越好;④ 至少有一个数据点在经验回归直线上。

其中所有正确说法的编号是( )

A.①④   B.②③   C.②③④   D.①②④

强化训练 · 第 2 / 7 题
22024 · 浙江宁波二模 · ★

某校数学建模兴趣小组为研究本地区儿子身高 y(cm) 与父亲身高 x(cm) 之间的关系,抽样调查后得出 y 与 x 线性相关,且经验回归方程为 $\hat{y}=0.85x+29.5$。调查所得的部分样本数据如下:

父亲身高 x(cm)164166170173173174
儿子身高 y(cm)165168176170172176
父亲身高 x(cm)180
儿子身高 y(cm)178

则下列说法正确的是( )

A.儿子身高 y(cm) 是关于父亲身高 x(cm) 的函数

B.当父亲身高增加 1cm 时,儿子身高增加 0.85cm

C.儿子身高为 172cm 时,父亲身高一定为 173cm

D.父亲身高为 170cm 时,儿子身高的均值为 174cm

强化训练 · 第 3 / 7 题
32023 · 吉林模拟 · ★★

某地以"绿水青山就是金山银山"理念为引导,推进绿色发展,现要订购一批苗木,苗木长度与售价如下表:

苗木长度 x(cm)384858687888
售价 y(元)16.818.820.822.82425.8

若苗木长度 x(cm) 与售价 y(元) 之间存在线性相关关系,其经验回归方程为 $\hat{y}=\hat{b}x+8.9$,则当售价大约为 38.9 元时,苗木长度大约为( )

A.148cm   B.150cm   C.152cm   D.154cm

强化训练 · 第 4 / 7 题
42022 · 贵州模拟 · ★★★

某企业新研发了一种产品,产品的成本由原料成本及非原料成本组成,每件产品的非原料成本 y(元)与生产的产品数量 x(千件)有关,经统计得到如下数据:

x258911
y1210887

(1)根据表中的数据,运用相关系数进行分析说明,可以用一元线性回归模型拟合 y 与 x 的关系,并指出是正相关还是负相关;

(2)求 y 关于 x 的经验回归方程,并预测生产该产品 13 千件时,每件产品的非原料成本为多少元?

参考公式:相关系数 $r=\dfrac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2}\cdot\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}}$,$\hat{b}=\dfrac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^{n}(x_i-\bar{x})^2}$,$\hat{a}=\bar{y}-\hat{b}\bar{x}$;参考数据:$\sqrt{2}\approx1.414$。

数据绝对值较小时,用 $\sum x_iy_i-n\bar{x}\bar{y}$、$\sum x_i^2-n\bar{x}^2$、$\sum y_i^2-n\bar{y}^2$ 计算比用离差形式更简单。

强化训练 · 第 5 / 7 题
52024 · 浙江温州二模 · ★★★☆

红旗淀粉厂 2024 年之前只生产食品淀粉,下表为年投入资金 x(万元)与年收益 y(万元)的 8 组数据:

x1020304050607080
y12.816.51920.921.521.92325.4

(1)用 $\hat{y}=\hat{b}\ln x+\hat{a}$ 模拟生产食品淀粉年收益 y 与年投入资金 x 的关系,求出回归方程;

(2)为响应国家"加快调整产业结构"的号召,该企业又自主研发出一种药用淀粉,预计其收益为投入的 10%。2024 年该企业计划投入 200 万元用于生产两种淀粉,求年收益的最大值。(精确到 0.1 万元)

附:①回归直线方程 $\hat{u}=\hat{b}v+\hat{a}$ 中斜率和截距的最小二乘估计公式分别为 $\hat{b}=\dfrac{\sum_{i=1}^{n}v_iu_i-n\bar{v}\cdot\bar{u}}{\sum_{i=1}^{n}v_i^2-n\bar{v}^2}$,$\hat{a}=\bar{u}-\hat{b}\cdot\bar{v}$;

②参考数据:$\sum_{i=1}^{8}y_i=161$,$\sum_{i=1}^{8}\ln x_i=29$,$\sum_{i=1}^{8}x_i^2=20400$,$\sum_{i=1}^{8}(\ln x_i)^2=109$,$\sum_{i=1}^{8}y_i\ln x_i=603$;

③ $\ln2\approx0.7$,$\ln5\approx1.6$。

最优投入问题:设出食品淀粉投入量 x,总收益 = 食品收益 + 药用收益(投入的 10%),用导数求最值;注意 $\ln50=\ln(25\times2)=2\ln5+\ln2$。

强化训练 · 第 6 / 7 题
62023 · 福建厦门模拟 · ★★★★★

移动物联网广泛应用于生产制造、公共服务、个人消费等领域。截至 2022 年底,我国移动物联网连接数达 18.45 亿户,成为全球主要经济体中首个实现"物超人"的国家。如图是 2018~2022 年移动物联网连接数 W 与年份代码 t 的散点图,其中年份 2018~2022 对应的 t 分别为 1~5。

年份代码与移动物联网连接数散点图(示意)
123 45t 252015 105

散点集中在直线附近,随 t 增大 W 上升(示意图)

(1)根据散点图推断两个变量是否线性相关。计算样本相关系数(精确到 0.01),并推断它们的相关程度;

(2)(i)假设变量 x 与变量 Y 的 n 对观测数据为 $(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)$,两个变量满足一元线性回归模型 $\begin{cases}Y=bx+e\\E(e)=0,\ D(e)=\sigma^2\end{cases}$(随机误差 $e_i=y_i-bx_i$)。请推导:当随机误差平方和 $Q=\sum_{i=1}^{n}e_i^2$ 取得最小值时,参数 b 的最小二乘估计;

(ii)令变量 $x=t-\bar{t}$,$y=w-\bar{w}$,则变量 x 与变量 Y 满足一元线性回归模型,利用(i)中结论求 y 关于 x 的经验回归方程,并预测 2024 年移动物联网连接数。

附:$r=\dfrac{\sum_{i=1}^{n}(t_i-\bar{t})(w_i-\bar{w})}{\sqrt{\sum_{i=1}^{n}(t_i-\bar{t})^2}\sqrt{\sum_{i=1}^{n}(w_i-\bar{w})^2}}$,$\sum_{i=1}^{5}(w_i-\bar{w})^2=76.9$,$\sum_{i=1}^{5}(t_i-\bar{t})(w_i-\bar{w})=27.2$,$\sum_{i=1}^{5}w_i=60.8$,$\sqrt{769}\approx27.7$。

过原点的回归模型(无截距):最小二乘估计为 $\hat{b}=\dfrac{\sum x_iy_i}{\sum x_i^2}$,推导关键是把 Q 看成关于 b 的二次函数。

强化训练 · 第 7 / 7 题
72023 · 广东七校联考 · ★★★★

规定抽球试验规则如下:盒子中初始装有白球和红球各一个,每次有放回地任取一个,连续取两次,将以上过程记为一轮。如果每一轮取到的两个球都是白球,则记该轮为成功,否则记为失败。在抽取过程中,如果某一轮成功,则停止;否则,在盒子中再放入一个红球,然后接着进行下一轮抽球,如此不断继续下去,直至成功。

(1)某人进行该抽球试验时,最多进行三轮,即使第三轮不成功,也停止抽球,记其进行抽球试验的轮数为随机变量 X,求 X 的分布列和数学期望;

(2)为验证抽球试验成功的概率不超过 $\dfrac{1}{2}$,有 1000 名数学爱好者独立地进行该抽球试验,记 t 表示成功时抽球试验的轮数,y 表示对应的人数,统计数据如下:

t12345
y23298604020

求 y 关于 t 的回归方程 $\hat{y}=\dfrac{\hat{b}}{t}+\hat{a}$,并预测成功的总人数(精确到 1);

(3)证明:$\dfrac{1}{2^2}+\left(1-\dfrac{1}{2^2}\right)\dfrac{1}{3^2}+\left(1-\dfrac{1}{2^2}\right)\left(1-\dfrac{1}{3^2}\right)\dfrac{1}{4^2}+\cdots+\left(1-\dfrac{1}{2^2}\right)\left(1-\dfrac{1}{3^2}\right)\cdots\left(1-\dfrac{1}{n^2}\right)\dfrac{1}{(n+1)^2}\lt\dfrac{1}{2}$。

附:$\hat{b}=\dfrac{\sum_{i=1}^{n}x_iy_i-n\bar{x}\cdot\bar{y}}{\sum_{i=1}^{n}x_i^2-n\bar{x}^2}$,$\hat{a}=\bar{y}-\hat{b}\bar{x}$;参考数据:$\sum_{i=1}^{5}x_i^2=1.46$,$\bar{x}=0.46$,$\bar{x}^2=0.212$,其中 $x_i=\dfrac{1}{t_i}$,$\bar{x}=\dfrac{1}{5}\sum_{i=1}^{5}x_i$。

第 k 轮成功的概率是"前 k−1 轮全失败 × 第 k 轮成功";第(3)问把求和转化为对立事件,再用 $\left(1-\dfrac{1}{k^2}\right)=\dfrac{k-1}{k}\cdot\dfrac{k+1}{k}$ 裂项相消。

数学老师的神奇小画板
打开后显示当前题目