User Manual
6-18
• Linjär regression (
ax + b ) ...............
(
a + bx ) ...............
• Kvadratisk regression .....................
• Tredjegradsregression ...................
• Fjärdegradsregression ...................
• Logaritmisk regression ...................
• Exponentiell repression (
a · e
bx
)........
(
a · b
x
) ........
• Potensregression ...........................
• Sinusregression ..............................
• Logistisk regression ........................
u Beräkning av uppskattat värde för regressionsgrafer
I läget STAT finns också en Y-CAL-funktion som använder regression för att beräkna det
uppskattade y -värdet för ett visst x -värde efter en statistisk regression med parade variabler.
Följande är den allmänna proceduren för att använda Y-CAL-funktionen.
1. När du har ritat en regressionsgraf trycker du på !5(G-SLV) 1(Y-CAL) för att växla till
läget för att välja graf. Tryck sedan på w.
Om flera grafer visas på displayen använder du f och c för att markera den önskade
grafen och trycker sedan på w.
• Detta gör att en inmatningsruta för
x -värdet visas.
2. Mata in önskat värde för
x och tryck sedan på w.
• Detta gör att koordinaterna för
x och y visas längst ned
på displayen och pekaren förflyttas till motsvarande
punkt på grafen.
M
Se =
Σ
1
n – 2
i=1
n
(y
i
– (ax
i
+ b))
2
M
Se =
Σ
1
n – 2
i=1
n
(y
i
– (ax
i
+ b))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a + bxi))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a + bxi))
2
M
Se =
Σ
1
n – 3
i=1
n
(y
i
– (ax
i
+ bx
i
+ c))
2
2
M
Se =
Σ
1
n – 3
i=1
n
(y
i
– (ax
i
+ bx
i
+ c))
2
2
M
Se =
Σ
1
n – 4
i=1
n
(y
i
– (ax
i
3
+ bx
i
+ cx
i
+ d ))
2
2
M
Se =
Σ
1
n – 4
i=1
n
(y
i
– (ax
i
3
+ bx
i
+ cx
i
+ d ))
2
2
M
Se =
Σ
1
n – 5
i=1
n
(yi – (axi
4
+ bxi
3
+ cxi
+ dxi
+ e))
2
2
M
Se =
Σ
1
n – 5
i=1
n
(yi – (axi
4
+ bxi
3
+ cxi
+ dxi
+ e))
2
2
M
Se =
Σ
1
n – 2
i=1
n
(y
i
– (a + b ln x
i
))
2
M
Se =
Σ
1
n – 2
i=1
n
(y
i
– (a + b ln x
i
))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y
i
– (ln a + bx
i
))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y
i
– (ln a + bx
i
))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln yi – (ln a + (ln b) · xi ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln yi – (ln a + (ln b) · xi ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y
i
– (ln a + b ln x
i
))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y
i
– (ln a + b ln x
i
))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a sin (bxi + c) + d ))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a sin (bxi + c) + d ))
2
M
Se =
Σ
1
n – 2 1 + ae
–bx
i
C
i=1
n
y
i
–
2
M
Se =
Σ
1
n – 2 1 + ae
–bx
i
C
i=1
n
y
i
–
2