User Manual

6-13
k Grafik einer linearen Regression
Die lineare Regression verwendet die Methode der kleinsten Quadrate, um eine optimale
Gerade zu bestimmen, die möglichst nahe an vielen Datenpunkten liegt und Werte für den
Anstieg und den y -Achsenabschnitt ( y -Achsenabschnitt wenn x = 0).
Die grafische Darstellung dieses Zusammenhangs ist eine lineare Regressionsgrafik.
1(CALC) 2(X)
1(
ax + b ) oder 2( a + bx )
6(DRAW)
Nachfolgend ist die Modellformel für die lineare Regression
aufgeführt.
y = ax + b
a .............Regressionskoeffizient (Anstieg)
b .............Regressionskonstante (Schnittstelle mit der y -Achse, Absolutglied)
y = a + bx
a .............Regressionskonstante (Schnittstelle mit der y -Achse, Absolutglied)
b .............Regressionskoeffizient (Anstieg)
k Med-Med-Regression
Wenn extreme Werte (Ausreißer) im Datenmaterial vermutet werden, sollte eine Med-Med-
Regression anstelle der Methode der kleinsten Quadrate verwendet werden. Dies ist ähnlich
einer linearen Regression, wobei jedoch die Einflüsse extremer Werten reduziert werden.
1(CALC) 3(Med)
6(DRAW)
Nachfolgend ist die Modellformel für die Med-Med-
Regression aufgeführt.
y = ax + b
a ..............Anstieg der Med-Med-Regressionsgeraden
b ..............Med-Med-Regressionsgeraden- y -Achsenabschnitt
k Quadratische/Kubische/Quartische Regression
Eine quadratische/kubische/quartische Regression stellt einen nichtlinearen Ausgleich der
Datenpunkte eines Streudiagramms dar. Die Analyse beruht auf der Methode der kleinsten
Quadrate, um eine optimale Kurve zu erhalten, die möglichst nahe an vielen Datenpunkten
liegt. Die folgenden Formeln beschreiben die quadratische/kubische/quartische Regression.
Beispiel: Quadratische Regression
1(CALC) 4(X^2)
6(DRAW)