User manual - fx-9860GII_Soft

6-1717
Tässä näytössä näkyvien parametrien merkitykset ovat samoja kuin kohdissa Lineaarinen
regressiokuvaaja–Logistinen regressiokuvaaja.
S Determinaatiokertoimen (r
2
) MSe: n laskeminen
Voit käyttää STAT-moodia determinaatiokertoimen (r
2
) laskemiseen neliö-, kuutio-ja
kvarttiregressiolle. Seuraavat MSe-laskutoimitustyypit ovat myös käytettävissä jokaisessa
regressiotyypissä.
• Lineaarinen regressio (
ax + b) .................
(
a + bx) .................
• Neliöregressio ..........................................
• Kuutioregressio.........................................
• Kvarttiregressio ........................................
• Logaritminen regressio .............................
• Eksponentiaalinen regressio (
a·e
bx
) ..........
(
a·b
x
) ...........
• Potenssiregressio .....................................
• Siniregressio .............................................
• Logistinen regressio .................................
S Regressiokuvaajien arvojen likiarvojen laskeminen
STAT-moodi sisältää myös Y-CAL-funktion, joka käyttää regressiota y-arvon likiarvon
laskemiseen tietylle
x-arvolle muuttujaparin tilastollisen kuvaajan piirtämisen jälkeen.
Y-CAL-funktion käytön yleinen menettely on seuraava.
1. Regressiokuvaajan piirtämisen jälkeen voit siirtyä kuvaajan valintamoodiin painamalla
(G-SLV)(Y-CAL) ja sitten U.
M
Se =

1
n – 2
i=1
n
(y i – (ax i + b))
2
M
Se =

1
n – 2
i=1
n
(y i – (ax i + b))
2
M
Se =

1
n – 2
i=1
n
(yi – (a + bxi))
2
M
Se =

1
n – 2
i=1
n
(yi – (a + bxi))
2
M
Se =

1
n – 3
i=1
n
(y i – (ax i + bx i + c))
2
2
M
Se =

1
n – 3
i=1
n
(y i – (ax i + bx i + c))
2
2
M
Se =

1
n – 4
i=1
n
(y i – (ax i
3
+ bx i + cx i + d ))
2
2
M
Se =

1
n – 4
i=1
n
(y i – (ax i
3
+ bx i + cx i + d ))
2
2
M
Se =

1
n – 5
i=1
n
(y i – (ax i
4
+ bx i
3
+ cx i + dx i + e))
2
2
M
Se =

1
n – 5
i=1
n
(y i – (ax i
4
+ bx i
3
+ cx i + dx i + e))
2
2
M
Se =

1
n – 2
i=1
n
(yi – (a + b ln xi ))
2
M
Se =

1
n – 2
i=1
n
(yi – (a + b ln xi ))
2
M
Se =

1
n – 2
i=1
n
(ln y i – (ln a + bx i ))
2
M
Se =

1
n – 2
i=1
n
(ln y i – (ln a + bx i ))
2
M
Se =

1
n – 2
i=1
n
(ln yi – (ln a + (ln b) · xi ))
2
M
Se =

1
n – 2
i=1
n
(ln yi – (ln a + (ln b) · xi ))
2
M
Se =

1
n – 2
i=1
n
(ln y i – (ln a + b ln x i ))
2
M
Se =

1
n – 2
i=1
n
(ln y i – (ln a + b ln x i ))
2
M
Se =

1
n – 2
i=1
n
(y i – (a sin (bx i + c) + d ))
2
M
Se =

1
n – 2
i=1
n
(y i – (a sin (bx i + c) + d ))
2
M
Se =

1
n – 2 1 + ae
–bx
i
C
i=1
n
y i –
2
M
Se =

1
n – 2 1 + ae
–bx
i
C
i=1
n
y i –
2