User Manual
6-18
• Lineær regression ( ax + b ) .............
(
a + bx ) ............
• Andengradsregression ...................
• Tredjegradsregression ...................
• Fjerdegradsregression ...................
• Logaritmisk regression ...................
• Eksponentiel regression (
a · e
bx
).......
(
a · b
x
)........
• Regression opløftet til potens .........
• Sinusformet regression ..................
• Logistisk regression ........................
u Skønsmæssig værdiberegning for regressionsgrafer
Tilstanden STAT indeholder også en Y-CAL-funktion, der gør brug af regression til beregning af
den skønsmæssige
y -værdi for en bestemt x -værdi efter at have tegnet en statistisk regression
med to variable.
Følgende er den almindelige procedure for brug af Y-CAL-funktionen.
1. Når du har tegnet en regressionsgraf, skal du trykke på !5(G-SLV) 1(Y-CAL) for at gå
ind i grafvalgstilstanden og derefter trykke på w.
Hvis der er flere grafer på skærmen, skal du bruge f og c til at vælge den ønskede graf,
og derefter trykke på w.
• Herefter vises en dialogboks til indtastning af en
x -værdi.
2. Indtast den ønskede værdi for x og tryk derefter på w.
• Herefter vises koordinaterne for
x og y nederst på
skærmen, og markøren flyttes til det tilsvarende 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