Statistiske beregninger
Udføre en statistisk beregning
Du kan udføre statistiske beregninger til analyse af data. Følgende eksempel tilpasser en y=mx+b lineær regressionsmodel til to lister:
|
1.
|
Vælg formelcellen (næstøverste celle) hørende til søjlen A. |
|
2.
|
Klik på for at vælge regressionsmodellen |
Dialogboksen Lineær regression (mx+b) åbnes og viser felter til indtastning og valg af hvert argument. Da du i forvejen har markeret en celle, er søjlen for allerede udfyldt.
|
3.
|
Tryk på e for at gå til feltet og klik på rullepilen for at vælge en navngivet liste. |
|
4.
|
Hvis du vil lagre regressionsligningen i en bestemt variabel. skal du trykke på e og derefter erstatte med navnet på variablen. |
|
5.
|
Tryk på e efter behov for at gå til feltet , og skriv c[] som søjlebogstav for første resultatsøjle. |
Lister og regneark indsætter to søjler: En med navnene på resultaterne og en med de tilsvarende værdier.
Bemærk: Resultaterne er linket til kildedataene. Hvis du eksempelvis ændrer en værdi i søjle A, opdateres regressionsligningen automatisk.
Lagring af statistiske resultater
Lister og regneark gemmer statistiske resultater under et variabelgruppenavn i formatet stat.nnn, hvor nnn er resultatnavnet (for eksempel, stat.RegEqn og stat.Resid). Anvendelsen af standard navne til variable gør det nemmere at identificere og bruge de statistiske variable senere. Hvis du vil bruge en brugerdefineret variabelgruppe stedet for standardnavnet, kan du redigere formlen i kolonneformelcellen.
Du kunne bruge følgende formel til at lagre resultaterne i variabelgruppen
=LinRegMx(a[],b[],1 ): CopyVar Stat., MystatsB.
Senere kan du se resultaterne ved at indtaste følgende udtryk i Beregnings-applikationen eller i en anden søjle i applikationen Lister og regneark:
MystatsB.results
Understøttede statistiske beregninger
Med menuen kan du vælge mellem beregningerne beskrevet nedenfor. For yderligere information henvises der til vejledningen til TI‑Nspire™.
Statistik med én variabel
Analyserer data med én målt variabel. Du kan angive en valgfri hyppighedsliste. De statistiske data, der returneres med denne analyseteknik, er:
|
•
|
Middelværdi for stikprøve, x |
|
•
|
Sum af kvadratet på data, Gx2 |
|
•
|
Standardafvigelse for stikprøve, sx |
|
•
|
Populations standardafvigelse, sx |
|
•
|
Sum af kvadratet på afvigelser, SSx = G(x N x)2 |
Statistik med to variable
Analyserer parrede data. Liste 1 er den uafhængige variabel. Liste 2 er den afhængige variabel. Du kan angive en valgfri hyppighedsliste. De statistiske data, der returneres med denne analyseteknik, er:
For hver liste:
|
•
|
Middelværdi for stikprøve, x eller y |
|
•
|
Sum af data, Gx eller Gy |
|
•
|
Sum af kvadratet på data, Gx2 eller Gy2 |
|
•
|
Standardafvigelse for stikprøve, sx = sn-1x eller sy = sn-1y |
|
•
|
Populationsstandardafvigelse, sx = snx or sy = sny |
|
•
|
Første kvartil, Q1X eller Q1Y |
|
•
|
Tredje kvartil, Q3X eller Q3Y |
|
•
|
Sum af kvadratet på afvigelser, SSx = G(x N x)2 eller SSy = G(y N y)2 |
Yderligere data:
|
•
|
Stikprøvestørrelse for hvert datasæt, n |
|
•
|
Korrelationskoefficient, R. |
Lineær regression (mx+b) (LinRegMx)
Tilpasser ligningsmodellen y=ax+b til data med mindste kvadraters metode. Den viser værdier for m (hældning) og b (y‑skæring).
Lineær regression (a+bx) (LinRegBx)
Tilpasser ligningsmodellen y=a+bx til data med mindste kvadraters metode. Den viser værdier for a (y‑skæring), b (hældning), r2og r.
Median-Median Line (MedMed)
Tilpasser modelligningen y=mx+b til dataene med median-median line (resistent linje) teknikken, og beregner punkterne x1, y1, x2, y2, x3 og y3. Median‑Median Linje viser værdierne for m (hældning) og b (y‑skæring).
Andengradsregression
Tilpasser andengradspolynomiet y=ax2+bx+c til dataene. Den viser værdier for a, b, c og R2. For tre datapunkter er ligningen et præcist polynomium; for fire eller derover er den et regressionspolynomium. Mindst tre datapunkter er påkrævet.
Tredjegradsregression
Tilpasser tredjegradspolynomiet y=ax3+bx2+cx+d til dataene. Den viser værdier for a, b, c, d og R2. For fire datapunkter er ligningen et præcist polynomium; for fem eller derover er den et regressionspolynomium. Mindst fire punkter er påkrævet.
Fjerdegradsregression
Tilpasser fjerdegradspolynomiet y=ax4+bx3+cx2+dx+e til dataene. Den viser værdier for a, b, c, d, e og R2. For fem datapunkter er ligningen et præcist polynomium; for seks eller derover er den et regressionspolynomium. Mindst fem punkter er påkrævet.
Potensregression
Tilpasser modelligningen y=axb til data med mindste kvadraters metode og transformerede værdier ln(x) og ln(y). Den viser værdier for a, b, r2 og r.
Eksponentiel regression
Tilpasser modelligningen y=abx til data med mindste kvadraters metode og transformerede værdier x og ln(y). Den viser værdier for a, b, r2 og r.
Logaritmisk regression
Tilpasser modelligningen y=a+b ln(x) til data med mindste kvadraters metode og transformerede værdier ln(x) og y. Den viser værdier for a, b, r2 og r.
Sinusregression
Tilpasser ligningsmodellen y=a sin(bx+c)+d til data med en iterativ mindste kvadraters metode Den viser værdier for a, b, c og d. Mindst fire datapunkter er påkrævet. Mindst to datapunkter pr. svingning er påkrævet for at undgå skæve estimater for frekvens og periode.
Bemærk: Output af SinReg er altid i radianer, uanset indstillingen for Radian/Grader.
Logistisk regression (d=0)
Tilpasser ligningsmodellen y=c/(1+a*eLbx) til dataene med en iterativ mindste kvadraters metode. Den viser værdier for a, b og c.
Logistisk regression (dƒ0) (LogisticD)
Tilpasser ligningsmodellen y=c/(1+a*e(Lbx))+d til dataene med en iterativ mindste kvadraters metode. Den viser værdier for a, b, c og d.
Multipel lineær regression
Beregner den multiple lineære regression af listen Y som funktion af listerne X1, X2, …, X10