您可以进行统计计算以分析数据。 以下示例将 y=mx+b 线性回归模型与 A 列和 B 列中两个列表相拟合。
| 1. | 从统计菜单中，选择统计计算>，然后选择 LinearRegression (mx+b) 以选择回归模型。 |
线性回归 (mx+b) 对话框打开。
| 2. | 键入 a[] 作为 X 列表的列。 |
| 3. | 键入 b[] 作为 Y 列表的列。 |
| 4. | 要在指定的变量中存储回归方程式，请将 RegEqn 保存至替换为变量的名称。 |
| 5. | 键入 c[] 作为 第一个结果的列。 |
| 6. | 单击确定。 |
“列表与电子表格”将插入以下两列：一列包含结果的名称，一列包含相应值。
注： 结果将链接至源数据。 例如，如果更改 A 列中的值，回归方程式将自动更新。
“列表与 & 子表格”可使用名称格式为 stat.nnn 的变量组存储统计结果，其中 nnn 为结果名称（例如，stat.RegEqn 和 stat.Resid）。 使用变量的标准名称便于以后容易识别和使用统计变量。 如果要使用自定义变量组代替标准名称，您可以在列公式单元格中编辑该公式。
您可以使用以下公式在变量组 MystatsB 中存储结果。
=LinRegMx(a[],b[],1 )： CopyVar Stat., MystatsB.
您可以通过在 “计算器”应用程序中或在“列表与电子表格”应用程序中的其它列输入以下表达式，以便稍后查看结果：
MystatsB.results
统计计算菜单可让您从下面介绍的计算中选择。 有关更多相关信息，请参阅 TI‑Nspire™ 参考 指南。
用一个测得的变量分析数据。 您可以指定一个可选的频率列表。 使用此分析方法返回的统计数据如下：
| • | 样本平均值， x |
| • | 数据的和， Gx |
| • | 数据平方的和， Gx2 |
| • | 样本标准差，sx |
| • | 总体标准差， sx |
| • | 样本大小，n |
| • | X‑min |
| • | 第一个四分位数，Q1 |
| • | 中位数 |
| • | 第三个四分位数，Q3 |
| • | X‑max |
| • | 方差的和，SSx = G(x Nx)2 |
分析成对数据。 列表 1 是自变量。 列表 2 是因变量。 您可以指定一个可选的频率列表。 使用此分析方法返回的统计数据如下：
对于每个列表：
| • | 样本平均值，x 或 y |
| • | 数据的和，Gx 或 Gy |
| • | 数据平方的和，Gx2 或 Gy2 |
| • | 样本标准差，sx = sn-1x 或 sy = sn-1y |
| • | 总体标准差，sx = snx 或 sy = sny |
| • | X‑min 或 Y-min |
| • | 第一个四分位数， Q1X 或 Q1Y |
| • | 中位数 |
| • | 第三个四分位数，Q3X 或 Q3Y |
| • | X‑max 或 Y-max |
| • | 方差的和，SSx = G(x Nx)2 或 SSy = G(y Ny)2 |
其它数据：
| • | 每个数据集的样本大小，n |
| • | Gxy |
| • | 相关系数，R。 |
使用最小二乘拟合将模型方程式 y=ax+b 与数据拟合。 它显示 m（斜率）和 b （y‑轴截距）的值。
使用最小二乘拟合将模型方程式 y=a+bx 与数据拟合。 它显示 a（y‑轴截距）、b （斜率）、r2 以及 r。
使用中位线（耐抗线）方法将模型方程式 y=mx+b 与数据拟合，计算摘要点 x1、y1、x2、y2、x3 和 y3。 “中‑位 线 显示 m （斜率）和 b （y‑轴截距）的值。
将二次多项式 y=ax2+bx+c 与数据拟合。 它显示 a、b、c 和 R2 的值。 对于三个数据点，该方程式为多项式拟合；对于四个或四个以上数据点，该方程式为多项式回归。 需要至少三个数据点。
将三次多项式 y=ax3+bx2+cx+d 与数据拟合。 它显示 a、b、c、d 和 R2 的值。 对于四个数据点，该方程式为多项式拟合；对于五个或五个以上数据点，该方程式为多项式回归。 需要至少四个点。
将四次多项式 y=ax4+bx3+cx2+dx+e 与数据拟合。 它显示 a、b、c、d、e 和 R2 的值。 对于五个数据点，该方程式为多项式拟合；对于六个或六个以上数据点，该方程式为多项式回归。 需要至少五个点。
使用变换值 ln(x) 和 ln(y) 上的最小二乘拟合将模型方程式 y=axb 与数据拟合。 它显示 a、b、r2 和 r 的值。
使用变换值 x 和 ln(y) 上的最小二乘拟合将模型方程式 y=abx 与数据拟合。 它显示 a、b、r2 和 r 的值。
使用变换值 x 和 ln(y) 上的最小二乘拟合将模型方程式 y=a+b ln(x) 与数据拟合。 它显示 a、b、r2 和 r 的值。
使用迭代最小二乘拟合将模型方程式 y=a sin(bx+c)+d 与数据拟合。 它显示 a、b、c 和 d 的值。 需要至少四个点。 每个周期需要至少两个数据点才能避免混杂频数估算。
注： 不论“弧度/度数”模式设置如何，SinReg 的输出始终为弧度。
使用迭代最小二乘拟合将模型方程式 y=c/(1+a*e⁻bx) 与数据拟合。 它显示 a、b 和 c 的值。
使用迭代最小二乘拟合将模型方程式 y=c(1+a*e(⁻bx))+d 与数据拟合。 它显示 a、b、c 和 d 的值。
计算列表 X1、X2、…、X10 中列表 Y 的多元线性回归。
进行统计计算