Svar:
Skriv inn dataene i to lister først.
Forklaring:
Jeg vil bruke parentes til å indikere en knapp på kalkulatoren og ALL CAPS for å angi hvilken funksjon som skal brukes.
La X og Y være de to variablene dine, tilsvarende en samling poeng.
Trykk på STAT og velg deretter EDIT eller trykk på ENTER.
Dette åpner lister hvor du vil legge inn dataene.
Skriv inn alle verdiene for X i liste 1, en etter en. Sett inn en verdi, og trykk deretter på ENTER for å gå ned til neste linje.
Skriv inn alle verdiene for Y i liste 2 på samme måte.
Trykk nå på STAT igjen.
Bruk piltastene til å flytte til CALC-listen over funksjoner.
Dette er statistiske beregninger.
Velg element 4, som er merket LinReg (ax + b).
Det er, dette er Lineær regresjon funksjon av TI-83.
På neste skjermbild skriver du inn
2 1, 2dre 2.
Legg merke til at du trenger komma-knappen.
Dette forteller kalkulatoren som viser at du skal bruke for regresjon. 2 1 betyr Liste 1, for eksempel.
Trykk deretter på ENTER, og voila!
Kostnaden for penner varierer direkte med antall penner. En penn koster $ 2,00. Hvordan finner du k i ligningen for prisen på penner, bruk C = kp, og hvordan finner du den totale kostnaden på 12 penner?
Total kostnad på 12 penner er $ 24. C prop p:. C = k * p; C = 2,00, p = 1:. 2 = k * 1:. k = 2:. C = 2p {k er konstant] p = 12, C =? C = 2 * p = 2 * 12 = $ 24,00 Total kostnad på 12 penner er $ 24,00. [Ans]
Hvordan ekstrapolerer du med en lineær regresjonslinje?
Når vi bruker regresjonslinjen for å forutsi et punkt hvis x-verdi ligger utenfor rekkevidden av x-verdier av treningsdata, kalles det ekstrapolering. For å (bevisst) ekstrapolere bruker vi bare regresjonslinjen til å forutsi verdier som ligger langt fra treningsdata. Vær oppmerksom på at ekstrapolering ikke gir pålitelige spådommer fordi regresjonslinjen kanskje ikke er gyldig utenfor treningsdatabasen.
Hva er den generelle formelen for ligningen av en minst-kvadratisk regresjonslinje?
Ligning for minst kvadrater lineær regresjon: y = mx + b hvor m = (sum (x_iy_i) - (sum x_i sum y_i) / n) / (sum x_i ^ 2 - ((sum x_i) ^ 2) / n) og b = (sum y_i - m sum x_i) / n for en samling av n par (x_i, y_i) Dette ser forferdelig ut til å evaluere (og det er, hvis du gjør det for hånd); men med en datamaskin (med for eksempel et regneark med kolonner: y, x, xy og x ^ 2) er det ikke så ille.