Un des outils les plus élémentaires pour l'ingénierie ou de l'analyse scientifique est la régression linéaire. Cette technique commence avec un ensemble de données à deux variables. La variable indépendante est généralement appelé "X" et la variable dépendante est généralement appelé "y." Le but de cette technique est d'identifier la ligne, y = mx + b, qui se rapproche de l'ensemble de données. Cette ligne de tendance peut montrer, graphique et numérique, les relations entre les variables dépendantes et indépendantes. A partir de cette analyse de régression, une valeur de corrélation est également calculé.
Identifier et séparer les valeurs x et y de vos points de données. Si vous utilisez une feuille de calcul, entrez-les dans les colonnes adjacentes. Il devrait y avoir le même nombre de valeurs x et y. Si non, le calcul sera inexacte, ou la fonction de feuille de calcul renvoie une erreur.
x = (6, 5, 11, 7, 5, 4, 4)
y = (2, 3, 9, 1, 8, 7, 5)
Calculer la valeur moyenne pour les valeurs x et y des valeurs en divisant la somme de toutes les valeurs par le nombre total de valeurs dans l'ensemble. Ces moyennes seront appelés "x_avg" et y_avg."
x_avg = (6 + 5 + 11 + 5 + 7 + 4 + 4) / 7 = 6
y_avg = (2 + 3 + 9 + 1 + 8 + 7 + 5) / 7 = 5
Créer deux nouveaux ensembles de données en soustrayant la valeur de x_avg de chaque valeur de x et la valeur de y_avg de chaque valeur de y.
x1 = (6-6, 5-6, 11-6, 7-6 ...)
x1 = (0, -1, 5, 1, -1, -2, -2)
y1 = (2-5, 3-5, 9-5, 1-5, ...)
y1 = (-3, -2, 4, -4, 3, 2, 0)
Multiplier chaque valeur de x1 par chaque valeur de y1, dans l'ordre.
x1y1 = (0 -3, -1 -2, 5 * 4, ...)
x1y1 = (0, 2, 20, -4, -3, -4, 0)
Carré chaque valeur de x1.
x1 = 2 ^ (0 ^ 2, 1 ^ 2, ^ -5 2, ...)
x1 ^ 2 = (0, 1, 25, 1, 1, 4, 4)
Calculer les sommes des valeurs de X1Y1 et x1 ^ 2 valeurs.
sum_x1y1 = 0 + 2 + 20 - 4 - 3 - 4 + 0 = 11
sum_x1 ^ 2 = 0 + 1 + 25 + 1 + 1 + 4 + 4 = 36
Diviser "sum_x1y1" par "sum_x1 ^ 2" à obtenir le coefficient de régression.
sum_x1y1 / sum_x1 ^ 2 = 11/36 = 0,306