
- 統計學教程
- 首頁
- 調整後的R平方
- 方差分析
- 算術平均數
- 算術中位數
- 算術眾數
- 算術極差
- 條形圖
- 最佳點估計
- 貝塔分佈
- 二項分佈
- 布萊克-斯科爾斯模型
- 箱線圖
- 中心極限定理
- 切比雪夫定理
- 卡方分佈
- 卡方表
- 圓排列
- 整群抽樣
- 科恩Kappa係數
- 組合
- 可重複組合
- 比較圖表
- 連續均勻分佈
- 連續數列算術平均數
- 連續數列算術中位數
- 連續數列算術眾數
- 累積頻率
- 變異係數
- 相關係數
- 累積圖
- 累積泊松分佈
- 資料收集
- 資料收集 - 問卷設計
- 資料收集 - 觀察法
- 資料收集 - 案例研究法
- 資料模式
- 十分位數統計
- 離散數列算術平均數
- 離散數列算術中位數
- 離散數列算術眾數
- 點圖
- 指數分佈
- F分佈
- F檢驗表
- 階乘
- 頻率分佈
- 伽馬分佈
- 幾何平均數
- 幾何機率分佈
- 擬合優度
- 總平均數
- Gumbel分佈
- 調和平均數
- 調和數
- 諧振頻率
- 直方圖
- 超幾何分佈
- 假設檢驗
- 個體數列算術平均數
- 個體數列算術中位數
- 個體數列算術眾數
- 區間估計
- 逆伽馬分佈
- Kolmogorov-Smirnov檢驗
- 峰度
- 拉普拉斯分佈
- 線性迴歸
- 對數伽馬分佈
- 邏輯迴歸
- 麥克尼馬爾檢驗
- 平均差
- 均值差異
- 多項分佈
- 負二項分佈
- 正態分佈
- 奇排列和偶排列
- 單比例Z檢驗
- 離群值函式
- 排列
- 可重複排列
- 餅圖
- 泊松分佈
- 合併方差(r)
- 功效計算器
- 機率
- 機率加法定理
- 機率乘法定理
- 機率貝葉斯定理
- 機率密度函式
- 過程能力(Cp)和過程效能(Pp)
- 過程Sigma
- 二次迴歸方程
- 定性資料與定量資料
- 四分位差
- 經驗法則
- 瑞利分佈
- 迴歸截距置信區間
- 相對標準偏差
- 信度係數
- 所需樣本量
- 殘差分析
- 殘差平方和
- 均方根
- 樣本計劃
- 抽樣方法
- 散點圖
- 夏農-維納多樣性指數
- 信噪比
- 簡單隨機抽樣
- 偏度
- 標準差
- 標準誤(SE)
- 標準正態分佈表
- 統計顯著性
- 統計公式
- 統計符號
- 莖葉圖
- 分層抽樣
- 學生t檢驗
- 平方和
- t分佈表
- TI 83 指數迴歸
- 轉換
- 截尾均值
- I型和II型錯誤
- 方差
- 韋恩圖
- 大數弱定律
- Z表
- 統計學有用資源
- 統計學 - 討論
統計學 - TI 83 指數迴歸
TI 83 指數迴歸用於計算最適合一組不確定變數之間相關性的方程。
公式
${ y = a \times b^x}$
其中 -
${a, b}$ = 指數的係數。
示例
問題陳述
計算以下資料點的指數迴歸方程(y)。
時間(分鐘), Ti | 0 | 5 | 10 | 15 |
---|---|---|---|---|
溫度(°F), Te | 140 | 129 | 119 | 112 |
解決方案
讓我們將a和b視為指數迴歸的係數。
步驟1
${ b = e^{ \frac{n \times \sum Ti log(Te) - \sum (Ti) \times \sum log(Te) } {n \times \sum (Ti)^2 - \times (Ti) \times \sum (Ti) }} } $
其中 -
${n}$ = 專案總數。
${ \sum Ti log(Te) = 0 \times log(140) + 5 \times log(129) + 10 \times log(119) + 15 \times log(112) = 62.0466 \\[7pt] \sum log(L2) = log(140) + log(129) + log(119) + log(112) = 8.3814 \\[7pt] \sum Ti = (0 + 5 + 10 + 15) = 30 \\[7pt] \sum Ti^2 = (0^2 + 5^2 + 10^2 + 15^2) = 350 \\[7pt] \implies b = e^{\frac {4 \times 62.0466 - 30 \times 8.3814} {4 \times 350 - 30 \times 30}} \\[7pt] = e^{-0.0065112} \\[7pt] = 0.9935 } $
步驟2
${ a = e^{ \frac{\sum log(Te) - \sum (Ti) \times log(b)}{n} } \\[7pt] = e^{\frac{8.3814 - 30 \times log(0.9935)}{4}} \\[7pt] = e^2.116590964 \\[7pt] = 8.3028 } $
步驟3
將a和b的值代入指數迴歸方程(y),得到。
${ y = a \times b^x \\[7pt] = 8.3028 \times 0.9935^x } $