L'un des outils les plus fondamentaux pour l'ingénierie ou l'analyse scientifique est la régression linéaire. Cette technique commence par un ensemble de données en deux variables. La variable indépendante est généralement appelée "x" et la variable dépendante est généralement appelée "y". Le but de la technique est d'identifier la ligne, y \u003d mx + b, qui se rapproche de l'ensemble de données. Cette ligne de tendance peut montrer, graphiquement et numériquement, les relations entre les variables dépendantes et indépendantes. À partir de cette analyse de régression, une valeur de corrélation est également calculée.
Identifiez et séparez les valeurs x et y de vos points de données. Si vous utilisez une feuille de calcul, entrez-les dans des colonnes adjacentes. Il devrait y avoir le même nombre de valeurs x et y. Sinon, le calcul sera inexact ou la fonction de feuille de calcul renverra une erreur. x \u003d (6, 5, 11, 7, 5, 4, 4) y \u003d (2, 3, 9, 1, 8, 7, 5)
Calculez la valeur moyenne pour les valeurs x et le y valeurs en divisant la somme de toutes les valeurs par le nombre total de valeurs dans l'ensemble. Ces moyennes seront appelées "x_avg" et y_avg. "X_avg \u003d (6 + 5 + 11 + 7 + 5 + 4 + 4) /7 \u003d 6 y_avg \u003d (2 + 3 + 9 + 1 + 8 + 7 + 5) /7 \u003d 5
Créez deux nouveaux ensembles de données en soustrayant la valeur x_avg de chaque valeur x et la valeur y_avg de chaque valeur y. X1 \u003d (6 - 6, 5 - 6, 11 - 6, 7 - 6 ...) x1 \u003d (0, -1, 5, 1, -1, -2, -2) y1 \u003d (2 - 5, 3 - 5, 9 - 5, 1 - 5, ... ) y1 \u003d (-3, -2, 4, -4, 3, 2, 0)
Multipliez chaque valeur x1 par chaque valeur y1, dans l'ordre. x1y1 \u003d (0 * -3, -1 * -2, 5 * 4, ...) x1y1 \u003d (0, 2, 20, -4, -3, -4, 0)
Carrez chaque valeur x1. X1 ^ 2 \u003d (0 ^ 2 , 1 ^ 2, -5 ^ 2, ...) x1 ^ 2 \u003d (0, 1, 25, 1, 1, 4, 4)
Calculez les sommes des valeurs x1y1 et x1 ^ 2 sum_x1y1 \u003d 0 + 2 + 20 - 4 - 3 - 4 + 0 \u003d 11 sum_x1 ^ 2 \u003d 0 + 1+ 25 + 1 + 1 + 4 + 4 \u003d 36
Divisez "sum_x1y1" par " sum_x1 ^ 2 "pour obtenir le coefficient de régression. sum_x1y1 /sum_x1 ^ 2 \u003d 11/36 \u003d 0,306
Conseils
Pour ceux qui préfèrent travailler directement avec l'eq est m \u003d sum [(x_i - x_avg) (y_i - y_avg)] /sum [(x_i - x_avg) ^ 2].
De nombreuses feuilles de calcul auront une variété de fonctions de régression linéaire. Dans Microsoft Excel, vous pouvez utiliser la fonction "Pente" pour prendre la moyenne des colonnes x et y, et la feuille de calcul effectuera automatiquement tous les calculs restants.
