home *** CD-ROM | disk | FTP | other *** search
/ CD School House 10 / CD School House - Education and Games (10.0) - Wayzata Technology (1995).iso / mac / DOS / MISC / FTK / LINREG.TK < prev    next >
Text File  |  1994-02-24  |  3KB  |  322 lines
  1. TK!2
  2. =v
  3. #1
  4. :n
  5. X
  6. :v
  7. 5
  8. :s
  9. i
  10. :c
  11. given X
  12. #2
  13. :n
  14. Y
  15. :s
  16. b
  17. :c
  18. predicted Y
  19. #3
  20. :n
  21. dY
  22. :s
  23. b
  24. :c
  25. tolerance of predicted y
  26. #4
  27. :n
  28. a
  29. :s
  30. b
  31. :c
  32. intercept in  Y = a + b*X
  33. #5
  34. :n
  35. b
  36. :s
  37. b
  38. :c
  39. slope in      Y = a + b*X
  40. #6
  41. :n
  42. t
  43. :v
  44. 2.447
  45. :s
  46. i
  47. :c
  48. t-value = f(confidence level,n-2 dof)
  49. #7
  50. :n
  51. xav
  52. :s
  53. b
  54. :c
  55. average x value
  56. #8
  57. :n
  58. yav
  59. :s
  60. b
  61. :c
  62. average y value
  63. #9
  64. :n
  65. SXX
  66. :s
  67. b
  68. :c
  69. sum of squares of x's
  70. #10
  71. :n
  72. SYY
  73. :s
  74. b
  75. :c
  76. sum of squares of y's
  77. #11
  78. :n
  79. SXY
  80. :s
  81. b
  82. :c
  83. sum of cross products
  84. #12
  85. :n
  86. SSR
  87. :s
  88. b
  89. :c
  90. sum of squares due to regression
  91. #13
  92. :n
  93. rXY
  94. :s
  95. b
  96. :c
  97. correlation coefficient
  98. #14
  99. :n
  100. RMS
  101. :s
  102. b
  103. :c
  104. residual mean square
  105. #15
  106. :n
  107. SER
  108. :s
  109. b
  110. :c
  111. standard error of regression
  112. #16
  113. :n
  114. n
  115. :v
  116. 8
  117. :s
  118. i
  119. :c
  120. number of observations
  121. #17
  122. :n
  123. x1
  124. :v
  125. 2.4
  126. :s
  127. i
  128. :c
  129. data
  130. #18
  131. :n
  132. x2
  133. :v
  134. 3.7
  135. :s
  136. i
  137. :c
  138.  "   Note: When  n < 8 ,  8-n pairs of
  139. #19
  140. :n
  141. x3
  142. :v
  143. 4.3
  144. :s
  145. i
  146. :c
  147.  "         xi,yi must be assigned 0.
  148. #20
  149. :n
  150. x4
  151. :v
  152. 5.5
  153. :s
  154. i
  155. :c
  156.  "
  157. #21
  158. :n
  159. x5
  160. :v
  161. 6
  162. :s
  163. i
  164. :c
  165.  "   There are no limits on number of
  166. #22
  167. :n
  168. x6
  169. :v
  170. 6.1
  171. :s
  172. i
  173. :c
  174.  "   observations in TK Solver Plus
  175. #23
  176. :n
  177. x7
  178. :v
  179. 7.6
  180. :s
  181. i
  182. :c
  183.  "   (except for computer memory)
  184. #24
  185. :n
  186. x8
  187. :v
  188. 8.1
  189. :s
  190. i
  191. :c
  192.  "
  193. #25
  194. :n
  195. y1
  196. :v
  197. 3.5
  198. :s
  199. i
  200. :c
  201.  "
  202. #26
  203. :n
  204. y2
  205. :v
  206. 3.7
  207. :s
  208. i
  209. :c
  210.  "
  211. #27
  212. :n
  213. y3
  214. :v
  215. 4.2
  216. :s
  217. i
  218. :c
  219.  "
  220. #28
  221. :n
  222. y4
  223. :v
  224. 4.4
  225. :s
  226. i
  227. :c
  228.  "
  229. #29
  230. :n
  231. y5
  232. :v
  233. 4.7
  234. :s
  235. i
  236. :c
  237.  "
  238. #30
  239. :n
  240. y6
  241. :v
  242. 5.2
  243. :s
  244. i
  245. :c
  246.  "
  247. #31
  248. :n
  249. y7
  250. :v
  251. 5.3
  252. :s
  253. i
  254. :c
  255.  "
  256. #32
  257. :n
  258. y8
  259. :v
  260. 6.1
  261. :s
  262. i
  263. :c
  264.  "
  265. =u
  266. =r
  267. #1
  268. :r
  269. xav = sum(x1,x2,x3,x4,x5,x6,x7,x8)/n           " *** Regression Analysis ***
  270. #2
  271. :r
  272. yav = sum(y1,y2,y3,y4,y5,y6,y7,y8)/n
  273. #3
  274. :r
  275. SXX = sum(x1^2,x2^2,x3^2,x4^2,x5^2,x6^2,x7^2,x8^2) - n*xav^2
  276. #4
  277. :r
  278. SYY = sum(y1^2,y2^2,y3^2,y4^2,y5^2,y6^2,y7^2,y8^2) - n*yav^2
  279. #5
  280. :r
  281. SXY = sum(x1*y1,x2*y2,x3*y3,x4*y4,x5*y5,x6*y6,x7*y7,x8*y8) - n*xav*yav
  282. #6
  283. :r
  284. b = SXY/SXX             " - - - - - - - - - - - - - - - - - - - - - - - - - -
  285. #7
  286. :r
  287. yav = a + b*xav         " One advantage of using TK for statistical analysis
  288. #8
  289. :r
  290.                         " and especially for curve fitting is the ease of
  291. :s
  292. C
  293. #9
  294. :r
  295. SSR = SXX*b^2           " alternating between analysis and prediction. Here
  296. #10
  297. :r
  298. rXY^2 = SSR/SYY         " the calculated values of regression coefficients 
  299. #11
  300. :r
  301. RMS = (SYY-SSR)/(n-2)   " were used to find Y at X=5.  In TK Solver Plus with 
  302. #12
  303. :r
  304. SER^2 = RMS             " lists, procedures, graphics, etc., the statistical
  305. #13
  306. :r
  307.                         " models are more elegant, powerful and easy to use.
  308. :s
  309. C
  310. #14
  311. :r
  312.                         " - - - - - - - - - - - - - - - - - - - - - - - - - -
  313. :s
  314. C
  315. #15
  316. :r
  317. Y = a + b*X                                    " *** P r e d i c t i o n ***
  318. #16
  319. :r
  320. dY = t * sqrt(RMS*(1+1/n+(X-xav)^2/SXX))       "     (based on analysis)
  321. %Tr,f,0,1,0,1,0
  322.