Найти производные функций.
Построим диаграмму рассеивания экспериментальных данных: · Выделим диапазон А1:В14, содержащие данные наблюдения; · В меню Вставка выберем вид диаграммы: Точечная (в виде изолированных точек).
Рис. 4. Исходные данные и диаграмма рассеивания. Линейное расположение точек и их сравнительно небольшой разброс относительно воображаемой прямой дают серьёзные основания для выбора линейной модели регрессии. Для более детального анализа возможности использования этой модели воспользуемся статистической процедурой Регрессия, входящей в Пакет анализа. · В меню Данные выбираем Анализ данных – Регрессия – ОК. Откроется диалоговое окно Регрессия с пульсирующим курсором в поле ввода Входной интервал Y. · Заполним поля (Рис. 5) и щёлкнем кнопку ОК.
Рис. 5 На вновь открывшемся рабочем листе появятся таблицы результатов реализации этой процедуры и График подбора.
Рис. 6. Результаты анализа линейной модели регрессии Используя оценки
Близкий к единице коэффициент детерминации
Рис. 7. Графическая иллюстрация результатов анализа модели регрессии Большое значение Проверка значимости постоянной регрессии
Найти производные функций. а)
|
и 
(ячейки В17 и В18) параметров регрессии 
и 
, запишем выборочное уравнение парной линейной регрессии:
(ячейка В5), очень большое расчётное значение 
статистики 
(ячейка Е12) и ничтожно малая значимость 
Значимость 
свидетельствуют о высокой адекватности линейной модели (1). Это подтверждает и Х График подбора:
статистики 
(ячейка D18) и крайне малая Р-значимость 
(ячейка Е18) свидетельствует о том, что выборочный коэффициент регрессии 
для коэффициента регрессии 
– нулевое значение коэффициента регрессии 
(ячейка Е17) свидетельствует о том, что постоянная регрессии 
для постоянной регрессии 
б) 
в) 
г) 
д) 
е) 
