La vie réelle est désordonnée, il est donc attendu que les mesures prises de la vie réelle sera aussi malpropre. Lorsque vous tracez des mesures de la vie réelle, on s'attend à ce que les points ne s'alignent pas exactement dans une belle ligne ordonnée, mais formeront plutôt une dispersion de points qui, au mieux, pourraient suggérer une belle ligne nette. Ces points sont appelés un nuage de points. Créer un diagramme de dispersion à partir des données suivantes: (1, 49), (3, 51), (4, 52), (6, 52), (6, 53), (7, 53), (8, 54) (17, 59), (18, 59), (20, 60), (20, 61) l'un des Les premières choses que je dois faire lorsque la représentation graphique de ces points est de comprendre ce que mes valeurs échelle d'axe vont être. Si j'essaie de faire un système d'axes avec le quotstandardquot ndash10 à 10 valeurs, aucun des points ci dessus ne sera même apparaître sur mon graphique. Comme c'est commun avec ces sortes de jeux de données, toutes les valeurs x et y sont positives, donc je n'ai vraiment besoin que des échelles pour le premier quadrant. Les valeurs de y sont beaucoup plus grandes que les valeurs de x, mais au lieu de presser toutes les valeurs de y ensemble, Ill les étalent (ainsi je peux les voir mieux) en employant une échelle interrompue. Le petit quothicky bobquot au bas de mon y axis ci dessus montre que Ive a sauté quelques unes des valeurs d'échelle. Pour une raison quelconque, cette notation d'axe cassé semble presque jamais être enseignée dans les écoles, bien qu'elle soit très couramment utilisée dans quotthe monde réel. Si vous lisez des revues financières, vous êtes très susceptible de voir de nombreux graphiques avec ce genre de notation d'axe. Si vous utilisez cette notation dans vos devoirs, ne soyez pas surpris si vous devez l'expliquer à votre instructeur. Vous serez probablement attendre pour faire votre scatterplots dans votre calculatrice graphique. Ma calculatrice me donne cette photo: Copyright copy Elizabeth Stapel 2005 2011 Tous droits réservés Vous aurez souvent besoin d'ajuster vos paramètres WINDOW afin que tous vos points de données s'affichent à l'écran. J'ai utilisé des paramètres de fenêtre de 0 lt X lt 25 avec un X échelle de 5 et 45 lt Y lt 65 avec un Y échelle de 5 pour le graphique ci dessus. Lorsque vous avez terminé avec le diagramme de dispersion, n'oubliez pas de tourner le quoted de STATPLOT, ou les paramètres pour la représentation graphique des statistiques pourraient gâcher avec votre utilitaire de représentation graphique régulière. Je vais vous donner un avertissement juste: Il est devenu à la mode d'insérer le thème des diagrammes de dispersion et des régressions dans l'algèbre et d'autres classes non statistiques et d'exiger des élèves d'utiliser une calculatrice graphique pour répondre aux questions. Bien qu'ils puissent vous donner la formule de la pente et la formule quadratique et toutes sortes d'autres choses sur le test (même si vous devriez les avoir mémorisés), ils ne vous aideront pas avec votre calculatrice. Ils ne semblent souvent pas se soucier si vous avez appris les maths, mais vous aviez gosh darned mieux connaître votre calculatrice Alors sortez votre manuel du propriétaire, ou allez au site Web des fabricants, ou recherchez en ligne, ou se réunir avec un ami MAINTENANT, parce que Si vous faites ce truc en classe, vous allez avoir à le connaître, et le savoir bien, sur le test. Citez cet article comme: Stapel, Elizabeth. QuotScatterplots et régressions. quot Purplemath. Disponible chez purplemathmodulesscattreg. htm. Date d'accès Mois 2016Scatter Plots Il est maintenant facile de voir que le temps plus chaud conduit à plus de ventes. Mais la relation n'est pas parfaite. Line of Best Fit Nous pouvons également dessiner une quotLine de Best Fitquot (aussi appelée quotTrend Linequot) sur notre parcelle de dispersion: Essayez d'avoir la ligne aussi près que possible de tous les points, et autant de points au dessus de la ligne comme ci dessous. Exemple: Niveau du niveau de la mer Un scatter Plot of Sea Level Rise: Et ici, j'ai dessiné sur une quotLine de meilleur Fitquot. Interpolation et extrapolation L'interpolation est l'endroit où nous trouvons une valeur à l'intérieur de notre ensemble de points de données. Ici, nous utilisons l'interpolation linéaire pour estimer les ventes à 21 degC. Extrapolation est l'endroit où nous trouvons une valeur en dehors de notre ensemble de points de données. Ici, nous utilisons l'extrapolation linéaire pour estimer les ventes à 29 degC (qui est plus élevé que toute valeur que nous avons). Attention: l'extrapolation peut donner des résultats trompeurs parce que nous sommes dans un territoire quotuncharted. En plus d'utiliser un graphique (comme ci dessus), nous pouvons créer une formule pour nous aider. Nous allons estimer deux points sur la ligne près des valeurs réelles: (12deg, 180) et (25deg, 610) Tout d'abord, trouver la pente: y 33x moins 396 180 y 33x moins 216 Maintenant, nous pouvons utiliser cette équation pour interpoler une valeur de vente à 21deg : Y 33times21 moins 216 477 Et pour extrapoler une valeur de vente à 29deg: y 33times29 moins 216 741 Les valeurs sont proches de ce que nous avons sur le graphique. Mais cela ne signifie pas qu'ils sont plus (ou moins) précis. Ce ne sont que des estimations. Ne pas utiliser l'extrapolation trop loin Quelles ventes attendez vous à 0deg y 33times0 moins 216 moins 216 Hmmm. Minus 216. Nous avons extrapolé trop loin Note: nous avons utilisé l'interpolation linéaire (sur une ligne) et l'extrapolation, mais il ya beaucoup d'autres types, par exemple, nous pourrions utiliser des polynômes pour faire des lignes courbes, etc Corrélation Lorsque les deux ensembles de données sont fortement liés ensemble Nous disons qu'ils ont une corrélation élevée. La corrélation de corrélation est positive lorsque les valeurs augmentent ensemble et la corrélation est négative lorsqu'une valeur diminue à mesure que l'autre augmente. Les corrélations de corrélation négative peuvent être négatives, ce qui signifie qu'il existe une corrélation mais Une valeur diminue lorsque l'autre valeur augmente. Exemple. Taux de natalité vs revenu Le taux de natalité tend à être plus bas dans les pays riches. Ci dessous est un diagramme de dispersion pour environ 100 pays différents. Erreur de serveur dans l'application. Erreur d'exécution Description: Une erreur d'application s'est produite sur le serveur. Les paramètres d'erreur personnalisés actuels pour cette application empêchent de voir les détails de l'erreur d'application à distance (pour des raisons de sécurité). Il peut toutefois être visualisé par les navigateurs exécutés sur la machine serveur locale. Détails: Pour que les détails de ce message d'erreur spécifique puissent être affichés sur des ordinateurs distants, créez une balise ltcustomErrorsgt dans un fichier de configuration quotweb. configquot situé dans le répertoire racine de l'application Web actuelle. Cette balise ltcustomErrorsgt doit alors avoir son attribut quotmodequot défini sur quotOffquot. Notes: La page d'erreur actuelle que vous voyez peut être remplacée par une page d'erreur personnalisée en modifiant l'attribut quotdefaultRedirectquot de la balise de configuration ltcustomErrorsgt de l'application pour pointer vers une page d'erreur personnalisée URL. Scatterplots et régressions (page 3 de 4) Le point de collecte Les données et le traçage des valeurs collectées est généralement d'essayer de trouver une formule qui peut être utilisé pour modéliser une relation (présumée). Je dis quotpresumedquot parce que le chercheur peut finir par conclure qu'il n'y a vraiment aucune relation où il avait espéré il y avait un. Par exemple, vous pourriez exécuter des expériences de chronométrage d'une balle comme il tombe de différentes hauteurs, et vous seriez en mesure de trouver une relation définie entre la hauteur quotthe à partir de laquelle j'ai laissé tomber le ballon et quotthe temps qu'il a fallu pour frapper le floorquot. D'autre part, vous pouvez recueillir des rames de données sur les couleurs des yeux des peuples et les couleurs de leurs voitures, seulement pour découvrir qu'il n'ya pas de connexion discernable entre les deux ensembles de données. Le processus consistant à prendre vos points de données et à trouver une équation s'appelle quotregression, et le graphe de l'équation quotregression est appelé quotre ligne de régression. Si vous faites vos diagrammes de dispersion à la main, vous pouvez être invités à trouver une équation de régression en mettant une règle sur le premier et le dernier point dans le tracé, en dessinant une ligne et en devinant l'équation des lignes de l'image. C'est une façon incroyablement maladroite de procéder, et peut donner des réponses très fausses, d'autant plus que les valeurs aux extrémités se révèlent souvent être des valeurs aberrantes (des nombres qui ne correspondent pas à tout le reste). Par exemple, supposons que vos points ressemblent à ceci: Relier le premier et le dernier point, vous finirez par ceci: D'autre part, vous pourriez ignorer les outliers et au lieu juste globe oculaire le nuage de points pour localiser une tendance générale. Mettez la règle sur l'endroit où vous pensez qu'une ligne doit aller (indépendamment de si la règle en fait croise l'un des points), dessiner la ligne, et deviner l'équation à partir de cela. Youll finissent probablement avec un résultat plus raisonnable. Votre équation sera encore deviner travail, mais itll être mieux deviner travail que d'utiliser seulement le premier et le dernier point: Si vous êtes en train de trouver des équations de régression avec une règle, vous aurez besoin de travailler très bien, bien sûr, et l'utilisation de papier graphique serait probablement Être une bonne idée. Une fois que vous avez tracé dans votre ligne (et cela ne fonctionnera que pour les régressions linéaires ou linéaires), vous estimerez deux points sur la ligne qui semblent être proches de l'endroit où les lignes de quadrillage se croisent, puis trouver l'équation de ligne à travers ces deux points. D'après le graphique ci dessus, je suppose que la ligne va près des points (3, 7) et (19, 1). Donc l'équation de régression serait y (ndash38) x 658. Très probablement, cependant, vous ferez des régressions dans votre calculatrice. Faire des régressions correctement est un processus difficile et technique, mais votre calculatrice graphique a été programmé avec les formules nécessaires et a la mémoire pour crunch les nombreux nombres. La calculatrice vous donnera une ligne de régression quotchequot. Si vous travaillez à la main, vous et vos camarades recevrez des réponses légèrement différentes si vous utilisez des calculatrices, vous obtiendrez tous la même réponse. (Consultez le manuel de votre propriétaire ou les sites Web de la calculatrice pour des informations spécifiques sur la façon de faire des régressions avec votre modèle de calculatrice particulier.) Si vous êtes censé signaler comment quotgoodquot une régression donnée est, puis trouver comment trouver le quotrquot, quotr 2 quot. Andor quotR 2 quot valeurs dans votre calculatrice. Ces outils de diagnostic mesurent le degré auquel l'équation de régression correspond au diagramme de dispersion. Plus les valeurs de corrélation sont proches de 1 (ou de ndash1), plus l'équation de régression correspond à la valeur des données. Si la valeur de corrélation est supérieure à 0,8 ou inférieure à ndash0,8. Le match est jugé assez bon si la valeur est comprise entre ndash0.5 et 0.5. Le match est jugé assez pauvre et une valeur de corrélation proche de zéro signifie que vous plaisantez vous même si vous pensez theres vraiment une relation du type que vous recherchez. (Il devrait y avoir des instructions, quelque part dans votre manuel du propriétaire, pour trouver ces informations.) Lorsque vous faites une régression, vous essayez de trouver la ligne quotbest fitquot aux données, et les numéros de corrélation vous aider à dire combien votre quotfitquot est bon. Compte tenu des valeurs de données suivantes, trouvez les lignes de régression linéaire et cubique. Dites quelle régression est un meilleur ajustement, et pourquoi. (23), (17), (20, 107), (22, 32), (13, 51), , 120), (23, 131), (27, 182) Après avoir branché ces valeurs dans l'utilitaire STAT de ma calculatrice, je peux faire une régression linéaire: et une régression cubique: Copie Copyright Elizabeth Stapel 2005 2011 Tous droits réservés La ligne est un peu curviligne sur le nuage de points, donc c'est raisonnable que la ligne courbée, la cubique 0.000829 x 3 0.23 x 2 ndash 1.09 x 24.60. Est un meilleur ajustement aux points de données que le modèle linéaire linéaire y 6.03 x ndash 10.64. Comme la valeur de corrélation est plus proche de 1 pour le cubique et que le graphe du modèle cubique est plus proche des points, l'équation cubique y 0.000829 x 3 0.23 x 2 ndash 1.09 x 24.60 est la meilleure régression. Vous ne devriez pas s'attendre, d'ailleurs, toujours à obtenir des valeurs de corrélation qui sont proches de quot1quot. Si on vous dit de trouver, par exemple, l'équation de régression linéaire pour un ensemble de données, et le facteur de corrélation est proche de zéro, cela ne signifie pas que vous avez trouvé l'équation linéaire quotwrongquot, cela signifie seulement qu'une équation linéaire n'était probablement pas un bon modèle pour les données. Un modèle quadratique, par exemple, aurait pu être meilleur. Citez cet article comme: Stapel, Elizabeth. QuotScatterplots et régressions. quot Purplemath. Disponible chez purplemathmodulesscattreg3.htm. Date d'accès Mois 2016
No comments:
Post a Comment