검색어: gekwadrateerde (네덜란드어 - 영어)

gekwadrateerde correlatiecoëfficiënt
index of determination

e6: de som van de gekwadrateerde afwijking van de geschatte y-waarden uit hun lineaire gemiddelde.
e6: the sum of the squared deviation of the estimated y values from their linear mean.

f6: de som van de gekwadrateerde afwijking van de geschatte y-waarde uit de gegeven y-waarden.
f6: the sum of the squared deviation of the estimated y value from the given y values.

in de praktijk wordt de normale verdeling vaak geparameteriseerd in termen van de "gekwadrateerde" schaalparameter formula_4, die de variantie van de verdeling is.
in practice the normal distribution is often parameterized in terms of the "squared" scale formula_13, which corresponds to the variance of the distribution.

@function=logfit @syntax=logfit(y_bekend;x_bekend) @description=logfit gebruikt de ``kleinste kwadraten'' methode om een logarithmische functie y = a + b * ln(sign * (x - c)) , teken = +1 or -1 aan uw gegevens te fitten. de grafiek van de functie is een logarithmische kromme die horizontaal verschoven is over c en die mogelijk gespiegels is in de y-as (als teken = -1). logfit heeft als resultaat een array met vijf kolommen en één rij. `teken' wordt in de eerste kolom gegeven, `a', `b', en `c' worden gegeven in kolommen 2 tot en met 4. kolom 5 bevat de som van de gekwadrateerde residuen. * als er minder dan drie verschillende x,y waarden zijn wordt er een foutmelding gegeven. * als de puntenwolk te afwijkend is van de logaritmische vorm wordt er een foutmelding gegeven. u kunt bovenstaande formule: y = a + b * ln(sign * (x - c)) gebruiken of deze herschikken tot x = (exp((y - a) / b)) / sign + c om onbekende waarden van respectievelijk y of x te vinden. to compute unknown y's or x's, respectively. technisch gesproken is dit non-lineair fitten door middel van 'trial-and-error' (proefondervindelijk). de nauwkeurigheid van `c' is: breedte van het x-bereik -> afgerond naar het eerst kleinere (10^geheel getal), keer 0,000001. er kunnen situaties zijn waarin de resultante kromme niet de best mogelijke is. @examples= @seealso=logreg,linest,logest
@function=logfit @syntax=logfit(known_y's,known_x's) @description=logfit function applies the ``least squares'' method to fit the logarithmic equation y = a + b * ln(sign * (x - c)) , sign = +1 or -1 to your data. the graph of the equation is a logarithmic curve moved horizontally by c and possibly mirrored across the y-axis (if sign = -1). logfit returns an array having five columns and one row. `sign' is given in the first column, `a', `b', and `c' are given in columns 2 to 4. column 5 holds the sum of squared residuals. an error is returned when there are less than 3 different x's or y's, or when the shape of the point cloud is too different from a ``logarithmic'' one. you can use the above formula = a + b * ln(sign * (x - c)) or rearrange it to = (exp((y - a) / b)) / sign + c to compute unknown y's or x's, respectively. technically, this is non-linear fitting by trial-and-error. the accuracy of `c' is: width of x-range -> rounded to the next smaller (10^integer), times 0.000001. there might be cases in which the returned fit is not the best possible. @examples= @seealso=logreg,linest,logest