Guida per l'insegnante: Problemi sulla regressione

Risolvi problemi completi di regressione: interpretare pendenza e intercetta nel contesto, prevedere, riconoscere l'estrapolazione, calcolare residui e spiegare r e R².

Presenta lezioneVisualizza pagina studente

Usa questa lezione in classe

Gratis, senza account per gli studenti.

Condividi con gli studenti

Gli studenti aprono la lezione e si esercitano con correzione immediata.

Scheda da stampare

Tutti gli esercizi su carta, con le soluzioni a parte.

Scheda di esercizi Soluzioni

Quiz di classe

10 domande su Regressione. Gli studenti partecipano con un nome, tu vedi tutti i punteggi.

Per gli insegnanti

Obiettivi di apprendimento

Interpretare pendenza e intercetta di una retta di regressione nel contesto e con le unità di un problema
Usare un'equazione di regressione per fare previsioni e classificarle come interpolazione o estrapolazione
Calcolare e interpretare i residui come valore osservato meno valore previsto
Calcolare la retta dei minimi quadrati per un piccolo insieme di dati e usarla in un problema completo
Spiegare r e R² nel contesto senza affermare un rapporto di causalità

Prerequisiti

• Diagrammi di dispersione e retta di migliore approssimazione
• Fare previsioni con una retta di regressione
• Residui e coefficiente di determinazione R²
• Coefficiente di correlazione (r)

Spunti di discussione

1. Un modello prevede un punteggio di 120 su 100. Che cosa è andato storto, il calcolo o l'uso del modello?
2. Quando l'intercetta ha senso, e quando è solo un numero che posiziona la retta?
3. Due studenti hanno entrambi un residuo di 4 punti. Sono andati ugualmente bene nel test?
4. Un modello ha R² = 0,9. Significa che la temperatura spinge le persone a comprare meno bevande calde? Che altro potrebbe succedere?

Idee sbagliate comuni

La pendenza dice esattamente di quanto aumenta y per ogni x

Rimedio: Mostra il diagramma di dispersione: i punti sono sparsi attorno alla retta. Pretendi le parole "previsto" o "in media" in ogni interpretazione della pendenza.

Un'equazione di regressione funziona per qualsiasi valore di x

Rimedio: Sostituisci un valore molto lontano dai dati (12 ore di studio, 50 °C) e fai giudicare alla classe il risultato impossibile. Segna l'intervallo dei dati sull'asse x prima di ogni previsione.

R² è la percentuale di punti vicini alla retta

Rimedio: Calcola R² = 1 - SS_res/SS_tot con la classe, così si vede che si confronta la variabilità rimasta con quella totale e non si contano punti.

Idee di differenziazione

Per studenti in difficoltà:

• Dare l'equazione di regressione e lavorare solo su previsioni e frasi di interpretazione
• Usare frasi guida: "Per ogni ___ in più, il valore previsto di ___ cambia di ___"
• Segnare l'intervallo dei dati sul diagramma di dispersione prima di prevedere

Per studenti a livello:

• Calcolare la retta dei minimi quadrati per 4 o 5 punti con medie intere
• Calcolare i residui di più punti e dire quali sono sovrastimati o sottostimati
• Spiegare R² in una frase completa con le unità del problema

Per studenti avanzati:

• Dimostrare che la retta di regressione passa sempre per il punto delle medie
• Confrontare due modelli per gli stessi dati tramite R² e residui
• Trovare un insieme di dati reale online, adattare una retta con la tecnologia e scrivere un rapporto critico sui suoi limiti

Allineamento agli standard

HSS.ID.B.6 (CCSS.MATH.CONTENT.HSS.ID.B.6)
Rappresentare dati di due variabili quantitative in un diagramma di dispersione e descrivere come sono legate
HSS.ID.B.6.B (CCSS.MATH.CONTENT.HSS.ID.B.6.B)
Valutare in modo informale l'adattamento di una funzione rappresentando e analizzando i residui
HSS.ID.C.7 (CCSS.MATH.CONTENT.HSS.ID.C.7)
Interpretare la pendenza (tasso di variazione) e l'intercetta (termine noto) di un modello lineare nel contesto dei dati
HSS.ID.C.8 (CCSS.MATH.CONTENT.HSS.ID.C.8)
Calcolare (con la tecnologia) e interpretare il coefficiente di correlazione di un adattamento lineare
HSS.ID.C.9 (CCSS.MATH.CONTENT.HSS.ID.C.9)
Distinguere tra correlazione e causalità

Risorse della lezione

visualDiagrammi di dispersione interattivi
Due insiemi di dati con la retta di regressione, la sua equazione, r e il residuo del punto toccato
activityCarta d'identità di un modello
I gruppi ricevono un insieme di dati e scrivono un breve rapporto: pendenza, intercetta, un'interpolazione, un avviso di estrapolazione, un residuo e R²
worksheetLa regressione nel contesto
Problemi misti di scienze, sport ed economia con risposte in frasi complete

Contenuto della lezione

Tutto ciò che vedono gli studenti: definizione, esempi, errori comuni, applicazioni. Tocca per aprire.

Definizione

Un problema sulla regressione ti dà dati reali (o un'equazione di regressione già adattata ai dati) e ti chiede che cosa dice il modello sulla situazione. Ogni problema di questo tipo usa la stessa cassetta degli attrezzi:

\hat{y} = mx + b

**Pendenza $m$ nel contesto**: per ogni aumento di 1 unità di $x$ , il valore previsto di $y$ cambia di $m$ unità, in media.
**Intercetta $b$ nel contesto**: il valore previsto di $y$ quando $x = 0$ . Ha un significato reale solo se $x = 0$ ha senso ed è vicino ai dati.
Previsione: sostituisci $x$ nell'equazione per ottenere il valore previsto $\hat{y}$ .
Interpolazione o estrapolazione: una previsione per un $x$ all'interno dell'intervallo dei dati è un'interpolazione (di solito affidabile); fuori da quell'intervallo è un'estrapolazione (rischiosa).
Residuo: $e = y - \hat{y}$ (valore osservato meno valore previsto). Positivo significa che il punto sta sopra la retta.
r e R²: $r$ indica il verso e la forza della relazione lineare; $R^2 = r^2$ è la parte della variabilità di $y$ spiegata dalla relazione lineare con $x$ .

Una buona risposta usa sempre le unità e le parole del problema, non solo numeri.

Esempi svolti

Un bar ha annotato per cinque mattine la temperatura esterna

x

(in °C, da

0

20

) e il numero

y

di bevande calde vendute. La retta di regressione è

\hat{y} = 110 - 3x

. Interpreta la pendenza e l'intercetta.

Individuare pendenza e intercetta

\hat{y} = -3x + 110

, quindi

m = -3

b = 110

→

m = -3

b = 110

Interpretare la pendenza con le unità

Per ogni grado in più, il numero previsto di bevande calde cambia di

-3

→ Circa 3 bevande calde in meno per ogni grado in più, in media

Interpretare l'intercetta con le unità

Per

x = 0

°C il modello prevede

\hat{y} = 110 - 3 \cdot 0 = 110

→ Circa 110 bevande calde in una mattina a 0 °C

Controllare che l'intercetta abbia senso

0

°C è una temperatura reale ed è dentro l'intervallo dei dati, da

0

20

→ Qui l'intercetta ha un significato reale

Risposta: Pendenza: per ogni aumento di 1 °C, il modello prevede che il bar venda circa 3 bevande calde in meno. Intercetta: in una mattina a 0 °C il modello prevede circa 110 bevande calde, e questo ha senso perché 0 °C fa parte dei dati.

Errori comuni

Dare la pendenza come un numero nudo: "la pendenza è 6"

Perché è sbagliato: Un numero senza contesto non risponde alla domanda. La pendenza è un tasso di variazione: servono le unità e la parola "previsto" o "in media", perché i punti reali sono sparsi attorno alla retta.

Corretto: Di': "Per ogni ora di studio in più alla settimana, il punteggio previsto sale di circa 6 punti."

Fidarsi di una previsione molto lontana dai dati (estrapolazione)

Perché è sbagliato: La retta è stata adattata solo all'intervallo osservato. Fuori da esso l'andamento può cambiare e la retta può dare valori impossibili, come un punteggio di 120 su 100 o un numero di vendite negativo.

Corretto: Controlla prima l'intervallo di $x$ . Dentro: interpolazione. Fuori: estrapolazione, quindi di' che la previsione non è affidabile.

Calcolare il residuo al contrario: $\hat{y} - y$

Perché è sbagliato: Così il segno si inverte e "sopra la retta" diventa "sotto la retta". Per convenzione il residuo è valore osservato meno valore previsto.

Corretto: Usa sempre $e = y - \hat{y}$ : positivo significa che il modello ha sottostimato, negativo che ha sovrastimato.

Leggere $R^2 = 0{,}9$ come "il 90 % dei punti sta sulla retta" o "il modello ha ragione il 90 % delle volte"

Perché è sbagliato: $R^2$ misura quanta parte della variabilità di $y$ è spiegata dalla relazione lineare. Tutti i punti possono stare fuori dalla retta e $R^2$ può comunque valere 0,9.

Corretto: Di': "Il 90 % della variabilità di $y$ è spiegato dalla relazione lineare con $x$ ."

Perché è importante

La regressione è il modo in cui i dati diventano decisioni:

Negozi e bar prevedono quanta merce ordinare in base alle previsioni del tempo.
Le scuole studiano come il tempo di studio è legato ai risultati e quali studenti vanno meglio o peggio del previsto.
Medici e scienziati usano la regressione per stimare dosi, velocità di crescita e rischi.
Concessionari e banche stimano di quanto cala ogni anno il valore di un'auto.

In tutti questi casi, la parte difficile non è il calcolo ma l'interpretazione: dire che cosa significa la pendenza, sapere quando ci si può fidare di una previsione e spiegare quanto bene si adatta la retta. È proprio ciò che chiedono le verifiche e il mondo del lavoro, ed è ciò che allena questa lezione.

Applicazioni nel mondo reale

Laboratorio di biologia: la crescita di una pianta

Nel laboratorio di biologia si misura una piantina ogni settimana e si adatta una retta di regressione dell'altezza in funzione del tempo per descriverne la velocità di crescita.

Esempio:

Con $\hat{y} = 2{,}5x + 4$ (altezza in cm, $x$ in settimane, dati dalla settimana 0 alla settimana 8), la pendenza dice che la pianta cresce di circa 2,5 cm a settimana e l'intercetta che era alta circa 4 cm all'inizio delle misure.

1Provaci tu stesso

Il modello della classe è $\hat{y} = 2{,}5x + 4$ , con l'altezza $\hat{y}$ in cm e il tempo $x$ in settimane (dati dalla settimana 0 alla settimana 8).

Quale altezza prevede il modello alla settimana 6?

Passo 1: Scrivi l'espressione matematica

Sostituisci $x = 6$ nell'equazione:

Tempi di consegna di un negozio online

Le aziende di consegne modellano il tempo di consegna in base alla distanza per comunicare ai clienti un orario di arrivo e individuare i percorsi più lenti del previsto.

Esempio:

Con $\hat{y} = 12 + 3x$ (minuti, $x$ = distanza in km, dati da 1 a 10 km), per una consegna di 4 km si prevedono $12 + 12 = 24$ minuti.

2Provaci tu stesso

Il modello è $\hat{y} = 12 + 3x$ (tempo in minuti, $x$ = distanza in km). Una consegna di 6 km ha richiesto in realtà 33 minuti.

Qual è il residuo di questa consegna?

Passo 1: Scrivi l'espressione matematica

Residuo = tempo reale meno tempo previsto:

Test della batteria degli smartphone

Chi recensisce dispositivi mette in relazione il tempo di schermo con il consumo della batteria e indica quanto è forte il legame, così i lettori sanno quanto possono fidarsi della retta di regressione.

Esempio:

Se tempo di schermo e batteria consumata hanno $r = 0{,}8$ , allora $R^2 = 0{,}64$ : il 64 % della variabilità del consumo è spiegato dal tempo di schermo.

3Provaci tu stesso

In un test della batteria la correlazione tra la temperatura della stanza e la durata della batteria è $r = -0{,}9$ .

Quale percentuale della variabilità della durata della batteria è spiegata dalla relazione lineare con la temperatura della stanza?

Passo 1: Scrivi l'espressione matematica

Eleva r al quadrato e trasformalo in percentuale:

Punti chiave

1Interpreta la pendenza come un tasso con le unità: per ogni aumento di 1 di $x$ , il valore previsto di $y$ cambia di $m$ , in media
2L'intercetta è il valore previsto di $y$ per $x = 0$ ; ha significato solo se $x = 0$ ha senso ed è vicino ai dati
3Per prevedere, sostituisci $x$ in $\hat{y} = mx + b$ ; dentro l'intervallo dei dati è interpolazione, fuori è un'estrapolazione rischiosa
4Un residuo è valore osservato meno valore previsto, $e = y - \hat{y}$ : positivo sopra la retta, negativo sotto
5 $r$ indica verso e forza; $R^2 = r^2$ è la parte della variabilità di $y$ spiegata dalla retta
6Un buon adattamento mostra un legame, non una causa: rispondi sempre con le parole e le unità del problema

Domande frequenti

L'intercetta ha sempre un significato?

No. È il valore previsto di

y

per

x = 0

. Se

x = 0

è impossibile (una persona alta 0 cm) o molto lontano dai dati (una casa di 0 m²), l'intercetta è solo un numero che posiziona la retta, non qualcosa da interpretare.

Quanto lontano dai dati posso fare previsioni?

Non esiste una distanza sicura. Poco fuori dall'intervallo può ancora andare bene se l'andamento continua chiaramente, ma ogni estrapolazione va segnalata come incerta, e le previsioni lontane (o i valori impossibili) non vanno usate.

Qual è la differenza tra r e R²?

r

è compreso tra

-1

1

e indica il verso (segno) e la forza di una relazione lineare.

R^2 = r^2

è compreso tra

0

1

e dice quale parte della variabilità di

y

è spiegata dalla retta.

R^2

perde il segno, quindi guarda la pendenza per il verso.

Se R² è alto, allora x causa y?

Non necessariamente. Un

R^2

alto dice solo che la retta si adatta bene ai dati. Una variabile confondente o il caso possono creare l'andamento; solo un esperimento controllato può mostrare causa ed effetto.

Glossario

Valore previsto $\hat{y}$: Il valore di $y$ che la retta di regressione dà per un $x$ scelto
Pendenza nel contesto: La variazione prevista di $y$ , nelle unità di $y$ , per ogni aumento di 1 unità di $x$
Intercetta nel contesto: Il valore previsto di $y$ per $x = 0$ , sensato solo se $x = 0$ è realistico e vicino ai dati
Interpolazione: Prevedere $y$ per un $x$ all'interno dell'intervallo dei dati
Estrapolazione: Prevedere $y$ per un $x$ fuori dall'intervallo dei dati; spesso poco affidabile
Coefficiente di determinazione R²: La parte della variabilità di $y$ spiegata dalla relazione lineare con $x$ ; per una retta è uguale a $r^2$

Scheda formule

Retta di regressione

\hat{y} = mx + b

Sostituisci x per ottenere il valore previsto

Pendenza dei minimi quadrati

m = \frac{\sum(x-\bar{x})(y-\bar{y})}{\sum(x-\bar{x})^2}

Si calcola dagli scarti dalle medie

Intercetta dei minimi quadrati

b = \bar{y} - m\bar{x}

La retta passa sempre per il punto delle medie

Residuo

e = y - \hat{y}

Osservato meno previsto; positivo sopra la retta

Coefficiente di determinazione

R^2 = r^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}}

$SS_{\text{res}}$ è la somma dei quadrati dei residui, $SS_{\text{tot}}$ la somma dei quadrati degli scarti di y dalla sua media

Altro su questo argomento

Guida per l'insegnante: Problemi sulla regressione

Usa questa lezione in classe

Per gli insegnanti

Per studenti in difficoltà:

Per studenti a livello:

Per studenti avanzati:

Contenuto della lezione

Definizione

Esempi svolti

Errori comuni

Perché è importante

Applicazioni nel mondo reale

Laboratorio di biologia: la crescita di una pianta

Tempi di consegna di un negozio online

Test della batteria degli smartphone

Punti chiave

Domande frequenti

Glossario

Scheda formule

Retta di regressione

Pendenza dei minimi quadrati

Intercetta dei minimi quadrati

Residuo

Coefficiente di determinazione

Altro su questo argomento

Introduzione alla regressione

Regressione lineare

Diagrammi di dispersione

Retta di migliore approssimazione