Terug naar les

Docentenhandleiding: Inleiding tot regressie

Leer hoe je de best passende lijn door datapunten vindt en voorspellingen maakt met lineaire regressie.

Les presenterenDelen in ClassroomStudentpagina bekijken

Gebruik deze les in de klas

Gratis, leerlingen hebben geen account nodig.

Delen met leerlingen

Leerlingen openen de les en oefenen met directe feedback.

Werkblad om te printen

Alle oefenopgaven op papier, met een apart antwoordblad.

Werkblad Antwoorden

Klassenquiz

10 vragen over Regressie. Leerlingen doen mee met een naam, jij ziet alle scores.

Voor docenten

Leerdoelen
  • Lineaire regressie definiëren en het doel ervan uitleggen
  • De helling van een lijn berekenen uit twee punten
  • De vergelijking van een regressielijn schrijven in de vorm y=mx+by = mx + b
  • Een regressievergelijking gebruiken om voorspellingen te doen
  • De betekenis van helling en y-snijpunt interpreteren in praktijkcontexten
Vereisten
  • • Begrip van coördinatenvlakken en het tekenen van punten
  • • Vermogen om de helling te berekenen met stijging over verloop
  • • Vertrouwdheid met lineaire vergelijkingen in helling-snijpuntvorm
  • • Basisbegrip van spreidingsdiagrammen
Discussiestarters
  • 1. Waarom zou het onbetrouwbaar kunnen zijn om ver in de toekomst te voorspellen met een regressielijn?
  • 2. Kun je twee variabelen in je leven bedenken die een lineaire relatie zouden kunnen hebben?
  • 3. Wat is het verschil tussen correlatie en causaliteit? Geef een voorbeeld.
  • 4. Hoe zouden bedrijven regressie kunnen gebruiken om beslissingen te nemen?
Veelvoorkomende misvattingen

De regressielijn moet door elk datapunt gaan

Herstel: Toon voorbeelden waar punten verspreid zijn rond de lijn. Leg uit dat de lijn de totale fout minimaliseert, niet individuele fouten.

Een hogere helling betekent altijd een betere relatie

Herstel: Verduidelijk dat de helling de veranderingssnelheid beschrijft, niet de sterkte. Een zachte helling met strakke clustering is beter dan een steile helling met verspreide punten.

DifferentiatieIdeeën

Voor leerlingen met moeite:

  • • Begin met data die perfect op een lijn ligt voordat spreiding wordt geïntroduceerd
  • • Gebruik aanvankelijk alleen positieve hellingen
  • • Bied referentiekaarten voor de hellingsformule
  • • Gebruik concrete, herkenbare voorbeelden (lengte vs. schoenmaat)

Voor leerlingen op niveau:

  • • Werk met realistische verspreide data
  • • Neem negatieve hellingen op (inverse relaties)
  • • Oefen zowel het vinden van vergelijkingen als het doen van voorspellingen
  • • Analyseer de betekenis van de helling in context

Voor gevorderde leerlingen:

  • • Introduceer het concept van residuen
  • • Bespreek interpolatie vs. extrapolatie
  • • Verbind met de correlatiecoëfficiënt (rr)
  • • Werk met technologie om regressielijnen te fitten aan grotere datasets
Standaarduitlijning
  • HSS.ID.B.6 (CCSS.MATH.CONTENT.HSS.ID.B.6)

    Data over twee kwantitatieve variabelen weergeven in een spreidingsdiagram en beschrijven hoe de variabelen gerelateerd zijn

  • HSS.ID.B.6.C (CCSS.MATH.CONTENT.HSS.ID.B.6.C)

    Een lineaire functie fitten voor een spreidingsdiagram dat een lineaire associatie suggereert

  • HSS.ID.C.7 (CCSS.MATH.CONTENT.HSS.ID.C.7)

    De helling en het snijpunt van een lineair model interpreteren in de context van de data

Lesbronnen
  • visualInteractieve regressie-plotter

    Leerlingen plaatsen punten en zien de best passende lijn automatisch aanpassen

  • activityEchte data-analyse

    Echte datasets analyseren en voorspellingen doen met regressie

  • worksheetRegressie-oefeningen

    Hellingen berekenen, vergelijkingen vinden en voorspellingen doen

Lesinhoud

Alles wat leerlingen zien: definitie, voorbeelden, veelgemaakte fouten, toepassingen. Tik om te openen.

Definitie

Lineaire regressie is een statistische methode om de rechte lijn te vinden die het beste past bij een verzameling datapunten. Deze lijn wordt de best passende lijn of regressielijn genoemd.
De vergelijking van een regressielijn is:
y=mx+by = mx + b
waarbij:
  • mm de helling is (hoe steil de lijn is)
  • bb het y-snijpunt is (waar de lijn de y-as snijdt)
  • xx de invoervariabele is (onafhankelijke variabele)
  • yy de voorspelde uitvoer is (afhankelijke variabele)
Het doel van regressie is om de totale afstand tussen de datapunten en de lijn te minimaliseren, zodat we voorspellingen kunnen doen voor nieuwe waarden van xx.

Uitgewerkte voorbeelden

Een studie toont aan dat voor elk extra uur studeren de testscores met 5 punten stijgen. Als een student die 0 uur studeert 50 punten scoort, wat is de regressievergelijking?
1

De helling identificeren

Score stijgt met 5 punten per uur studeren → m=5m = 5
2

Het y-snijpunt identificeren

Wanneer x=0x = 0 uur, is de score 50 punten → b=50b = 50
3

De vergelijking schrijven

Vul m=5m = 5 en b=50b = 50 in y=mx+by = mx + b in → y=5x+50y = 5x + 50

Veelgemaakte fouten

De volgorde van aftrekking in de hellingsformule verwarren

Waarom het fout is: Het gebruik van x2−x1y2−y1\frac{x_2 - x_1}{y_2 - y_1} in plaats van y2−y1x2−x1\frac{y_2 - y_1}{x_2 - x_1} geeft het omgekeerde van de juiste helling.

Correct: Onthoud: helling is 'stijging over verloop' - de verandering in yy (verticaal) gedeeld door de verandering in xx (horizontaal).

Te ver buiten de data extrapoleren

Waarom het fout is: De regressielijn is alleen betrouwbaar binnen het bereik van je data. Voorspellen ver buiten dit bereik kan leiden tot onrealistische resultaten.

Correct: Wees voorzichtig met voorspellingen voor xx-waarden die veel groter of kleiner zijn dan je oorspronkelijke datapunten.

Aannemen dat correlatie causaliteit betekent

Waarom het fout is: Alleen omdat twee variabelen gerelateerd zijn (gecorreleerd) betekent niet dat de ene de andere veroorzaakt.

Correct: Regressie toont relaties, maar aanvullende analyse is nodig om causaliteit vast te stellen.

Waarom het belangrijk is

Lineaire regressie is een van de meest gebruikte hulpmiddelen in datawetenschap en statistiek:
  • Zakelijk: Verkoop voorspellen op basis van advertentie-uitgaven
  • Geneeskunde: Medicijndosering schatten op basis van patiëntgewicht
  • Economie: BBP-groei voorspellen uit verschillende indicatoren
  • Sport: Prestaties van atleten projecteren uit trainingsmetrieken
  • Wetenschap: Relaties tussen variabelen modelleren in experimenten
Het begrijpen van regressie helpt je om datagestuurde beslissingen te nemen en voorspellingen te doen op basis van echt bewijs in plaats van giswerk.

Toepassingen in de echte wereld

Huizenprijzen voorspellen

Vastgoedanalisten gebruiken regressie om huiswaarden te schatten op basis van factoren zoals vierkante meters, aantal slaapkamers en locatie.

Voorbeeld:

Als huizen voor ongeveer €1500 per vierkante meter verkopen met een basisprijs van €50000, zou de vergelijking y=1500x+50000y = 1500x + 50000 kunnen zijn, waarbij xx het aantal vierkante meters is.

1Probeer het zelf

Een vastgoedmodel toont: y=2000x+30000y = 2000x + 30000, waarbij xx het aantal vierkante meters is en yy de prijs in euro.

Wat is de voorspelde prijs voor een huis van 150 vierkante meter?

Stap 1: Schrijf de wiskundige uitdrukking

Vul x=150x = 150 in de vergelijking in:

Brandstofefficiëntie-analyse

Auto-ingenieurs gebruiken regressie om te begrijpen hoe het voertuiggewicht het brandstofverbruik beïnvloedt.

Voorbeeld:

Data zou kunnen tonen dat de brandstofefficiëntie met 0,005 km/L afneemt voor elke kilogram extra gewicht.

2Probeer het zelf

Een automodel toont: y=−0,01x+25y = -0,01x + 25, waarbij xx het gewicht in kg is en yy de efficiëntie in km/L.

Welke efficiëntie wordt voorspeld voor een auto van 1200 kg?

Stap 1: Schrijf de wiskundige uitdrukking

Bereken: y=−0,01(1200)+25y = -0,01(1200) + 25

Belangrijke punten

  • 1Lineaire regressie vindt de lijn die het beste past bij een verzameling datapunten
  • 2De regressievergelijking is y=mx+by = mx + b, waarbij mm de helling is en bb het y-snijpunt
  • 3De helling wordt berekend als m=y2−y1x2−x1m = \frac{y_2 - y_1}{x_2 - x_1} (stijging over verloop)
  • 4Zodra je de vergelijking hebt, kun je voorspellingen doen door waarden voor xx in te vullen
  • 5Regressie toont correlatie, maar correlatie impliceert geen causaliteit

Veelgestelde vragen

Wat als mijn datapunten niet precies op een lijn vallen?

Echte data valt zelden perfect op een lijn. De regressielijn minimaliseert de totale kwadratische afstand van alle punten tot de lijn. Sommige punten zullen boven de lijn liggen, sommige eronder - dat is normaal!

Hoe weet ik of mijn regressielijn een goede fit is?

De R2R^2-waarde (determinatiecoëfficiënt) meet hoe goed de lijn past. Deze varieert van 0 tot 1 - hogere waarden betekenen een betere fit. Je leert hier meer over in de les over correlatie.

Kan regressie worden gebruikt voor niet-lineaire relaties?

Lineaire regressie werkt alleen voor rechte-lijnrelaties. Voor gebogen relaties heb je polynomiale regressie of andere geavanceerde methoden nodig.

Woordenlijst

Lineaire regressie
Een statistische methode om de best passende rechte lijn door datapunten te vinden
Best passende lijn
De rechte lijn die de afstand tussen zichzelf en alle datapunten minimaliseert
Helling
De steilheid van de lijn, die de veranderingssnelheid voorstelt (mm in y=mx+by = mx + b)
Y-snijpunt
Het punt waar de lijn de y-as snijdt (bb in y=mx+by = mx + b)
Voorspelling
De regressievergelijking gebruiken om yy te schatten voor een gegeven waarde van xx
Onafhankelijke variabele
De invoervariabele (xx) die we gebruiken om voorspellingen te doen
Afhankelijke variabele
De uitvoervariabele (yy) die we proberen te voorspellen

Meer over dit onderwerp

Lineaire regressie

Gevorderd25 min

Spreidingsdiagrammen

Gemiddeld25 min

Lijn van beste passing

Gemiddeld25 min

Voorspellingen doen met data

Gemiddeld25 min