Docentenhandleiding: Lineaire regressie
Leer hoe je de beste rechte lijn voor data vindt en deze gebruikt om voorspellingen te doen.
Gebruik deze les in de klas
Gratis, leerlingen hebben geen account nodig.
Delen met leerlingen
Leerlingen openen de les en oefenen met directe feedback.
Klassenquiz
10 vragen over Regressie. Leerlingen doen mee met een naam, jij ziet alle scores.
Voor docenten
- Het concept van lineaire regressie en beste rechte lijn begrijpen
- Richtingscoëfficiënt en snijpunt berekenen met de kleinste-kwadratenmethode
- De betekenis van richtingscoëfficiënt en snijpunt in context interpreteren
- De regressievergelijking gebruiken om voorspellingen te doen
- Beperkingen van lineaire regressie herkennen, inclusief extrapolatierisico's
- • Begrip van spreidingsdiagrammen en correlatie
- • Kennis van lineaire vergelijkingen in de vorm y = mx + b
- • Basisbegrip van gemiddelde en somnotatie
- • Vertrouwdheid met coördinaatgrafieken
- 1. Waarom denk je dat de methode 'kleinste kwadraten' heet? Wat maken we 'kleinst'?
- 2. Kun je een echte situatie bedenken waarin twee variabelen gerelateerd zijn maar de ene de andere niet veroorzaakt?
- 3. Wanneer zou het gevaarlijk zijn om een regressielijn ver buiten je data te extrapoleren?
- 4. Hoe zou je beslissen of lineaire regressie een goede fit is voor je data?
De regressielijn moet door minstens twee datapunten gaan
Een sterke correlatie betekent dat we perfect kunnen voorspellen
Het snijpunt heeft altijd een betekenisvolle interpretatie
Voor leerlingen met moeite:
- • Beginnen met eenvoudige datasets (3-4 punten) met makkelijke getallen
- • Grafische technologie bieden om regressie automatisch te berekenen
- • Focussen op interpretatie vóór berekening
- • Visuele representaties gebruiken om te laten zien wat 'beste fit' betekent
Voor leerlingen op niveau:
- • Regressie met de hand berekenen voor kleine datasets
- • Voorspellingen doen en vergelijken met werkelijke waarden
- • Residuen analyseren om de kwaliteit van de fit te evalueren
- • Regressie toepassen op scenario's uit de echte wereld
Voor gevorderde leerlingen:
- • De afleiding van de kleinste-kwadratformules verkennen
- • De determinatiecoëfficiënt () berekenen en interpreteren
- • Regressielijnen van verschillende datasets vergelijken
- • Onderzoeken wanneer residugrafieken een slechte lineaire fit aangeven
- 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 aan een spreidingsdiagram dat een lineaire associatie suggereert
- HSS.ID.C.7 (CCSS.MATH.CONTENT.HSS.ID.C.7)
De richtingscoëfficiënt en het snijpunt van een lineair model interpreteren in de context van de data
- visualInteractieve regressietool
Leerlingen plotten punten en zien de beste rechte lijn in real-time berekend
- activityDataverzamelingsproject
Echte data verzamelen (lengte vs. armspanwijdte, studietijd vs. cijfers) en regressielijnen vinden
- worksheetRegressieberekeningsoefening
Oefenen met het berekenen van richtingscoëfficiënt, snijpunt en het doen van voorspellingen
Lesinhoud
Alles wat leerlingen zien: definitie, voorbeelden, veelgemaakte fouten, toepassingen. Tik om te openen.
Lesinhoud
Alles wat leerlingen zien: definitie, voorbeelden, veelgemaakte fouten, toepassingen. Tik om te openen.
Definitie
- de richtingscoëfficiënt is (hoeveel verandert voor elke toename van één eenheid in )
- het snijpunt is (de waarde van wanneer )
Uitgewerkte voorbeelden
Een koffiebar registreert de dagelijkse temperatuur (°C) en de verkoop van ijskoffie: | Temperatuur | Verkoop | |-------------|--------| | 15 | 20 | | 20 | 35 | | 25 | 45 | | 30 | 60 | | 35 | 70 | Vind de vergelijking van de regressielijn.
Bereken de gemiddelden
→ ,
Bereken de richtingscoëfficiënt met de formule
Teller: Noemer: →
Bereken het snijpunt
→
Schrijf de regressievergelijking
→ Regressielijn:
Antwoord: De regressielijn is . Dit betekent dat voor elke temperatuurstijging van 1°C, de verkoop van ijskoffie met ongeveer 2,5 eenheden stijgt.
Veelgemaakte fouten
Aannemen dat de regressielijn door alle datapunten gaat
Waarom het fout is: De beste rechte lijn minimaliseert de totale fout maar gaat zelden door elk punt. Punten boven en onder de lijn zijn normaal.
Correct: Begrijp dat de regressielijn de algemene trend vertegenwoordigt, niet de individuele datapunten.
De regressievergelijking gebruiken voor extrapolatie ver buiten het databereik
Waarom het fout is: De relatie geldt mogelijk niet buiten het bereik van de geobserveerde data. Voorspellen ver buiten je data kan onrealistische resultaten geven.
Correct: Wees voorzichtig bij het voorspellen voor x-waarden ver buiten je databereik. Merk op wanneer je extrapoleert.
Correlatie verwarren met causaliteit
Waarom het fout is: Een sterke lineaire relatie betekent niet dat de ene variabele veranderingen in de andere veroorzaakt. Er kunnen andere factoren meespelen.
Correct: Gebruik regressie om relaties te beschrijven en voorspellingen te doen, maar wees voorzichtig met causaliteitsclaims.
Vergeten te controleren of een lineair model geschikt is
Waarom het fout is: Niet alle data volgt een lineair patroon. Lineaire regressie gebruiken op niet-lineaire data geeft misleidende resultaten.
Correct: Plot altijd eerst je data. Als het spreidingsdiagram een curve toont, is lineaire regressie mogelijk niet de beste keuze.
Waarom het belangrijk is
- Bedrijfsleven: Verkoop voorspellen op basis van advertentie-uitgaven of prijsveranderingen
- Wetenschap: Relaties tussen variabelen in experimenten modelleren
- Geneeskunde: Patiëntresultaten voorspellen op basis van behandelingsgegevens
- Economie: Economische indicatoren voorspellen op basis van historische trends
- Sport: Prestaties van spelers analyseren en toekomstige statistieken voorspellen
Toepassingen in de echte wereld
Huizenprijzen voorspellen
Vastgoedanalisten gebruiken lineaire regressie om huizenprijzen te schatten op basis van kenmerken zoals vierkante meters, aantal slaapkamers of afstand tot het centrum.
Voorbeeld:
Als waarbij vierkante meters is en de prijs in euro, zou een appartement van 100 m² ongeveer 150(100) + 50000 = 65000 euro kosten.
Een vastgoedmodel toont: Prijs = 200x + 30000 (waarbij x = vierkante meters).
Welke prijs zou je voorspellen voor een appartement van 120 m²?
Stap 1: Schrijf de wiskundige uitdrukking
Vul in de vergelijking in:
Brandstofefficiëntie-analyse
Auto-ingenieurs gebruiken regressie om te begrijpen hoe het gewicht van een auto het brandstofverbruik beïnvloedt.
Voorbeeld:
Als verbruik (L/100km) = 0,004 × gewicht (kg) + 2, zou een auto van 1500 kg 0,004(1500) + 2 = 8 L/100km verbruiken.
De data van een autofabrikant toont: Brandstof = 0,005g + 1,5 (waarbij g = gewicht in kg).
Voorspel het brandstofverbruik voor een voertuig van 1200 kg.
Stap 1: Schrijf de wiskundige uitdrukking
Bereken:
Zakelijke verkoopprognose
Bedrijven gebruiken regressie om toekomstige verkoop te voorspellen op basis van advertentie-uitgaven, waardoor ze marketingbudgetten effectief kunnen toewijzen.
Voorbeeld:
Als maandelijkse verkoop = 3 × advertentie-uitgaven + 10000, voorspelt 5000 euro uitgeven aan reclame een verkoop van 3(5000) + 10000 = 25000 euro.
Het model van een bedrijf: Verkoop = 4 × ReclameBudget + 8000.
Als ze 3000 euro aan reclame uitgeven, welke verkoop kunnen ze verwachten?
Stap 1: Schrijf de wiskundige uitdrukking
Bereken de voorspelde verkoop:
Belangrijke punten
- 1Lineaire regressie vindt de lijn die het beste past bij een verzameling datapunten
- 2De vergelijking van de regressielijn is waarbij de richtingscoëfficiënt is en het snijpunt
- 3De richtingscoëfficiënt geeft aan hoeveel verandert voor elke toename van één eenheid in
- 4Het snijpunt is de voorspelde waarde van wanneer
- 5Gebruik regressie om voorspellingen te doen, maar wees voorzichtig met extrapoleren ver buiten je data
Veelgestelde vragen
Wat als mijn data er niet lineair uitziet?
Kan regressie bewijzen dat het ene het andere veroorzaakt?
Wat is een residu?
Woordenlijst
- Lineaire regressie
- Een statistische methode om de rechte lijn te vinden die het beste past bij een verzameling datapunten
- Beste rechte lijn
- De regressielijn die de som van de gekwadrateerde residuen minimaliseert
- Richtingscoëfficiënt
- De veranderingssnelheid; hoeveel toeneemt voor elke toename van één eenheid in
- Snijpunt
- De waarde van wanneer ; waar de lijn de y-as kruist
- Residu
- Het verschil tussen een werkelijk datapunt en de voorspelde waarde op de regressielijn
- Kleinste kwadraten
- De methode die de lijn vindt die de som van de gekwadrateerde residuen minimaliseert
- Extrapolatie
- Een regressievergelijking gebruiken om waarden te voorspellen buiten het bereik van de oorspronkelijke data
Formulekaart
Regressielijn
De vergelijking van de beste rechte lijn met richtingscoëfficiënt m en snijpunt b
Formule richtingscoëfficiënt
Bereken de richtingscoëfficiënt met de datapunten en gemiddelden
Snijpunt
Bereken het snijpunt met de richtingscoëfficiënt en gemiddelden
Residu
Het verschil tussen de werkelijke en voorspelde waarde