Matematikk R1 · Modellering og reelle datasett Veve datapunkter, modellkurver, residualer og validering sammen til én etterprøvbar beslutning. Her lærer du ikke bare å finne en regresjonsfunksjon – du lærer å avgjøre om modellen fortjener å bli brukt. Utforsk 120 arbeidsflyter Åpne modelljuryen 120 arbeidsflyter 10…
Faglig kvalitetssikret av lærere og toppstudenter · Følger læreplanen (LK20) · Sist oppdatert 2026-07-29
Matematikk R1 · Modellering og reelle datasett
Veve datapunkter, modellkurver, residualer og validering sammen til én etterprøvbar beslutning. Her lærer du ikke bare å finne en regresjonsfunksjon – du lærer å avgjøre om modellen fortjener å bli brukt.
Utforsk 120 arbeidsflyterÅpne modelljuryen120arbeidsflyter
10modellområder
120/120kodekontroller
24FAQ-svar Lineær kandidat Eksponentiell kandidat Logistisk kandidat Validering og residualer
StartModellvalg120 arbeidsflyterModelljurySetningsstartereFeilklinikkFAQR1-lenkerFra datapunkt til beslutning
En god modell er mer enn en kurve som ser riktig ut
R1 krever arbeid med reelle datasett, eksponentiell og logistisk vekst og analyse av egne modeller. Derfor må modellarbeidet vise både matematisk tilpasning og kritisk vurdering.
Læreplanforankring: Siden støtter kompetanse i selvstendig arbeid med reelle datasett, analyse og presentasjon av funn, bruk av derivasjon på egne modeller og modellering av eksponentiell og logistisk vekst. Arbeidsflytene er nye Ifingo-eksempler, ikke offisielle eksamensoppgaver.
1. Form før treffVelg kandidater som gir mening i situasjonen. En lav feil kan ikke gjøre en umulig modell faglig riktig.
2. Residualer før rangeringSe hvordan modellen bommer. Systematiske restmønstre avslører struktur som ett samlet treffmål kan skjule.
3. Validering før prognoseEn modell må vise at den fungerer på mer enn punktene som bestemte parameterne, særlig når den brukes til prognose. …