Reelle datasett, regresjon og modellvalg

Hopp til hovedinnholdMatematikk › R2 › Kapittel 16 Matematikk R2 – Kapittel 16

Bygg modeller som kan etterprøves. Kapitlet går fra rådata og spredningsdiagram til regresjon, residualer, feilmål, sammensatte modeller, Python, GeoGebra og kritisk tolkning av hva modellen faktisk kan brukes til.

400 dybdespor 56 SVG-visualiseringer 1750 originale oppgaver 1750 modelløsninger Modellering er en arbeidsprosess: dataene visualiseres, en funksjon tilpasses, og avvikene undersøkes før modellen tolkes. Læringsmål og faglig avgrensning

Hva skal du mestre?

Undersøke data

Strukturere, visualisere og kritisk vurdere målinger, enheter, variasjon og avvik.

Velge modell

Sammenligne funksjonstyper ut fra graf, mekanisme, residualer, enkelhet og formål.

Tilpasse og tolke

Gjennomføre regresjon og forklare parametere, feilmål og gyldighetsområde.

Dokumentere

Presentere GeoGebra- og Python-arbeid slik at metode, resultater og begrensninger kan etterprøves.

Læreplanforankring: Kapitlet retter seg mot kompetansemålet om å gi eksempler på situasjoner som kan modelleres med ulike matematiske funksjoner, og å modellere og analysere slike situasjoner med reelle datasett. Se Udir MAT03-02.

Innhold

1. 1. Fra virkelighet til matematisk modell
2. 2. Hva er et reelt datasett?
3. 3. Uavhengig og avhengig variabel
4. 4. Enheter, skala og presisjon
5. 5. Rensing og strukturering av data
6. 6. Spredningsdiagrammet først
7. 7. Interpolasjon innenfor dataområdet
8. 8. Ekstrapolasjon utenfor dataområdet
9. 9. Lineær regresjon
10. 10. Andregradsmodell
11. 11. Tredjegradsmodell
12. 12. Eksponentiell modell
13. 13. Potensmodell
14. 14. Logistisk modell
15. 15. Trigonometrisk regresjon
16. 16. Velg modell ut fra form og mekanisme
17. 17. Tolk parametere i lineære modeller
18. 18. Tolk parametere i eksponentielle modeller
19. 19. Tolk parametere i logistiske modeller
20. 20. Tolk parametere i trigonometriske modeller
21. 21. Hva gjør regresjon?
22. 22. Minste kvadraters metode
23. 23. Residualer
24. 24. Residualplott
25. 25. Forklaringsgrad R²
26. 26. RMSE og MSE
27. 27. MAE og robust feiltolkning
28. 28. Overtilpasning
29. 29. Undertilpasning
30. 30. Treningsdata og testdata
31. 31. Modellens gyldighetsområde
32. 32. Måleusikkerhet og modellusikkerhet
33. 33. Avvikende observasjoner
34. 34. Transformasjoner og logaritmiske plott
35. 35. Tidsforskyvning og numerisk stabilitet
36. 36. Sammensatte modeller
37. 37. Lineær trend pluss periodisk variasjon
38. 38. Forskjell mellom eksponentialfunksjoner
39. 39. Stykkevise modeller
40. 40. Periodiske målinger: tidevann
41. 41. Sesongmodell for temperatur
42. 42. Trend og sesong i CO₂-data
43. 43. Metning i kjemiske målinger
44. 44. Potensmodell for motstand og diameter
45. 45. Måleserier fra pust og periodiske signaler
46. 46. Regresjon og dokumentasjon i GeoGebra
47. 47. Kurvetilpasning med Python
48. 48. Algoritmisk parametersøk
49. 49. Slik presenterer du et modellarbeid
50. 50. Selvstendig prosjekt og eksamensstrategi

1 Kjerne

Fra virkelighet til matematisk modell

En matematisk modell er en bevisst forenkling som kobler målbare størrelser med et funksjonsuttrykk.

En matematisk modell er en bevisst forenkling som kobler målbare størrelser med et funksjonsuttrykk. I et reelt modellarbeid må den matematiske formen knyttes til hvordan dataene ble samlet inn, hvilke størrelser som er målt, og hvilke spørsmål modellen skal besvare. Hvert trinn skal kunne begrunnes og etterprøves av en annen person.

Formelen situasjon → variabler → data → funksjon → kontroll → tolkning er derfor ikke bare et beregningsverktøy. Den uttrykker antakelser om form, skala og utvikling. Før parameterverdier tolkes, må du undersøke om grafen og residualene støtter antakelsene og om modellen brukes i et faglig forsvarlig intervall.

situasjon → variabler → data → funksjon → kontroll → tolkning

Metode trinn for trinn

En robust framgangsmåte er: Avgrens spørsmålet, navngi variablene, angi enheter og beskriv hvilke antakelser modellen bygger på. Avslutt med å sammenligne beregnede og observerte verdier, beskrive usikkerheten og formulere en konklusjon med riktig enhet og avgrensning.

Tolkning: Et modellresultat må oversettes til situasjonen med enhet, tidsrom og tydelig skille mellom observasjon og beregnet verdi. Vanlig feil: Ikke presenter et regresjonsuttrykk som om det var virkeligheten selv. Sensor ser etter: begrunnet modellvalg, korrekt digital dokumentasjon, parametertolkning, residualkontroll, gyldighetsområde og kritisk konklusjon. Fra virkelighet til matematisk modell: figuren viser data, modellstruktur eller kontroll som må tolkes sammen med teksten.

Arbeidseksempel 1: Fra virkelighet til matematisk modell

Situasjon: Seks målinger er gitt i samme enhet og tidsrekkefølge. Målet er å velge, tilpasse og vurdere en modell – ikke bare å få en kurve på skjermen.

0: 2.66 1: 4.43 2: 4.97 3: 4.56 4: 4.52 5: 5.77

1. Definer x- og y-variabel med enhet og praktisk betydning.
2. Tegn spredningsdiagram og beskriv form, retning, spredning og mulige avvik.
3. Velg en kandidatmodell med kjerneformen situasjon → variabler → data → funksjon → kontroll → tolkning.
4. Tilpass parameterne og skriv hele uttrykket med gyldighetsområde.
5. Beregn minst to residualer og vurder om modellen bommer systematisk.
6. Tolk resultatet i situasjonen og skriv én begrensning.

Kontrollspørsmål: Hva ville endret konklusjonen dersom siste målepunkt ble fjernet eller et nytt punkt kom til?

Intuisjon

En matematisk modell er en bevisst forenkling som kobler målbare størrelser med et funksjonsuttrykk. Spør først hvilken mekanisme eller regelmessighet dataene kan representere.

Data og representasjon

Lag tabell og spredningsdiagram med tydelige akser og enheter. Hvert trinn skal kunne begrunnes og etterprøves av en annen person.

Formell modell

Kjernen kan uttrykkes som situasjon → variabler → data → funksjon → kontroll → tolkning. Symbolene må defineres før tall settes inn.

Arbeidsmetode

Avgrens spørsmålet, navngi variablene, angi enheter og beskriv hvilke antakelser modellen bygger på. Skriv ned hvorfor akkurat denne rekkefølgen reduserer risikoen for feil.

Parameter- og enhetstolkning

Hver parameter skal tolkes med enhet, retning, tidsskala og praktisk betydning. Verdier uten kontekst gir liten faglig dokumentasjon.

Kontroll og validering

Kontroller residualer, gyldighetsområde, alternative modeller og minst én observasjon som ikke bare leses direkte fra regresjonsuttrykket.

Begrensning og vanlig feil

Ikke presenter et regresjonsuttrykk som om det var virkeligheten selv. Forklar hvordan feilen kan oppdages i graf, tabell eller residualer.

Sensorblikk

En sterk løsning viser data, modellvalg, digitale kommandoer, parametertolkning, feilkritikk og en konklusjon som svarer på det opprinnelige spørsmålet.

2 Kjerne

Hva er et reelt datasett?

Reelle datasett kommer fra målinger, registreringer eller observasjoner og inneholder alltid usikkerhet, variasjon og mulige feil.

Reelle datasett kommer fra målinger, registreringer eller observasjoner og inneholder alltid usikkerhet, variasjon og mulige feil. I et reelt modellarbeid må den matematiske formen knyttes til hvordan dataene ble samlet inn, hvilke størrelser som er målt, og hvilke spørsmål modellen skal besvare. Koble alltid grafens form til den konkrete situasjonen og datakvaliteten.

Formelen D={(x_i,y_i)} for i=1,…,n er derfor ikke bare et beregningsverktøy. Den uttrykker antakelser om form, skala og utvikling. Før parameterverdier tolkes, må du undersøke om grafen og residualene støtter antakelsene og om modellen brukes i et faglig forsvarlig intervall. …