Wahrscheinlichkeit und Statistik15 Schrittlistenonline lernen
Ausprobieren & verstehen
Welche Gerade passt am besten?
Wähle einen Messpunkt und verschiebe ihn nach oben oder unten. Die Regressionsgerade und alle senkrechten Abstände reagieren sofort.
Messpunkt wählen
ŷ = 0,86x + 1,1
Steigung0,86
Achsenabschnitt1,1
Bestimmtheitsmaß R²0,99
Die Methode der kleinsten Quadrate wählt die Gerade so, dass die Summe der quadrierten roten Abstände möglichst klein wird.
RegressionsgeradeResiduen
Regression und kleinste Quadrate
Kompetenzcode: WS 5.1
Bereich: Wahrscheinlichkeit und Statistik
Bivariate Daten bestehen aus Wertepaaren (xi,yi). Eine Ausgleichsfunktion beschreibt ihren Zusammenhang näherungsweise. Sie soll nicht jeden Punkt treffen, sondern nach einem festgelegten Kriterium insgesamt gut zu den Daten passen.
1. Punktwolke und Ausgleichsproblem
So gehst du vor
Schrittlisten
Öffne die passende Liste und arbeite die Schritte der Reihe nach ab.
WS 5.1 - Punktwolke analysieren
Bivariate Daten vor der Modellwahl grafisch und inhaltlich untersuchen.
1
Wertepaare prüfen
Zusammengehörige x- und y-Werte sowie Einheiten kontrollieren.
2
Streudiagramm erstellen
Jedes Wertepaar als Punkt eintragen.
3
Richtung beschreiben
Positiven, negativen oder fehlenden Trend benennen.
4
Stärke beurteilen
Streuung um eine gedachte Struktur einschätzen.
5
Form erkennen
Linearen, gekrümmten oder gruppierten Verlauf unterscheiden.
6
Ausreißer markieren
Auffällige Punkte prüfen, aber nicht ungeprüft entfernen.
WS 5.1 - Residuen und Fehlerquadratsumme berechnen
Nächster Schritt
Festige das Thema mit passenden Aufgaben.
Starte eine Aufgabensammlung, speichere deinen Fortschritt und hole dir bei Bedarf schrittweise Unterstützung.
Steigen die Punkte einer Punktwolke von links unten nach rechts oben und liegen sie ungefähr entlang einer Geraden, spricht das für einen positiven linearen Zusammenhang. Eine fallende Wolke deutet auf einen negativen Zusammenhang; eine gekrümmte Struktur kann ein nichtlineares Modell verlangen.
Beispiel 2: Bivariate Daten erkennen
Zu jeder Person werden Lernzeit x in Stunden und Testergebnis y in Punkten erfasst. Da zwei Merkmale paarweise an derselben Person gemessen werden, liegen bivariate Daten vor. Getrennte Mittelwerte allein beschreiben ihren Zusammenhang nicht.
2. Residuen und Fehlerquadratsumme
Für ein Modell y^=f(x) ist das Residuum
ei=yi−y^i=yi−f(xi).
Ein positiver Wert bedeutet, dass der beobachtete Punkt über dem Modell liegt. Die Fehlerquadratsumme lautet
S=i=1∑nei2.
Beispiel 3: Residuum bestimmen
Für den Punkt (4,11) und das Modell y^=2x+2 ist y^=10. Daher
e=11−10=1,e2=1.
Beispiel 4: Fehlerquadratsumme vergleichen
Zwei Modelle liefern für drei Punkte die Residuen (1,−2,1) beziehungsweise (2,0,−2). Dann
S1=12+(−2)2+12=6,S2=22+02+(−2)2=8.
Nach dem Kleinste-Quadrate-Kriterium passt Modell 1 besser zu diesen Daten.
3. Lineare Regression
Die lineare Regressionsfunktion hat die Form
y^=kx+d.
Mit xˉ und yˉ gelten
k=∑i=1n(xi−xˉ)2∑i=1n(xi−xˉ)(yi,d=yˉ−kxˉ.
Sie minimiert die Summe der vertikal quadrierten Residuen. Technologie liefert k, d und oft auch r, wenn die Wertepaare korrekt in zwei Listen eingegeben werden.
Beispiel 5: Regressionsgerade bestimmen
Für (1,2), (2,3), (3,5) sind xˉ=2 und yˉ=10/3. Daraus folgt
k=1,5,d=31,
also
y^=1,5x+0,3333.
Beispiel 6: Residuen der Regressionsgeraden
Die Modellwerte zu x=1,2,3 sind ungefähr 1,8333, 3,3333, 4,8333. Die Residuen sind
0,1667,−0,3333,0,1667
und damit
S≈0,1667.
Die positiven und negativen Residuen zeigen, ob Punkte über oder unter der Geraden liegen.
Beispiel 7: im Kontext deuten
Beschreibt x Lernstunden und y Punkte, bedeutet k=1,5: Pro zusätzlicher Lernstunde steigt der modellierte Testwert im Mittel um 1,5 Punkte. d=0,3333 ist der Modellwert bei x=0. Liegt 0 außerhalb des beobachteten Bereichs oder ist der Wert fachlich unplausibel, soll der Achsenabschnitt nicht überinterpretiert werden.
Beispiel 8: Prognose und Interpolation
Für x=2,5 liefert das Modell
y^=1,5⋅2,5+0,3333≈4,0833.
Da 2,5 zwischen den beobachteten Werten 1 und 3 liegt, ist dies eine Interpolation.
4. Korrelationskoeffizient und Modelleignung
Der Pearson-Korrelationskoeffizient ist
r=∑i=1n(xi−xˉ)2∑∑i=1n(xi−xˉ)(yi,−1≤r≤1.
Das Vorzeichen beschreibt die Richtung, der Betrag die Stärke eines linearen Zusammenhangs.
Beispiel 9: Korrelation bestimmen und deuten
Für die drei Wertepaare aus Beispiel 5 ergibt sich
r≈0,982.
Das bedeutet einen sehr starken positiven linearen Zusammenhang in diesem kleinen Datensatz. Es beweist nicht, dass mehr Lernzeit allein die höhere Punktezahl verursacht.
Beispiel 10: Residuenmuster erkennen
Sind Residuen links und rechts positiv, in der Mitte aber überwiegend negativ, zeigt sich eine gekrümmte Struktur. Trotz eines möglicherweise großen ∣r∣ kann eine Gerade ungeeignet sein. Gute lineare Residuen streuen ohne erkennbares Muster um 0.
5. Andere Ausgleichsfunktionen und Extrapolation
Beispiel 11: Funktionstyp auswählen
Eine ungefähr konstante Differenz pro Zeiteinheit spricht für ein lineares Modell; ein ungefähr konstanter für ein exponentielles Modell; ein Wendepunkt oder Sättigungsverhalten kann andere Modelle verlangen. Die Wahl wird aus Punktwolke, Kontext und Residuen begründet und anschließend technologisch angepasst.
Beispiel 12: Extrapolation beurteilen
Wird das Modell aus Daten für 1≤x≤3 bei x=10 verwendet, liegt eine Extrapolation vor. Der Rechenwert 15,3333 ist formal leicht bestimmbar, aber wesentlich unsicherer: Außerhalb des beobachteten Bereichs kann sich der Zusammenhang ändern oder das Ergebnis sachlich unmöglich werden.
Typische Fehler
Wertepaare werden beim Eingeben getrennt oder vertauscht.
Residuum wird als y^−y statt y−y^ berechnet.
Ein großes ∣r∣ wird als Kausalitätsbeweis interpretiert.
Ein nichtlineares Residuenmuster wird ignoriert.
Achsenabschnitt und Prognosen werden außerhalb des sinnvollen Kontextbereichs gedeutet.
Interpolation und Extrapolation werden nicht unterschieden.
Merksätze
Die Punktwolke kommt vor der Regressionsrechnung.
Kleinste Quadrate minimiert ∑(yi−y^i)2.
r misst Richtung und Stärke eines linearen Zusammenhangs, nicht Ursache.
Ein Modell braucht Zahlenprüfung, Residuenprüfung und Kontextprüfung.
Die Abweichungen eines gegebenen Modells von den Daten quantifizieren.
1
Modellwerte berechnen
Für jedes xi den Wert y_hat_i=f(xi) bestimmen.
2
Residuen bilden
ei=yi-y_hat_i mit Vorzeichen berechnen.
3
Lage deuten
Positive Residuen als Punkte über dem Modell erkennen.
4
Residuen quadrieren
Jeden Fehlerbeitrag ei^2 bestimmen.
5
Beiträge summieren
S=sum ei^2 ohne Frührundung berechnen.
6
Modelle vergleichen
Bei denselben Daten kleinere Fehlerquadratsumme als besseren LS-Fit deuten.
WS 5.1 - Lineare Regression bestimmen
Eine Regressionsgerade technologisch oder rechnerisch ermitteln und prüfen.
1
Datenlisten eingeben
x- und y-Werte paarweise in getrennte Listen übernehmen.
2
Punktwolke prüfen
Lineare Grundstruktur vor der Rechnung bestätigen.
3
Regression ausführen
Lineares Regressionsverfahren wählen und k,d speichern.
4
Gleichung notieren
yhat=kx+d mit sinnvoll gerundeten angeben.
5
Residuen kontrollieren
Musterfreie Streuung um null und auffällige Punkte prüfen.
6
Einheiten ergänzen
und Achsenabschnitt im Kontext formulieren.
WS 5.1 - Korrelation und Modelleignung beurteilen
Pearson-r gemeinsam mit Grafik und Residuen interpretieren.
1
r bestimmen
Korrelationskoeffizienten technologisch oder mit Formel berechnen.
2
Vorzeichen deuten
Positive oder negative lineare Richtung nennen.
3
Betrag deuten
Stärke nur bezogen auf linearen Zusammenhang beschreiben.
4
Punktwolke gegenprüfen
Ausreißer, Gruppen und Krümmung berücksichtigen.
5
Residuen prüfen
Systematische Muster als Modellmangel erkennen.
6
Kausalität begrenzen
Korrelation nicht als Ursache-Wirkungs-Nachweis darstellen.
WS 5.1 - Prognose mit Ausgleichsfunktion
Modellwerte berechnen und Interpolation von Extrapolation unterscheiden.
1
Gültigen Datenbereich notieren
Kleinsten und größten beobachteten x-Wert festhalten.
2
Zielwert einordnen
Prüfen, ob x innerhalb oder außerhalb dieses Bereichs liegt.
3
Modellwert berechnen
x in die Ausgleichsfunktion einsetzen.
4
Einheit und Rundung ergänzen
Ergebnis sachgerecht darstellen.
5
Plausibilität prüfen
Wertebereich und fachliche Grenzen berücksichtigen.
6
Unsicherheit benennen
Extrapolation ausdrücklich als riskanter kennzeichnen.
WS 5.1 – Bivariate Daten als Ausgleichsproblem erkennen
Erkennen, dass zu gegebenen Wertepaaren eine Ausgleichsfunktion zur Beschreibung eines Zusammenhangs gesucht wird.
1
Wertepaare erkennen
Prüfe, ob zu jedem x-Wert ein beobachteter y-Wert gehört.
2
Punktwolke denken oder betrachten
Stelle dir die Wertepaare als Punkte in einem Koordinatensystem vor.
3
Exakten Funktionszusammenhang prüfen
Untersuche, ob die Punkte exakt auf einem einfachen Funktionsgraphen liegen oder sichtbar streuen.
4
Modellbedarf erkennen
Bei gestreuten Daten kann eine gesucht werden, die den Zusammenhang näherungsweise beschreibt.
5
Ausgleichsidee formulieren
Die gesuchte soll insgesamt möglichst gut zu den beobachteten Punkten passen.
6
Problem einordnen
Bezeichne die Situation als Ausgleichs- beziehungsweise Regressionsproblem.
WS 5.1 – Zusammenhang in einer Punktwolke beschreiben
Richtung, Stärke und Form eines sichtbaren Zusammenhangs in einem Streudiagramm beschreiben.
1
Achsenvariablen bestimmen
Kläre, welche Größe auf der x- und welche auf der y-Achse dargestellt ist.
2
Richtung betrachten
Prüfe, ob die Punktwolke insgesamt ansteigt, fällt oder keine klare Richtung zeigt.
3
Stärke beurteilen
Beobachte, wie eng die Punkte um einen gedachten Trend liegen.
4
Form prüfen
Unterscheide einen ungefähr linearen Verlauf von sichtbar gekrümmten oder anderen Mustern.
5
Ausreißer beachten
Identifiziere einzelne Punkte, die deutlich vom übrigen Muster abweichen.
6
Zusammenhang beschreiben
Formuliere Richtung, Stärke und Form des sichtbaren Zusammenhangs, ohne daraus automatisch eine Ursache abzuleiten.
WS 5.1 – Residuum eines Datenpunkts bestimmen
Die vertikale Abweichung eines beobachteten Datenpunkts von einem Modellwert bestimmen.
1
Datenpunkt auswählen
Notiere den beobachteten Punkt (xi|yi).
2
Modellwert berechnen
Setze xi in die gegebene Ausgleichsfunktion ein und bestimme den vorhergesagten Wert ŷ_i.
3
Beobachtung und Modell vergleichen
Stelle den beobachteten y-Wert und den Modellwert gegenüber.
4
Vertikale Abweichung bilden
Berechne das Residuum als ei=yi−ŷ_i.
5
Vorzeichen deuten
Ein positives Residuum bedeutet, dass der Datenpunkt über dem Modellgraphen liegt; ein negatives, dass er darunter liegt.
6
Residuum prüfen
Kontrolliere, dass die Abweichung vertikal bei demselben x-Wert bestimmt wurde.
WS 5.1 – Methode der kleinsten Quadrate erklären
Die Methode der kleinsten Quadrate als Auswahl jener Modellparameter erklären, welche die Fehlerquadratsumme minimieren.
1
Modelltyp festlegen
Kläre, welche Form der Ausgleichsfunktion verwendet wird und welche bestimmt werden sollen.
2
Residuen bilden
Für jeden Datenpunkt wird die vertikale Abweichung zwischen beobachtetem Wert und Modellwert betrachtet.
3
Abweichungen quadrieren
Quadriere jedes Residuum, damit positive und negative Abweichungen nicht gegenseitig verschwinden.
4
Fehlerquadratsumme bilden
Addiere die quadrierten Residuen zu einem gemeinsamen Fehlermaß.
5
Parameter vergleichen
Verschiedene Parameterwerte führen zu unterschiedlichen Fehlerquadratsummen.
6
Kleinste-Quadrate-Idee erklären
Gewählt werden jene Modellparameter, für die die Fehlerquadratsumme möglichst klein ist.
WS 5.1 – Steigung einer Regressionsgeraden interpretieren
Die einer linearen Regressionsfunktion im Sachkontext deuten.
1
Regressionsgerade notieren
Schreibe die lineare Regressionsfunktion in der Form ŷ=a·x+b auf.
2
Steigung identifizieren
Der a vor x ist die .
3
x-Einheit bestimmen
Kläre, in welcher Einheit sich die erklärende Größe x verändert.
4
y-Einheit bestimmen
Kläre die Einheit der modellierten Zielgröße y.
5
Änderung deuten
Erhöht sich x um eine Einheit, verändert sich der modellierte y-Wert im Mittel um a Einheiten.
6
Kontextsatz formulieren
Gib Richtung, Betrag und die passende Einheit der modellierten Änderung an.
WS 5.1 – Achsenabschnitt einer Regressionsgeraden interpretieren
Den Achsenabschnitt einer linearen Regressionsfunktion im Sachkontext deuten und seine Sinnhaftigkeit beurteilen.
1
Regressionsgerade notieren
Schreibe die in der Form ŷ=a·x+b auf.
2
Achsenabschnitt identifizieren
Der b ist der modellierte y-Wert bei x=0.
3
x=0 einsetzen
Überprüfe rechnerisch, dass ŷ(0)=b gilt.
4
Kontext von x=0 prüfen
Kläre, ob x=0 im untersuchten Sachbereich überhaupt sinnvoll und beobachtet ist.
5
Sinnhaftigkeit beurteilen
Liegt x=0 weit außerhalb des Datenbereichs oder ist sachlich unmöglich, darf b nicht unkritisch real interpretiert werden.
6
Interpretation formulieren
Deute b nur dann sachlich, wenn der Wert x=0 im Kontext sinnvoll ist; sonst beschreibe ihn als formalen Achsenabschnitt.
WS 5.1 – Prognosewert mit Regressionsfunktion berechnen
Mit einer gegebenen Regressionsfunktion zu einem Argument einen Modell- beziehungsweise Prognosewert berechnen.
1
Regressionsfunktion notieren
Übernimm die gegebene Ausgleichs- beziehungsweise Regressionsfunktion vollständig.
2
Argument bestimmen
Notiere den x-Wert, für den eine Prognose verlangt wird.
3
Wert einsetzen
Ersetze x vollständig durch den gegebenen Zahlenwert.
4
Modellwert berechnen
Führe die Rechnung bis zum Wert ŷ aus.
5
Einheit ergänzen
Gib den Prognosewert in der Einheit der Zielgröße an.
6
Prognose einordnen
Kennzeichne das Ergebnis als Modellwert und prüfe, ob das eingesetzte x innerhalb oder außerhalb des beobachteten Datenbereichs liegt.
WS 5.1 – Passenden Typ einer Ausgleichsfunktion auswählen
Für gegebene Daten einen plausiblen Funktionstyp für eine Ausgleichsfunktion auswählen.
1
Punktwolke betrachten
Untersuche die Form des sichtbaren Zusammenhangs zwischen x und y.
2
Linearen Trend prüfen
Eine ungefähr geradlinige Punktwolke spricht für ein lineares Modell.
3
Gekrümmte Muster prüfen
Eine deutliche Krümmung kann auf einen anderen Funktionstyp hinweisen.
4
Sachkontext beachten
Nutze fachliche Informationen darüber, wie sich die Größen typischerweise miteinander verändern.
5
Einfaches plausibles Modell wählen
Wähle einen Funktionstyp, der Form und Kontext sinnvoll beschreibt, ohne unnötige Komplexität.
6
Auswahl begründen
Nenne das entscheidende grafische oder sachliche Merkmal für die Wahl des Funktionstyps.
