Lineær regression

Matematik B (HHX) · HHX · B-niveau · Statistik

🧮 Lineær regression

Regressionsanalyse = matematisk model fra empirisk data.

Lineær regression: find ret linje y = a·x + b der passer bedst til datapunkter.

Mindste kvadraters metode: minimér Σ(yᵢ - (a·xᵢ + b))². Formler: a = Σ(xᵢ-x̄)(yᵢ-ȳ)/Σ(xᵢ-x̄)², b = ȳ - a·x̄.

Determinationskoefficient R²: 0 ≤ R² ≤ 1. Andelen af y-variansen forklaret af x. R²=1: perfekt lineær. R²=0: ingen lineær sammenhæng.

Eksempel: salg vs. reklame-budget. Data: budget (1000 kr) og salg (1000 enheder). Regression: salg = 0,5·budget + 100. R² = 0,87. Tolkning: 87% af salgsvariansen forklares af reklamebudget. Hver 1.000 kr. ekstra budget → 500 ekstra solgte enheder.

Eksponentiel regression: y = b·a^x. Bruges når vækst er procentvis konstant.

Linearisering: ln y = ln b + x·ln a. Plot ln y vs. x → ret linje.

Eksempel: bakteriekultur — antal bakterier fordobles hver time. Eksponentiel: N(t) = N₀·2^t. Kapital med renters rente: K(n) = K₀·(1+r)^n.

Reciprokt regressionsmodel: y = a/x + b. Bruges til efterspørgselskurver (omvendt forhold).

Potens-regression: y = a·x^b. Linearisér med log-log.

CAS-anvendelse: WordMat regression(...), GeoGebra FitLine eller RegPoly, Excel =LINEST eller =GROWTH (eksponentiel).

Korrelation r: r = ±√R². -1 til 1. r=1 perfekt positiv lineær.

VIGTIGT — korrelation ≠ kausalitet: høj R² betyder IKKE at x forårsager y. Klassisk eksempel: issalg og drukneulykker korrelerer — fælles tredje variabel: varmt vejr.

Residualanalyse: residual = observeret y - forudsagt y. Skal være tilfældigt fordelt for at modellen er valid.

Vidste du at...

🧮 Mindste kvadraters metode blev udviklet af Carl Friedrich Gauss (1795, kun 18 år gammel!) og uafhængigt af Adrien-Marie Legendre (1805). Begge brugte det til at forudsige asteroiden Ceres' bane.

📊 Anscombe's kvartet (1973): Frank Anscombe lavede 4 datasæt med næsten identiske statistikker (gennemsnit, varians, regression) — men vidt forskellige grafer. Vis altid dine data visuelt, ikke kun statistikker!

💼 Lineær regression er fundamentet for ALT machine learning. Selv de mest avancerede AI-modeller (ChatGPT, Claude) bygger på principper der ultimativt går tilbage til Gauss' mindste kvadraters metode.

Læringsmål

• Udføre lineær regression (mindste kvadraters metode) på et datasæt
• Fortolke regressionskoefficienterne og determinationskoefficienten (R²)
• Anvende regression til at forudsige omsætning, efterspørgsel eller priser
• Diskutere forudsætninger for regressionsmodellen og residualanalyse

Sådan kan du arbejde med emnet

• Udfør en lineær regression på et datasæt med salgsdata over tid og brug regressionslinjen til at forudsige salget den næste måned
• Forklar, hvad korrelationskoefficienten r siger om sammenhængen mellem to variable, og hvornår en sammenhæng er stærk eller svag
• Brug GeoGebra til at finde regressionslinjen for et givet datasæt og diskuter, om en lineær model er den bedste beskrivelse af dataene

Brug formelsamling og gennemarbejdede opgaver. Stil spørgsmål om bevisførelse og udregningstrin.