Regression linearer Funktionen

Stell dir vor, du sammelst Daten zu zwei verschiedenen Eigenschaften, zum Beispiel der Körpergröße und der Schuhgröße deiner Mitschüler:innen. Du vermutest wahrscheinlich: Je größer jemand ist, desto größer ist tendenziell auch die Schuhgröße. Genau solche Zusammenhänge untersuchst du mit der Regression . Wenn du alle Datenpaare (Körpergröße | Schuhgröße) als Punkte in ein Koordinatensystem einträgst, entsteht eine Punktwolke . Das Ziel ist es, eine passende mathematische Funktion zu finden, deren Graph möglichst nah an den Punkten verläuft. Meistens ist das eine Gerade – die sogenannte Regressionsgerade . Mit ihr lässt sich der allgemeine Trend der Daten beschreiben und vorhersagen. Die einfachste und am häufigsten genutzte Form ist die lineare Regression . Die gesuchte Regressionsgerade hat die klassische Geradengleichung, die du schon kennst: f(x) = m cdot x + b f(x) (oder y ): Die abhängige Variable (der Wert, den wir schätzen oder vorhersagen wollen, z. B. die Schuhgröße). x : Die unabhängige Variable (die Ausgangsgröße, z. B. die Körpergröße). m : Die Steigung der Geraden. Sie gibt an, um wie viele Einheiten sich y verändert, wenn x um eine Einheit erhöht wird. b : Der y-Achsenabschnitt . Er zeigt an, wo die Gerade die vertikale Achse schneidet (Wert von y für x = 0 ). Bei der Regression berechnet man die Werte für m und b so, dass die Summe der quadratischen Abstände aller Punkte zur Geraden minimal ist (Methode der kleinsten Quadrate). Die Gerade verläuft dann perfekt

Worum geht's?

Stell dir vor, du sammelst Daten zu zwei verschiedenen Eigenschaften, zum Beispiel der Körpergröße und der Schuhgröße deiner Mitschüler:innen. Du vermutest wahrscheinlich: Je größer jemand ist, desto größer ist tendenziell auch die Schuhgröße. Genau solche Zusammenhänge untersuchst du mit der Regression . Wenn du alle Datenpaare (Körpergröße | Schuhgröße) als Punkte in ein Koordinatensystem einträgst, entsteht eine Punktwolke . Das Ziel ist es, eine passende mathematische Funktion zu finden, deren Graph möglichst nah an den Punkten verläuft. Meistens ist das eine Gerade – die sogenannte Regressionsgerade . Mit ihr lässt sich der allgemeine Trend der Daten beschreiben und vorhersagen.

Formel mit Erklärung

Die einfachste und am häufigsten genutzte Form ist die lineare Regression . Die gesuchte Regressionsgerade hat die klassische Geradengleichung, die du schon kennst: f ( x ) = m ⋅ x + b f(x) = m \cdot x + b f ( x ) = m ⋅ x + b f ( x ) f(x) f ( x ) (oder y y y ): Die abhängige Variable (der Wert, den wir schätzen oder vorhersagen wollen, z. B. die Schuhgröße). x x x : Die unabhängige Variable (die Ausgangsgröße, z. B. die Körpergröße). m m m : Die Steigung der Geraden. Sie gibt an, um wie viele Einheiten sich y y y verändert, wenn x x x um eine Einheit erhöht wird. b b b : Der y-Achsenabschnitt . Er zeigt an, wo die Gerade die vertikale Achse schneidet (Wert von y y y für x = 0 x = 0 x = 0 ). Bei der Regression berechnet man die Werte für m m m und b b b so, dass die Summe der quadratischen Abstände aller Punkte zur Geraden minimal ist (Methode der kleinsten Quadrate). Die Gerade verläuft dann perfekt "mittig" durch die Punktwolke.

Beispiele

Leicht#1
Aufgabe: Eine Befragung in einer Klasse untersucht den Zusammenhang zwischen der wöchentlichen Lernzeit für Mathe und der letzten Klausurnote (Notenskala 1 bis 6). Lernzeit (in Stunden pro Woche) Note ( y y y ) 1 5 2 4 3 3 4 2 5 2 6 1 Stelle die Daten in einer Grafik dar und beschreibe den mathematischen Zusammenhang.
123456712345xy(1|5)(2|4)(3|3)(4|2)(5|2)(6|1)
Lösung: Im Diagramm ist deutlich zu erkennen: Je mehr Stunden gelernt wird, desto kleiner wird der Notenwert (was in Deutschland eine bessere Note bedeutet). Da die y y y -Werte fallen, während die x x x -Werte steigen, liegt hier ein negativer Zusammenhang (eine negative Korrelation) vor. Die Punkte liegen annähernd auf einer fallenden Linie.

Zusammenfassung

Die Regression deckt mathematische Trends und Zusammenhänge zwischen Datenreihen auf. Eine Punktwolke visualisiert die erhobenen Datenpaare im Koordinatensystem. Die Regressionsgerade f ( x ) = m ⋅ x + b f(x) = m \cdot x + b f ( x ) = m ⋅ x + b modelliert diesen Trend linear und verläuft im optimalen Fall so ausgeglichen wie möglich durch die Punkte. Mit der fertigen Gleichung lassen sich Werte innerhalb der Datenreihe schätzen ( Interpolation ) oder für die Zukunft prognostizieren ( Extrapolation ).

Jetzt üben

Kostenlose Aufgaben mit Lösungsweg zu diesem Begriff: