Tilbake
6.4
Residualanalyse og modellvalidering

6.4 Residualanalyse og modellvalidering

Analysere residualer for å vurdere kvaliteten på regresjonsmodeller.

50 min
11 oppgaver
ResidualerResidualplottModellvalideringForutsetninger for regresjon
Du leser den tradisjonelle versjonen
Din fremgang i kapitlet
0 / 11 oppgaver
Kapitlets plass i kurset

Utover den rette linja

Lineær regresjon fungerer når samanhengen er tilnærma lineær. Men mange fenomen følgjer andre mønster:
- Eksponentiell vekst: Folkevekst, rentes rente
- Logaritmisk: Desibel, Richter-skalaen
- Polynomisk: Kastebanar, kostnadsoptimering

Polynomisk regresjon
Polynomisk regresjon tilpassar:
y=a0+a1x+a2x2++akxky = a_0 + a_1 x + a_2 x^2 + \cdots + a_k x^k

- Grad 2 (kvadratisk): y=a+bx+cx2y = a + bx + cx^2
- Grad 3 (kubisk): y=a+bx+cx2+dx3y = a + bx + cx^2 + dx^3

Koeffisientane blir bestemte ved minste kvadraters metode.

✏️Kvadratisk regresjon

Høgde hh (m) ved tid tt (s) for ein ball:

tt00,51,01,52,02,5
hh1,04,66,87,25,93,1

Regresjon gir h=0,95+7,62t3,18t2h = 0{,}95 + 7{,}62t - 3{,}18t^2, R2=0,995R^2 = 0{,}995. Tolk.

- h(0)=0,95h(0) = 0{,}95 m (starthøgde)
- Toppunkt: t=7,62/(23,18)=1,20t = 7{,}62/(2 \cdot 3{,}18) = 1{,}20 s
- R2=0,995R^2 = 0{,}995: 99,5 % blir forklart. Svært god tilpassing.

Eksponentiell regresjon
y=aekxy = a \cdot e^{kx}

Linearisering: lny=lna+kx\ln y = \ln a + kx er lineær i (x,lny)(x, \ln y).

1. Rekn ut lnyi\ln y_i for alle datapunkt
2. Lineær regresjon på (xi,lnyi)(x_i, \ln y_i)
3. Konstantledd =lna= \ln a, stigingstal =k= k

✏️Bakterievekst
tt01234
NN100150220340500

Regresjon på (t,lnN)(t, \ln N): lnN=4,61+0,403t\ln N = 4{,}61 + 0{,}403t, R2=0,999R^2 = 0{,}999.
a=e4,61100,5a = e^{4{,}61} \approx 100{,}5, k=0,403k = 0{,}403.

Modell: N(t)=100,5e0,403tN(t) = 100{,}5 \cdot e^{0{,}403t}

Doblingstid: ln2/0,4031,72\ln 2 / 0{,}403 \approx 1{,}72 timar.

Modellval

Potensregresjon: y=axby = ax^b — blir linearisert med lny=lna+blnx\ln y = \ln a + b\ln x

Logaritmisk: y=a+blnxy = a + b\ln x — allereie lineær i lnx\ln x

MønsterModell
Jamn stigingLineær
KrummingPolynomisk
Rask vekstEksponentiell
Avtakande vekstLogaritmisk
Log-log lineærPotens

Bruk R2R^2 og residualplott for å samanlikne.
📝Oppgave 1

Løys oppgåvene:

a

Kva modell passar for rask vekst som avtek?

b

Kva betyr «linearisering» for y=aekxy = ae^{kx}?

📝Oppgave 2

Løys oppgåvene:

a
lny=2,30+0,15x\ln y = 2{,}30 + 0{,}15x. Skriv som y=aekxy = ae^{kx}.
b

Finn doblingstida.

📝Oppgave 3

Løys oppgåvene:

a

Konsentrasjon: (1;8,1)(1;8{,}1), (2;6,6)(2;6{,}6), (3;5,4)(3;5{,}4), (4;4,4)(4;4{,}4), (5;3,6)(5;3{,}6). Rekn ut lnC\ln C og vurder eksponentiell modell.

b
lnC=2,290,203t\ln C = 2{,}29 - 0{,}203t. Halveringstid?
📝Oppgave 4

Løys oppgåvene:

a

Forklar linearisering av y=axby = ax^b.

📝Oppgave 5

Løys oppgåvene:

a

Kvadratisk R2=0,92R^2 = 0{,}92 vs. lineær R2=0,85R^2 = 0{,}85. Er kvadratisk nødvendigvis betre?

📝Oppgave 6

Løys oppgåvene:

a

BNP og levealder: (50;72)(50;72), (80;76)(80;76), (120;79)(120;79), (200;81)(200;81), (350;82)(350;82), (600;84)(600;84). Rekn ut lnx\ln x og vurder logaritmisk modell.

b
y=53,1+4,88lnxy = 53{,}1 + 4{,}88\ln x. Levealder ved BNP =1000= 1000?

Oppsummering

- Polynomisk: y=a0+a1x+a2x2+y = a_0 + a_1 x + a_2 x^2 + \cdots
- Eksponentiell: y=aekxy = ae^{kx}, blir linearisert med lny=lna+kx\ln y = \ln a + kx
- Potens: y=axby = ax^b, blir linearisert med lny=lna+blnx\ln y = \ln a + b\ln x
- Logaritmisk: y=a+blnxy = a + b\ln x
- Bruk R2R^2 og residualplott for modellval

Repetisjonsoppgåver
Din fremgang
0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.