Membuat Grafik Data kumpulan soal untuk Kelas 8

Fokuskan pembelajaran pada hubungan antara dua variabel. Minta siswa untuk membuat diagram sebar, mendeskripsikan arah dan kekuatan trennya, memodelkan tren dengan garis, dan menafsirkan arti kemiringan dan titik potong dalam konteks dataset.

Latihan yang efektif meminta siswa untuk membuat diagram sebar, mengidentifikasi kelompok dan data pencilan, memperkirakan garis regresi terbaik, dan membandingkan prediksi dengan nilai yang diamati. Histogram dan diagram kotak juga dapat digunakan untuk meninjau kembali bagaimana tampilan yang berbeda mengungkapkan bentuk dan sebaran distribusi.

Siswa dapat menghubungkan titik-titik pada diagram sebar seperti grafik garis, menganggap bahwa hubungan antar titik membuktikan sebab akibat, atau memaksakan garis tren melalui titik asal. Mereka juga perlu berlatih mengenali bahwa data pencilan dapat secara substansial mengubah model atau prediksi yang telah disesuaikan.

Gunakan lembar kerja sebagai kuis digital yang dihosting di Wayground atau unduh PDF yang dapat dicetak untuk latihan di atas kertas. Setiap lembar kerja menyediakan kunci jawaban lengkap; guru yang memberikan salinan kertas dapat menilai kiriman yang dipindai atau di-capture menggunakan aplikasi Wayground for Teachers.

Mereka mendukung fokus Common Core pada data bivariat: membuat diagram sebar, mendeskripsikan pola seperti pengelompokan dan outlier, menyesuaikan garis tren informal, dan menggunakan model linier untuk membuat prediksi. Ini memperluas perbandingan distribusi kelas 7 dan mengarah ke analisis regresi dan residual di sekolah menengah atas.

Gunakan ukuran font yang lebih besar atau spasi yang lebih lebar ketika label koordinat dan tampilan yang padat sulit untuk diikuti. Waktu tambahan dapat membantu siswa yang perlu memeriksa skala dan memplot pasangan berurutan dengan cermat, sementara siswa tingkat lanjut dapat membandingkan dua garis tren dan mempertahankan model yang lebih kuat.

Siswa harus mampu membuat dan menginterpretasikan diagram sebar, menjelaskan asosiasi positif atau negatif, mengenali pola nonlinier dan outlier, serta menggunakan garis yang sesuai untuk memperkirakan nilai. Mereka juga harus menjelaskan kapan prediksi melampaui data yang tersedia dan mungkin tidak dapat diandalkan.