Darmowe arkusze robocze Klastry danych do wydrukowania dla Klasa 12

Użyj złożonego wykresu punktowego i poproś uczniów o zaproponowanie granic klastrów, oszacowanie środka każdego klastra i porównanie, jak ściśle punkty są pogrupowane. Ponieważ rozsądne granice mogą się różnić, poproś uczniów o uzasadnienie swoich wyborów za pomocą dowodów graficznych i rzeczywistego kontekstu zbioru danych.

Przydatne zadania obejmują porównywanie centrów klastrów i rozproszenia, decydowanie, czy obserwacja odstająca należy do grupy, oraz wyciąganie wniosków z danych dwuwymiarowych pogrupowanych w klastry. Rzeczywiste zbiory danych z badań rynkowych, naukowych lub demograficznych pozwalają uczniom wyjaśnić zarówno wzorzec matematyczny, jak i jego praktyczne znaczenie.

Uczniowie mogą zakładać, że każdy zbiór danych ma naturalne skupiska, zbyt precyzyjnie wyznaczać granice lub traktować widoczne grupowanie jako dowód związku przyczynowo-skutkowego. Czasami porównują również skupiska, nie uwzględniając różnych rozrzutów, wielkości próby ani skal osi.

Arkusze ćwiczeń są dostępne w formacie PDF do druku oraz w formatach cyfrowych, dostosowanych do różnych środowisk nauczania i preferencji uczniów. Nauczyciele mogą utworzyć cyfrowy quiz Wayground lub wydrukować go do analizy w wersji papierowej, z pełnym kluczem odpowiedzi. Nadesłane prace można następnie przechwycić i ocenić za pośrednictwem aplikacji Wayground for Teachers.

Analiza klastrów danych rozszerza podstawy programowe Common Core o dane dwuwymiarowe i wykresy punktowe. Uczniowie klasy 12. mogą przejść od opisywania widocznych grup do porównywania centrów klastrów i rozproszenia, oceny wartości odstających i oceny, czy prognoza oparta na klastrach jest poparta danymi.

W przypadku, gdy etykiety wykresów i gęste podpowiedzi utrudniają dostęp, użyj większego tekstu lub czcionki dostosowanej do potrzeb osób z dysleksją, a także przetłumacz instrukcje dla osób wielojęzycznych. Dla urozmaicenia poproś uczniów o porównanie konkurujących granic klastrów lub wyjaśnienie, jak inna skala mogłaby zmienić widoczny wzór.

Powinni umieć identyfikować naturalne grupy w złożonych zbiorach danych, szacować granice i centra klastrów, porównywać rozproszenie, oceniać obserwacje odstające i wyciągać uzasadnione wnioski z prezentacji dwuwymiarowych. Nacisk kładziony jest na obronę interpretacji, a nie tylko na lokalizację grup punktów.