Building and Applying a Model · Construcción y aplicación de un modelo
| English | Español |
|---|---|
| function model/ˈfʌŋkʃn ˈmɒdl/ | modelo de función |
| regression/rɪˈɡreʃn/ | regresión |
| interpolation/ɪnˌtɜːpəˈleɪʃn/ | interpolación |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolación |
| parameters/pəˈræmɪtəz/ | parámetros |
From data to a formula
- Selecting a model family is only half the job; now you build the actual rule.
- A good model turns a table of measurements into a formula you can compute with.
- Once you have the formula, you can predict values you never measured.
- This is how precalculus becomes a tool for the real world.
De los datos a una fórmula
- Seleccionar una familia de modelos es solo la mitad del trabajo; ahora debes construir la regla real.
- Un buen modelo convierte una tabla de mediciones en una fórmula que puedes calcular.
- Una vez que tienes la fórmula, puedes predecir valores que nunca mediste.
- Así es como la precálculo se convierte en una herramienta para el mundo real.
Build the model
- A function model 函数模型 is a rule that captures how one quantity depends on another.
- You can build it from a verbal description, a table of values, or a graph.
- "Costs $\$5$ to start plus $\$2$ per item" becomes $C = 5 + 2n$ straight away.
- Match the family to the shape (Lesson 1.13), then pin down the exact numbers.
Construye el modelo
- Un modelo funcional 函数模型 es una regla que captura cómo depende una cantidad de otra.
- Puedes construirlo a partir de una descripción verbal, una tabla de valores o una gráfica.
- "Cuesta $\$5$ to start plus $\$2$ por artículo" se convierte directamente en $C = 5 + 2n$.
- Coincide la familia con la forma (Lección 1.13), luego determina los números exactos.
Regression finds the best fit
- With many scattered points, regression 回归 finds the best-fit line or curve using technology.
- It chooses the model that comes closest to all the data at once.
- The result gives you the numbers in the model rule, ready to use.
- No single point sits on it perfectly — it captures the overall trend.
La regresión encuentra el mejor ajuste
- Con muchos puntos dispersos, la regresión 回归 encuentra la línea o curva de mejor ajuste utilizando tecnología.
- Elige el modelo que se acerque lo máximo posible a todos los datos al mismo tiempo.
- El resultado te da los números de la regla del modelo, listos para usar.
- Ningún punto individual descansa sobre ella perfectamente — capta la tendencia general.
A model line — read its rate and starting value · Una línea de modelo — lee su tasa y valor inicial
y = ax + b
Here a is the rate of change and b is the starting value. Adjust them to fit data, then plug in an input to make a prediction. · Aquí a es la tasa de cambio y b es el valor inicial. Ajustalos para que se adapten a los datos, luego introduce una entrada para hacer una predicción.
A regression finds… · Una regresión encuentra…
Regression fits the model that comes closest to all · todos the points at once — the best-fit model, using technology. · La regresión ajusta el modelo que se acerca más a todos los puntos al mismo tiempo: el modelo de mejor ajuste, usando tecnología.
Interpolate versus extrapolate
- Interpolation 内插 predicts between known data points — usually safe.
- Extrapolation 外推 predicts beyond the data — riskier the further you go.
- A model with no data to lean on can drift far from reality.
- Trust interpolation more than extrapolation, and say which one you used.
Interpolar versus extrapolar
- La interpolación 内插 predice entre puntos de datos conocidos — generalmente seguro.
- La extrapolación 外推 predice más allá de los datos — más riesgoso mientras más te alejas.
- Un modelo sin datos en los que apoyarse puede desviarse mucho de la realidad.
- Confía más en la interpolación que en la extrapolación, y especifica cuál usaste.
Predicting a value between · entre known data points is called ____. · Predecir un valor entre puntos de datos conocidos se llama ____.
Interpolation stays inside the data range, so it is usually reliable. · Interpolación se mantiene dentro del rango de los datos, por lo que suele ser confiable.
Predicting far outside the range of the data (extrapolation) is usually… · Predecir muy fuera del rango de los datos (extrapolación) suele ser…
Far from the data the model has no evidence to lean on, so extrapolation is the riskiest prediction. · Lejos de los datos, el modelo no tiene evidencia en la que apoyarse, por lo que extrapolación es la predicción más arriesgada.
Interpret the parameters
- The parameters 参数 (the numbers in the rule) carry real-world meaning.
- In $C = 5 + 2n$, the $5$ is the fixed start-up cost and the $2$ is the cost per item.
- Reading parameters in context turns a formula back into a story about the situation.
- A good answer always says what each number means, with its units.
Interpreta los parámetros
- Los parámetros 参数 (los números en la regla) tienen significado en el mundo real.
- En $C = 5 + 2n$, el $5$ es el costo fijo de inicio y el $2$ es el costo por artículo.
- Leer los parámetros en contexto convierte una fórmula nuevamente en una historia sobre la situación.
- Una buena respuesta siempre dice qué significa cada número, con sus unidades.
A model gives cost $= 2x + 1$ (in thousands). Predict the cost when $x = 10$. · Un modelo da costo $= 2x + 1$ (en miles). Predice el costo cuando $x = 10$.
Substitute: $2(10) + 1 = 21$ thousand. Plugging an input into the model is how you apply it. · Sustituye: $2(10) + 1 = 21$ mil. Introducir una entrada en el modelo es cómo lo aplicas.
The · El parameters of a model (like the slope) can be interpreted in terms of the real situation. · Los parámetros de un modelo (como la pendiente) pueden interpretarse en términos de la situación real.
In cost $= 2x + 1$, the $2$ is the cost per unit and the $1$ is the fixed start-up cost — real meanings. · En costo $= 2x + 1$, el $2$ es el costo por unidad y el $1$ es el costo fijo inicial de arranque — significados reales.
Put the steps of using a model in order. · Coloca los pasos para usar un modelo en orden.
Data → fit → predict → check. The final check catches a model that has drifted from reality. · Datos → ajuste → predicción → verificación. La verificación final detecta un modelo que se ha desviado de la realidad.
Extrapolating too far is a classic trap. A linear sales model may predict billions of sales in twenty years — clearly nonsense. Always sanity-check a prediction against the real situation before trusting it.
Extrapolar demasiado lejos es una trampa clásica. Un modelo lineal de ventas podría predecir miles de millones de ventas en veinte años — claramente sin sentido. Siempre verifica la coherencia de una predicción contra la situación real antes de confiar en ella.
A phone battery drops from $100\%$ by about $8\%$ per hour.
- Model: $B = 100 - 8h$, a linear function model.
- Interpolate at $h = 3$: $B = 100 - 24 = 76\%$ — inside the data, reliable.
- Extrapolate at $h = 20$: $B = -60\%$ — impossible, so the model has broken down.
La batería de un teléfono cae desde $100\%$ aproximadamente $8\%$ por hora.
- Modelo: $B = 100 - 8h$, un modelo funcional lineal.
- Interpola en $h = 3$: $B = 100 - 24 = 76\%$ — dentro de los datos, fiable.
- Extrapoló en $h = 20$: $B = -60\%$ — imposible, así que el modelo ha fallado.
Build a function model from words, a table, or a graph, using regression for the best fit. Use it to interpolate (safe, inside the data) or extrapolate (risky, beyond it), interpret its parameters in context, and always check the prediction makes real-world sense.
Construye un modelo funcional a partir de palabras, una tabla o una gráfica, usando regresión para el mejor ajuste. Úsalo para interpolar (seguro, dentro de los datos) o extrapolar (riesgoso, más allá de ellos), interpreta sus parámetros en contexto, y siempre verifica que la predicción tenga sentido en el mundo real.