Comparing Competing Models · Comparando Modelos Competitivos
| English | Español |
|---|---|
| linear model/ˈlɪnɪə ˈmɒdl/ | modelo lineal |
| quadratic model/kwɒˈdrætɪk ˈmɒdl/ | modelo cuadrático |
| exponential model/ˌekspəˈnenʃl ˈmɒdl/ | modelo exponencial |
| residuals/rɪˈsɪdʒuːəlz/ | residuos |
Three curves, one data set
- The same scatter of points could be fit by a line, a parabola, or an exponential.
- Each will pass near the data, but only one captures its true shape.
- Picking the wrong family gives predictions that drift badly.
- So how do we decide which model actually deserves our trust?
Tres curvas, un mismo conjunto de datos
- El mismo grupo de puntos podría ajustarse con una recta, una parábola o una exponencial.
- Cada una pasará cerca de los datos, pero solo una captura su verdadera forma.
- Elegir la familia incorrecta produce predicciones que se desvían notablemente.
- Entonces, ¿cómo decidimos qué modelo realmente merece nuestra confianza?
Try each family
- Fit a linear model 线性模型, a quadratic model 二次模型, and an exponential model 指数模型 to the same points.
- Each one produces a formula and a curve through the cloud of data.
- Look at where each curve sits relative to the points.
- A line cannot bend; a parabola bends once; an exponential curves ever upward.
Prueba cada familia
- Ajusta un modelo lineal 线性模型, un modelo cuadrático 二次模型 y un modelo exponencial 指数模型 a los mismos puntos.
- Cada uno genera una fórmula y una curva que atraviesa la nube de datos.
- Observa dónde se sitúa cada curva en relación con los puntos.
- Una recta no puede curvarse; una parábola tiene una curvatura; una exponencial se curva hacia arriba constantemente.
Residuals judge the fit
- A residual 残差 is the gap between a data value and the model's prediction there.
- Small residuals, scattered with no pattern, mean a good fit.
- Large residuals, or residuals that curve, mean the wrong family.
- Comparing residuals is how you rank competing models with evidence.
Los residuos juzgan el ajuste
- Un residuo 残差 es la diferencia entre un valor de dato y la predicción del modelo en ese punto.
- Residuos pequeños, dispersos sin patrón, indican un buen ajuste.
- Residuos grandes, o residuos que muestran una tendencia curvilínea, sugieren la familia incorrecta.
- Comparar los residuos es la forma de clasificar modelos competidores con evidencia.
A curve a straight line cannot match · Una curva que una línea recta no puede igualar
y = a·bˣ
An exponential bends to hug curved data. Try lowering the base toward 1 to see it flatten toward a line. · Una exponencial se curva para ajustarse a datos curvos. Intente reducir la base hacia 1 para verla aplanarse hacia una línea.
A residual is the difference between… · Un residuo es la diferencia entre…
A residual = observed − predicted. Small residuals mean the model fits the data closely. · Un residuo = observado − predicho. Residuos pequeños significan que el modelo se ajusta bien a los datos.
To judge how well a model matches data, examine the size of its ____. · Para juzgar qué tan bien un modelo se ajusta a los datos, examine el tamaño de sus ____.
Smaller residuals (and no obvious pattern in them) signal a better-fitting model. · Residuos más pequeños (y sin patrones obvios en ellos) indican un mejor ajuste del modelo.
Exponential eventually wins
- Over a long enough range, an exponential outgrows every polynomial.
- Even $x^{100}$ is left behind once $2^x$ gets going.
- So for data that keeps multiplying, the exponential is the natural long-run model.
- Polynomials curve, but they cannot keep up with steady doubling.
La exponencial termina ganando
- En un rango suficientemente largo, una exponencial supera a cualquier polinomio.
- Incluso $x^{100}$ queda atrás cuando $2^x$ toma impulso.
- Por tanto, para datos que continúan multiplicándose, la exponencial es el modelo natural a largo plazo.
- Los polinomios tienen curvatura, pero no pueden seguir el ritmo de un doble constante.
Given enough time, an exponential model eventually grows faster than any polynomial model. · Con suficiente tiempo, un modelo exponencial eventualmente crece más rápido que cualquier modelo polinómico.
Exponential growth outpaces $x^2, x^3,$ even $x^{100}$ in the long run — the exponent always wins. · El crecimiento exponencial supera a $x^2, x^3,$ e incluso $x^{100}$ a largo plazo — el exponente siempre gana.
Select all · todos true statements about comparing models. · Seleccione todas las afirmaciones verdaderas sobre la comparación de modelos.
The best fit has the smallest residuals, not the biggest. The other three are correct. · El mejor ajuste tiene los residuos más pequeños, no los más grandes. Las otras tres son correctas.
Choose with context and evidence
- Use the residuals, but also use what you know about the situation.
- A savings account earns interest → exponential; a falling object → quadratic.
- Prefer the simplest model that fits well and makes physical sense.
- Justify your choice with both the data and the story behind it.
Elige con contexto y evidencia
- Usa los residuos, pero también considera lo que sabes sobre la situación.
- Una cuenta de ahorros genera intereses → exponencial; un objeto en caída libre → cuadrático.
- Prefiere el modelo más simple que se ajuste bien y tenga sentido físico.
- Justifica tu elección basándote tanto en los datos como en la historia detrás de ellos.
Data doubling at a steady rate is best modeled by a… · Los datos que se duplican a una tasa constante se modelan mejor con un…
Constant-ratio doubling is the hallmark of an exponential model, not a polynomial one. · La duplicación a razón constante es la característica distintiva de un modelo exponencial, no de uno polinómico.
A wiggly high-degree polynomial can pass through every point and still be a terrible model — it swings wildly between the data and predicts nonsense outside it. A close fit alone is not enough; the family must match the underlying behavior.
Un polinomio de alto grado con muchas oscilaciones puede pasar por cada punto y aún así ser un mal modelo — oscila violentamente entre los datos y predice valores absurdos fuera de ellos. Un ajuste cercano por sí solo no es suficiente; la familia debe coincidir con el comportamiento subyacente.
Sales over four months: $100, 150, 225, 340$.
- Ratios: $150/100 = 1.5$, $225/150 = 1.5$, $340/225 \approx 1.5$ — nearly constant.
- A constant ratio points to an exponential model, not a line.
- Model: $S \approx 100 \cdot 1.5^{\,m}$, matching the roughly $50\%$ monthly growth.
Ventas durante cuatro meses: $100, 150, 225, 340$.
- Razones: $150/100 = 1.5$, $225/150 = 1.5$, $340/225 \approx 1.5$ — casi constantes.
- Una razón constante apunta a un modelo exponencial, no a una recta.
- Modelo: $S \approx 100 \cdot 1.5^{\,m}$, que coincide con un crecimiento mensual aproximado del $50\%$.
To compare a linear model, quadratic model, and exponential model on the same data, examine the residuals — smaller is better. Remember an exponential eventually outgrows any polynomial, and let both the evidence and the context guide your final choice.
Para comparar un modelo lineal, un modelo cuadrático y un modelo exponencial en los mismos datos, examina los residuos — mientras más pequeños, mejor. Recuerda que una exponencial eventualmente supera a cualquier polinomio, y deja que tanto la evidencia como el contexto guíen tu elección final.