Building and Applying a Model · Construire et appliquer un modèle
| English | Français |
|---|---|
| function model/ˈfʌŋkʃn ˈmɒdl/ | modèle fonctionnel |
| regression/rɪˈɡreʃn/ | rétroactive |
| interpolation/ɪnˌtɜːpəˈleɪʃn/ | l'interpolation |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolation |
| parameters/pəˈræmɪtəz/ | paramètres |
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.
Des données à une formule
- Sélectionner une famille de modèles ne représente que la moitié du travail ; maintenant, vous construisez la règle elle-même.
- Un bon modèle transforme un tableau de mesures en une formule que vous pouvez calculer.
- Une fois la formule obtenue, vous pouvez prédire des valeurs jamais mesurées.
- C'est ainsi que le précalcul devient un outil pour le monde réel.
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.
Construire le modèle
- Un modèle fonctionnel 函数模型 est une règle qui capture comment une quantité dépend d'une autre.
- Vous pouvez le construire à partir d'une description verbale, d'un tableau de valeurs ou d'un graphique.
- « Coûts $\$5$ to start plus $\$2$ par article » devient $C = 5 + 2n$ immédiatement.
- Associez la famille à la forme (Leçon 1.13), puis fixez les nombres exacts.
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 régression trouve le meilleur ajustement
- Avec de nombreux points dispersés, la régression 回归 trouve la droite ou la courbe de meilleur ajustement grâce aux technologies.
- Elle choisit le modèle qui s'approche au plus près de tous les données simultanément.
- Le résultat fournit les nombres dans la règle du modèle, prêts à l'emploi.
- Aucun point unique ne se situe parfaitement dessus — il capture la tendance globale.
A model line — read its rate and starting value · Une droite de modèle — lire sa pente et sa valeur initiale
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. · Ici, a est le taux de changement et b est la valeur de départ. Ajustez-les pour correspondre aux données, puis insérez une entrée pour faire une prédiction.
A regression finds… · Une régression trouve…
Regression fits the model that comes closest to all · tout the points at once — the best-fit model, using technology. · La régression ajuste le modèle qui s'approche au plus près de tous les points simultanément — le modèle de meilleur ajustement, à l'aide d'un outil technologique.
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.
Interpolation versus extrapolation
- L'interpolation 内插 prédit entre les points de données connus — généralement sûr.
- L'extrapolation 外推 prédit au-delà des données — plus risquée si vous allez loin.
- Un modèle sans données sur lesquelles s'appuyer peut s'éloigner considérablement de la réalité.
- Faites davantage confiance à l'interpolation qu'à l'extrapolation, et précisez laquelle vous avez utilisée.
Predicting a value between · entre known data points is called ____. · Prédire une valeur entre des points de données connus s'appelle ____.
Interpolation stays inside the data range, so it is usually reliable. · L'interpolation reste dans la plage de données, donc elle est généralement fiable.
Predicting far outside the range of the data (extrapolation) is usually… · Prédire loin hors de la plage de données (extrapolation) est généralement…
Far from the data the model has no evidence to lean on, so extrapolation is the riskiest prediction. · Loin des données, le modèle n'a aucune preuve sur laquelle s'appuyer, donc l'extrapolation est la prédiction la plus risquée.
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.
Interpréter les paramètres
- Les paramètres 参数 (les nombres dans la règle) ont un sens concret.
- Dans $C = 5 + 2n$, le $5$ est le coût fixe initial et le $2$ est le coût par article.
- Lire les paramètres dans leur contexte retransforme une formule en une histoire sur la situation.
- Une bonne réponse indique toujours ce que chaque nombre signifie, avec ses unités.
A model gives cost $= 2x + 1$ (in thousands). Predict the cost when $x = 10$. · Un modèle donne un coût $= 2x + 1$ (en milliers). Prédisez le coût lorsque $x = 10$.
Substitute: $2(10) + 1 = 21$ thousand. Plugging an input into the model is how you apply it. · Substituer : $2(10) + 1 = 21$ millier. Insérer une entrée dans le modèle est la façon de l'appliquer.
The · Le parameters of a model (like the slope) can be interpreted in terms of the real situation. · Les paramètres d'un modèle (comme la pente) peuvent être interprétés en termes de situation réelle.
In cost $= 2x + 1$, the $2$ is the cost per unit and the $1$ is the fixed start-up cost — real meanings. · Dans le coût $= 2x + 1$, le $2$ est le coût par unité et le $1$ est le coût fixe de démarrage — des significations réelles.
Put the steps of using a model in order. · Mettez les étapes d'utilisation d'un modèle dans l'ordre.
Data → fit → predict → check. The final check catches a model that has drifted from reality. · Données → ajustement → prédiction → vérification. La vérification finale permet de détecter un modèle qui s'éloigne de la réalité.
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.
S'extrapoler trop loin est un piège classique. Un modèle linéaire de ventes peut prédire des milliards de ventes dans vingt ans — clairement absurde. Vérifiez toujours la pertinence d'une prédiction par rapport à la réalité avant de la croire.
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 batterie d'un téléphone passe de $100\%$ à environ $8\%$ par heure.
- Modèle : $B = 100 - 8h$, un modèle fonctionnel linéaire.
- Interpolation à $h = 3$ : $B = 100 - 24 = 76\%$ — dans les données, fiable.
- Extrapoler à $h = 20$ : $B = -60\%$ — impossible, donc le modèle a échoué.
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.
Construisez un modèle fonctionnel à partir de mots, d'un tableau ou d'un graphique, en utilisant la régression pour le meilleur ajustement. Utilisez-le pour interpoler (sûr, dans les données) ou extrapoler (risqué, au-delà), interprétez ses paramètres dans le contexte, et vérifiez toujours que la prédiction a du sens dans le monde réel.