Modeling with Logarithmic Functions · Modélisation avec des fonctions logarithmiques
| English | Français |
|---|---|
| logarithmic model/ˌlɒɡəˈrɪθmɪk ˈmɒdl/ | modèle logarithmique |
| regression/rɪˈɡreʃn/ | rétroactive |
| parameters/pəˈræmɪtəz/ | paramètres |
Growth that keeps slowing
- Some things improve fast at first, then crawl: a new skill, a filling reservoir, fading sound.
- The gains never stop, but each one is smaller than the last.
- That "fast then slow, forever" shape is exactly what a logarithm draws.
- So logarithmic models describe decelerating growth beautifully.
Croissance qui ralentit continuellement
- Certaines choses progressent vite au début, puis rampent : une nouvelle compétence, un réservoir qui se remplit, un son qui s'estompe.
- Les gains ne s'arrêtent jamais, mais chacun est plus petit que le précédent.
- Cette forme « rapide puis lent, pour toujours » est exactement ce que trace un logarithme.
- Les modèles logarithmiques décrivent donc magnifiquement une croissance décélérante.
Building a logarithmic model
- A logarithmic model 对数模型 has the form $y = a\log x + c$.
- It shoots up steeply for small $x$, then rises ever more gently.
- Choose it when the data climbs quickly and then flattens without a ceiling.
- Two or three points can pin down the constants by hand.
Construire un modèle logarithmique
- Un modèle logarithmique 对数模型 a la forme $y = a\log x + c$.
- Il monte brusquement pour de petites valeurs de $x$, puis s'élève de plus en plus doucement.
- Choisissez-le lorsque les données montent rapidement puis s'aplatissent sans atteindre de plafond.
- Deux ou trois points peuvent suffire à déterminer les constantes manuellement.
A logarithmic model suits data that… · Un modèle logarithmique convient aux données qui…
Logs rise fast then flatten — perfect for growth that slows but never stops, like learning curves. · Les logarithmes montent vite puis s'aplatissent — parfait pour la croissance qui ralentit mais ne s'arrête jamais, comme les courbes d'apprentissage.
Regression finds the fit
- With scattered data, run a logarithmic regression 回归 on a calculator.
- It returns the best-fit $a$ and $c$ for the curve $y = a\log x + c$.
- The curve threads the trend without matching any point exactly.
- The result is a formula ready to interpret and use.
La régression trouve l'ajustement
- Avec des données dispersées, effectuez une régression 回归 logarithmique sur une calculatrice.
- Elle fournit les meilleurs ajustements de $a$ et $c$ pour la courbe $y = a\log x + c$.
- La courbe traverse la tendance sans correspondre exactement à aucun point.
- Le résultat est une formule prête à être interprétée et utilisée.
A curve that rises fast, then flattens · Une courbe qui monte rapidement, puis s'aplatit
y = a·log(x − b) + c
A logarithmic model climbs steeply at first, then slows without ever stopping — ideal for data that keeps slowing down. · Un modèle logarithmique monte abruptement au début, puis ralentit sans jamais s'arrêter — idéal pour des données qui continuent de ralentir.
Technology can find a logarithmic ____ that best fits a data set. · La technologie peut trouver un logarithme ____ qui s'ajuste le mieux à un ensemble de données.
A logarithmic regression returns the $a$ and · et $c$ in $y = a\log x + c$ that fit the points best. · Une régression logarithmique retourne les $a$ et $c$ dans $y = a\log x + c$ qui ajustent le mieux les points.
Select all · tout true statements about logarithmic models. · Sélectionner toutes les affirmations vraies sur les modèles logarithmiques.
A log rises without bound — it slows but has no ceiling. The other three are correct. · Un logarithme augmente sans limite — il ralentit mais n'a pas de plafond. Les trois autres sont corrects.
Interpret the parameters
- The parameters 参数 $a$ and $c$ carry real meaning.
- A larger $a$ stretches the curve, meaning a faster initial rise.
- The constant $c$ shifts the whole curve up or down to match the data's level.
- Reading these numbers turns the model back into a statement about the situation.
Interpréter les paramètres
- Les paramètres 参数 $a$ et $c$ ont un sens réel.
- Une valeur plus grande de $a$ étire la courbe, indiquant une montée initiale plus rapide.
- La constante $c$ déplace toute la courbe vers le haut ou le bas pour s'aligner sur le niveau des données.
- Lire ces nombres reconvertit le modèle en une affirmation concrète sur la situation.
The · Le parameters of a fitted model can be interpreted in terms of the real situation. · Les paramètres d'un modèle ajusté peuvent être interprétés en termes de situation réelle.
Each constant carries meaning — a bigger $a$ means a faster initial rise, for example. · Chaque constante a un sens — une valeur plus grande de $a$ signifie une montée initiale plus rapide, par exemple.
Which contrast is correct? · Quel contraste est correct ?
They are inverses: the exponential accelerates, while its mirror the log decelerates. · Ils sont inverses : l'exponentielle accélère, tandis que son miroir, le logarithme, décélère.
Log versus exponential contexts
- An exponential fits things that accelerate: populations, compound interest, viral spread.
- A logarithm fits things that decelerate: sensory perception, diminishing returns.
- They are inverses, so their model shapes are opposite.
- Ask "is growth speeding up or slowing down?" to pick the right family.
Logarithme versus contexte exponentiel
- Un exponentiel s'adapte aux phénomènes qui s'accélèrent : populations, intérêts composés, propagation virale.
- Un logarithme s'adapte aux phénomènes qui décélèrent : perception sensorielle, rendements décroissants.
- Ce sont des fonctions inverses, donc leurs formes de modèle sont opposées.
- Posez la question : « la croissance s'accélère-t-elle ou ralentit-elle ? » pour choisir la bonne famille.
A logarithmic model slows down but never stops — it has no upper limit. Do not use it for something that truly saturates at a hard ceiling (a different model handles that). It only fits growth that keeps rising, just more and more gently.
Un modèle logarithmique ralentit mais ne s'arrête jamais — il n'a aucun plafond. Ne l'utilisez pas pour quelque chose qui saturerait vraiment à un plafond fixe (un autre modèle gère cela). Il ne s'adapte qu'à une croissance qui continue d'augmenter, mais de plus en plus doucement.
A study finds a test score rises with study hours as $S = 20\log_{10} h + 40$.
- At $h = 1$: $S = 20(0) + 40 = 40$.
- At $h = 10$: $S = 20(1) + 40 = 60$ — ten times the hours for $+20$ points.
- The gain from $10 \to 100$ hours is again just $+20$: clear diminishing returns.
Une étude montre que la note d'un test augmente avec les heures d'étude selon $S = 20\log_{10} h + 40$.
- À $h = 1$ : $S = 20(0) + 40 = 40$.
- À $h = 10$ : $S = 20(1) + 40 = 60$ — dix fois plus d'heures pour $+20$ points.
- Le gain après $10 \to 100$ heures est encore juste $+20$ : rendements décroissants clairs.
A logarithmic model $y = a\log x + c$ fits data that rises quickly then keeps slowing. Find it with a logarithmic regression, interpret its parameters in context, and remember it has no ceiling — it decelerates but never stops rising.
Un modèle logarithmique $y = a\log x + c$ s'adapte à des données qui montent vite puis continuent de ralentir. Trouvez-le par une régression logarithmique, interprétez ses paramètres dans le contexte, et rappelez-vous qu'il n'a pas de plafond — il décélère mais ne cesse jamais d'augmenter.