Modeling with Logarithmic Functions
Introduit| English | Sens |
|---|---|
| logarithmic model/ˌlɒɡəˈrɪθmɪk ˈmɒdl/ | modèle logarithmique |
| parameters/pəˈræmɪtəz/ | paramètres |
| domain/dəˈmeɪn/ | domaine de définition |
| interpolation/ɪnˌtɜːpəˈleɪʃn/ | interpolation |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolation |
| regression/rɪˈɡreʃn/ | régression |
| natural log/ˈnætʃərəl lɒɡ/ | logarithme naturel |
| residuals/rɪˈsɪdʒuːəlz/ | résidus |
Retrouver le temps écoulé à partir d'une quantité
- Supposons qu'une quantité double chaque heure, en partant de 100. Les quantités $100,200,400,800$ correspondent à des durées écoulées de $0,1,2,3$ heures : multiplier l'entrée par 2 ajoute 1 à la sortie temporelle.
- Un modèle logarithmique exprime cette question inverse. La quantité croît exponentiellement avec le temps, tandis que le temps est une fonction logarithmique de la quantité. La variable d'entrée importe.
Construire un modèle à partir d'une racine et d'une proportion
- Le modèle temporel a une valeur nulle à $N=100$, où le temps écoulé est 0. Chaque doublement ajoute une heure, donc le modèle est $T(N)=\log_2(N/100)$. Il donne $T(800)=3$.
- Sa condition d'entrée mathématique est $N>0$, mais un contexte commençant à t=0 utilise $N\ge100$. Les prédictions de temps fractionnaire supposent aussi que la règle exponentielle décrit une croissance continue entre les observations.
When is an increasing, nonconstant logarithmic model a reasonable candidate to check?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
A logarithm turns multiplicative input changes into additive output changes. Check the variables, residuals and context; a concave-down appearance alone is insufficient.
An amount starts at 100 and doubles each hour. Which model returns elapsed hours from amount N?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
The model must return 0 at N=100 and add 1 each time N doubles. The ratio N/100 normalises the start.
Déterminer un modèle à partir de deux observations
- Fixer la base 10 et utiliser la forme non décalée $y=a\log_{10}x+c$. Les points $(1,1)$ et $(10,3)$ donnent $c=1$ et $a+1=3$, donc le modèle est $y=2\log_{10}x+1$.
- Pour une base fixe $b>0$, $b\ne1$, deux entrées positives distinctes déterminent les coefficients de cette forme non décalée. Soustraire les équations des observations, puis récupérer la constante. Un décalage inconnu de l'entrée ajoute un paramètre supplémentaire et nécessite plus d'informations.
Pour $y=a\log_{10}x+c$ through (1,1) and (10,3), what is a?
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
The first point gives c=1; the second gives a+1=3, so a=2.
Interpréter les paramètres avec leur base et leurs unités
- Les paramètres ont des significations précises : dans $y=a\log_b x+c$, la valeur à $x=1$ est $c$, et multiplier une entrée positive par $b$ modifie la sortie de $a$. Pour $2\log_{10}x+1$, chaque multiplication de l'entrée par dix ajoute 2.
- La constante n'est pas la sortie à zéro : le logarithme y est indéfini. Avec une base supérieure à 1, un $a$ négatif donne des valeurs décroissantes. Un coefficient ajusté à zéro suggère un modèle constant plutôt qu'un logarithme non constant. N'interprétez les coefficients qu'avec la base et les unités d'entrée spécifiées.
Le parameters of a fitted model can be interpreted in terms of the real situation.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Interpret coefficients with their base and units. In y=a log_b(x)+c, c is the model output at x=1; multiplying the positive input by b changes the output by a.
Pour $y=2\log_{10}x+1$, what is the model output at x=1?
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
log₁₀1=0, so the constant 1 is the output at one input unit, not at zero.
Pour $y=2\log_{10}x+1$, what does the coefficient 2 mean?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
A base-10 logarithm increases by 1 when its input is multiplied by 10. The coefficient scales that change to 2.
Evaluate $y=-2\log_{10}x+5$ at x=100.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
The logarithm is 2, so y=−4+5=1. A negative coefficient with base greater than 1 gives a decreasing model.
Séparer le domaine de la plage d'entrées observées
- Le domaine d'une expression logarithmique non décalée est $x>0$. Si seules les entrées 1 et 10 ont été observées, prédire à $x=5$ est une interpolation, tandis que prédire à $x=100$ est une extrapolation.
- La formule $2\log_{10}x+1$ prédit environ 2.398 à 5. Une valeur extrapolée peut être définie mathématiquement sans être soutenue par les observations. Indiquez la plage de données, les hypothèses et toute restriction physique avec la prédiction.
A model is fitted only to inputs 1 and 10. A prediction at input 100 is…
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
100 lies outside the observed input range [1,10]. The formula can be defined there without the data validating it.
Justifier tout décalage avant de l'ajuster
- Un exemple décalé $P(t)=10\ln(t+1)+5$ est mathématiquement défini pour $t>-1$. Dans un contexte limité à $t\ge0$, il commence à $P(0)=5$ ; le décalage rend t=0 utilisable car l'argument du log est 1.
- Ici $P(e-1)=15$. Des changements multiplicatifs égaux appartiennent à l'entrée ajustée $t+1$, pas au temps brut $t$. Un décalage doit provenir du contexte ou être estimé avec suffisamment de données ; ne pas en insérer un simplement pour masquer une entrée invalide.
What is the mathematical domain of $P(t)=10\ln(t+1)+5$?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
The argument needs t+1>0. A particular context may impose the narrower restriction t≥0, but that is different from the mathematical domain.
Ajuster des observations dispersées avec régression
- Une régression logarithmique ajuste $y$ contre le logarithme de l'entrée positive $x$. Pour une base et un décalage spécifiés, les moindres carrés choisissent les coefficients pour minimiser la somme des carrés des erreurs verticales. Elle ne passe pas nécessairement par toutes les observations, mais peut passer par certaines ou toutes.
- Pour des observations illustratives $(1,1.2)$, $(10,2.6)$ et $(100,5.2)$, l'ajustement aux moindres carrés de base-10 est $\hat y=2\log_{10}x+1$. La technologie peut rapporter une forme équivalente utilisant le logarithme naturel. Ne pas confondre régresser $y$ sur $\ln x$ avec calculer $\ln y$.

Technology can find a logarithmic ____ that best fits a data set.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
For the chosen base and fixed shift, logarithmic regression fits y against log(input). Least squares minimises squared vertical residuals within that family, without proving that the family is appropriate.
Examiner les résidus avant de faire confiance à une prédiction
- Les résidus sont les valeurs observées moins les valeurs ajustées. À l'entrée 10 des données illustratives, le modèle prédit 3 alors que l'observation est 2.6, ce qui donne un résidu $-0.4$. Le point se situe sous la courbe ajustée.
- Les trois résidus sont $0.2,-0.4,0.2$, donc leur somme des carrés est 0.24. Il s'agit d'un ajustement au sein de la famille choisie, et non d'une preuve que le modèle est approprié. Trois observations constituent une preuve limitée : examiner les motifs, comparer les familles plausibles et vérifier avec davantage de données si disponibles.
Construct a model and inspect its predictions
Fit (1,1) and (10,3), then compare scattered, decreasing and constant observations. Distinguish interpolation from extrapolation.
An observation is 2.6 and the fitted value is 3. What is the residual?
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Residual=observed −fitted=2.6−3=−0.4, so the observation is below the fitted curve.
Utiliser des logarithmes naturels avec la même signification
- Le logarithme naturel donne le modèle temporel comme $T(N)=\dfrac{\ln(N/100)}{\ln2}$. À $N=300$, il prédit environ 1.585 heures. Si les quantités observées s'étendent de 100 à 800, cela relève d'une interpolation sous l'hypothèse de croissance continue.
- Changer la base du logarithme redimensionne son coefficient et laisse la courbe ajustée inchangée. Dans $y=a\ln x+c$, multiplier l'entrée par $e$ ajoute $a$ à la sortie. Conserver les coefficients complets pour les calculs, puis arrondir la prédiction finale avec ses unités.
Pour $T(N)=\ln(N/100)/\ln 2$, estimate T(300) to three decimal places.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
ln 3/ln 2≈1.585 hours, assuming continuous doubling between observations.
Choisir une famille selon le motif entrée-sortie
- Une exponentielle croissante présente des sorties proportionnelles sur des incréments d'entrée égaux. Son inverse logarithmique présente des incréments de sortie égaux sur des entrées proportionnelles. Le même processus de doublement peut donc être exprimé soit comme un modèle exponentiel quantité-temps, soit comme un modèle logarithmique temps-quantité.
- La forme seule est insuffisante. Une exponentielle décroissante change également rapidement puis s'aplatit, mais vers une asymptote horizontale. Un processus de croissance borné peut sembler convexe vers le bas sur une fenêtre limitée. Examiner les variables, les rapports, les résidus et le contexte avant de choisir une famille.
For a growing exponential and its logarithmic inverse, which input-output contrast is correct?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Reversing input and output swaps the roles of additive and multiplicative change. An exponential is not always increasing, and shape alone does not choose a model.
Respecter une issue bornée
- Dans un exemple de score illustratif, $S(h)=20\log_{10}h+40$ correspond aux scores 40 à 1 heure(s) d'étude et 60 à 10 heures. Le coefficient signifie qu'une augmentation décuplée ajoute 20 points ; 40 est la sortie du modèle à une heure, pas à zéro heure.
- Un score est plafonné à 100, mais la formule prédit 120 à 10,000 heures. Il peut s'agir d'une approximation locale, et non d'une description globale d'un plafond. Prédire à 100 heures implique aussi une extrapolation au-delà des deux observations, bien que la prédiction numérique reste inférieure à 100.
Construire le modèle à partir de son motif entrée-sortie, d'un zéro et d'un ratio, d'observations ou d'une régression. Énoncer la base, les unités, les restrictions d'entrée et la plage observée. Un bon ajustement doit être vérifié par rapport aux résidus et au contexte, surtout avant toute extrapolation.
Select all true statements about fitting and using a nonconstant logarithmic model.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
The unrestricted nonconstant formula is unbounded. A fit may still be useful locally for a bounded outcome, but extrapolation must respect physical limits and evidence.
The score model $S(h)=20\log_{10}h+40$ must be valid for every h>0 because its mathematical formula is defined there.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
A real score is capped at 100, but this formula predicts 120 at h=10000. Mathematical definition does not establish validity outside the observed range or physical limits.
Expliquer une prédiction et ses limites
- Pour $y=2\log_{10}x+1$, évaluer $y$ à $x=100$ et expliquer le calcul.
- Si le modèle n'a utilisé que $(1,1)$ et $(10,3)$, classifier cette prédiction et expliquer la signification des deux coefficients. Distinguer la validité mathématique de la preuve que la prédiction est fiable.
Pour $y=2\log_{10}x+1$, find y at x=100. If the model used only (1,1) and (10,3), classify the prediction and interpret both coefficients.
4 plus 1 is 5.
Pour $y=2\log_{10}x+1$, what is y at x=100?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
2 times 2 plus 1 is 5. Other options — 2 (the logarithm alone); 100 (the input).