בנייה ויישום של מודל
הוצג| English | משמעות |
|---|---|
| function model/ˈfʌŋkʃn ˈmɒdl/ | מודל פונקציונלי |
| regression/rɪˈɡreʃn/ | רגרסיה |
| interpolation/ɪnˌtɜːpəˈleɪʃn/ | אינטרפולציה |
| extrapolation/ekˈstræpəleɪʃn/ | אקסטרפולציה |
| parameters/pəˈræmɪtəz/ | פרמטרים |
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.
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.
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.
קו מודל — קרא את הקצב ואת הערך ההתחלתי שלו
y = ax + b
כאן a הוא קצב השינוי ו-b הוא הערך ההתחלתי. התאים אותם לנתונים, ואז הצב כניסה כדי לבצע חיזוי.
ריגרסיה מוצאת…
Difficulty 1/5 · 100 coins + a small bonus on first completion today
ריגרסיה מתאימה את המודל הקרוב ביותר ל-כל הנקודות בו-זמנית — המודל המתאים ביותר, באמצעות טכנולוגיה.
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.
חיזוי ערך בתוך נקודות נתונים ידועות נקרא ____.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
אינטרפולציה נשארת בתוך טווח הנתונים, ולכן היא בדרך כלל אמינה.
חיזוי רחוק מחוץ לטווח הנתונים (אקסטרפולציה) הוא בדרך כלל…
Difficulty 1/5 · 100 coins + a small bonus on first completion today
רחוק מהנתונים המודל אינו יכול להסתמך על שום עדות, ולכן אקסטרפולציה היא החיזוי הסיכון הגדול ביותר.
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.
מודל נותן עלות $= 2x + 1$ (אלפי דולרים). חזה את העלות כאשר $x = 10$.
Difficulty 2/5 · 140 coins + a small bonus on first completion today
הצבה: $2(10) + 1 = 21$ אלף. הצבת כניסה במודל היא הדרך להשתמש בו.
פרמטרים של מודל (כמו השיפוע) ניתנים לפרשנות בהקשר המציאותי.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
בעלות $= 2x + 1$, ה$2$ הוא העלות ליחידה וה$1$ היא עלות ההקמה הקבועה — המשמעות הממשית.
סדר את השלבים בשימוש בדגם.
Difficulty 3/5 · 200 coins + a small bonus on first completion today
נתונים → התאמה → חיזוי → בדיקה. הבדיקה האחרונה מזהה דגם שסטה מהמציאות.
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.
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.
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.