Building and Applying a Model · Construindo e Aplicando um Modelo
| English | Português |
|---|---|
| function model/ˈfʌŋkʃn ˈmɒdl/ | modelo de função |
| regression/rɪˈɡreʃn/ | regressão |
| interpolation/ɪnˌtɜːpəˈleɪʃn/ | interpolação |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolação |
| parameters/pəˈræmɪtəz/ | parâmetros |
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.
De dados para uma fórmula
- Selecionar uma família de modelos é apenas metade do trabalho; agora você constrói a regra real.
- Um bom modelo transforma uma tabela de medições em uma fórmula que você pode calcular.
- Uma vez que você tem a fórmula, pode prever valores que nunca mediu.
- É assim que o pré-cálculo se torna uma ferramenta para o mundo real.
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.
Construa o modelo
- Um modelo funcional 函数模型 é uma regra que captura como uma quantidade depende de outra.
- Você pode construí-lo a partir de uma descrição verbal, uma tabela de valores ou um gráfico.
- "Custa $\$5$ to start plus $\$2$ por item" torna-se $C = 5 + 2n$ imediatamente.
- Combine a família com a forma (Aula 1.13), depois defina os números exatos.
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.
A regressão encontra o melhor ajuste
- Com muitos pontos dispersos, a regressão 回归 usa tecnologia para encontrar a linha ou curva de melhor ajuste.
- Ela escolhe o modelo que se aproxima mais de todos os dados ao mesmo tempo.
- O resultado fornece os números da regra do modelo, prontos para uso.
- Nenhum ponto individual está sobre ela perfeitamente — ela captura a tendência geral.
A model line — read its rate and starting value · Uma linha de modelo — leia sua taxa e valor inicial
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. · Aqui a é a taxa de variação e b é o valor inicial. Ajuste-os para se adequar aos dados, em seguida insira uma entrada para fazer uma previsão.
A regression finds… · Uma regressão encontra…
Regression fits the model that comes closest to all · todos the points at once — the best-fit model, using technology. · A regressão ajusta o modelo que fica mais próximo de todos os pontos ao mesmo tempo — o modelo de melhor ajuste, usando tecnologia.
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.
Interpolação versus extrapolação
- Interpolação 内插 prediz entre pontos de dados conhecidos — geralmente seguro.
- Extrapolação 外推 prediz além dos dados — mais arriscado quanto mais longe você for.
- Um modelo sem dados para se basear pode se desviar muito da realidade.
- Confie mais na interpolação do que na extrapolação, e diga qual usou.
Predicting a value between · entre known data points is called ____. · Prever um valor entre pontos de dados conhecidos é chamado ____.
Interpolation stays inside the data range, so it is usually reliable. · Interpolação permanece dentro da faixa de dados, então geralmente é confiável.
Predicting far outside the range of the data (extrapolation) is usually… · Prever longe fora da faixa de dados (extrapolação) é geralmente…
Far from the data the model has no evidence to lean on, so extrapolation is the riskiest prediction. · Longe dos dados, o modelo não tem evidências nas quais basear-se, então extrapolação é a previsão mais arriscada.
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.
Interprete os parâmetros
- Os parâmetros 参数 (os números na regra) carregam significado no mundo real.
- Em $C = 5 + 2n$, o $5$ é o custo fixo inicial e o $2$ é o custo por item.
- Ler os parâmetros em contexto transforma uma fórmula de volta em uma história sobre a situação.
- Uma boa resposta sempre diz o que cada número significa, com suas unidades.
A model gives cost $= 2x + 1$ (in thousands). Predict the cost when $x = 10$. · Um modelo dá custo $= 2x + 1$ (em milhares). Preveja o custo quando $x = 10$.
Substitute: $2(10) + 1 = 21$ thousand. Plugging an input into the model is how you apply it. · Substitua: $2(10) + 1 = 21$ mil. Inserir uma entrada no modelo é como aplicá-lo.
The · A parameters of a model (like the slope) can be interpreted in terms of the real situation. · Os parâmetros de um modelo (como a inclinação) podem ser interpretados em termos da situação real.
In cost $= 2x + 1$, the $2$ is the cost per unit and the $1$ is the fixed start-up cost — real meanings. · No custo $= 2x + 1$, o $2$ é o custo por unidade e o $1$ é o custo fixo de início — significados reais.
Put the steps of using a model in order. · Coloque os passos do uso de um modelo em ordem.
Data → fit → predict → check. The final check catches a model that has drifted from reality. · Dados → ajustar → prever → verificar. A verificação final captura um modelo que se desviou da realidade.
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.
Fazer extrapolação demais é uma armadilha clássica. Um modelo linear de vendas pode prever bilhões de vendas em vinte anos — claramente absurdo. Sempre verifique a plausibilidade de uma previsão contra a situação real antes de confiá-la.
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.
A bateria de um telefone cai de $100\%$ em cerca de $8\%$ por hora.
- Modelo: $B = 100 - 8h$, um modelo funcional linear.
- Interpole em $h = 3$: $B = 100 - 24 = 76\%$ — dentro dos dados, confiável.
- Extrapole em $h = 20$: $B = -60\%$ — impossível, então o modelo falhou.
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.
Construa um modelo funcional a partir de palavras, uma tabela ou um gráfico, usando regressão para o melhor ajuste. Use-o para interpolar (seguro, dentro dos dados) ou extrapolares (arriscado, além dele), interprete seus parâmetros em contexto e sempre verifique se a previsão faz sentido no mundo real.