函数模型选择与假设表述

AP 预备微积分· AP 预备微积分 CED — 多项式与有理函数· 14 分钟阅读

1. 核心概念与考试要求★★☆☆☆⏱ 3 min

函数模型选择与假设表述是指将情境数据集或关系描述匹配到合适的多项式或有理函数模型，然后明确陈述使模型有效的隐含简化假设的过程。

根据AP预备微积分CED，该主题占总分的约2.5%，同时出现在选择题（MCQ）和自由问答题（FRQ）部分。选择题通常通过排除不恰当候选模型考察模型识别，而FRQ要求论证模型选择并明确表述假设才能获得满分。与纯统计回归不同，本主题强调将函数行为与情境约束匹配，而非仅仅最小化预测误差。

2. 通过端点行为与约束选择模型★★☆☆☆⏱ 4 min

任何模型选择问题的第一步都是通过将候选模型的端点行为和定义域性质与情境要求匹配，缩小候选范围。对于多项式和有理函数，关键性质是：

奇次多项式：端点行为相反（一端趋近 $+ \infty$ ，另一端 $- \infty$ ），对所有实数输入都有定义
偶次多项式：端点行为相同（两端都趋近同符号的无穷），对所有实数输入都有定义
有理函数（多项式的比值）：可以在分母为零（且无法与分子约去）的有限输入处存在垂直渐近线，端点行为取决于分子分母的次数差

本主题中只有有理函数存在垂直渐近线，因此任何要求输出在有限输入处趋近无穷的情境都必须使用有理模型。在拟合参数或比较拟合度之前，请始终先排除不恰当的候选模型。

📐 例题

城市规划师将新建居民区的总能耗 $E$ （单位：兆瓦时）建模为房屋数量 $h$ 的函数，其中 $h > 0$ 。情境信息：(1) 当房屋数量变得很大时，总能耗无界增长，且增速大致恒定。(2) 如果居民区有0栋房屋，住宅总能耗为0。哪个模型最合适，为什么？

1
列出情境要求的性质：
- 当 $h \to + \infty$ 时的端点行为： $E (h) \to + \infty$ ，斜率恒定
- $E (0) = 0$ （0处输出有限，无垂直渐近线）
2
排除偶次多项式：所有偶次多项式端点行为相同，因此 $E (h) \to + \infty$ as $h \to - \infty$ ，这会错误地预测负（情境中无意义）房屋数量对应正能耗。
3
排除有理模型：要得到恒定斜率的端点行为，有理模型需要分子比分母高一次，这要求在某个有限的 $h > 0$ 处存在垂直渐近线。此处不需要，因为 $h = 0$ 处输出为0，是有限值。
4
唯一匹配的模型是线性（一次）多项式： $E (h) = k h$ 其中 $k > 0$ 是每栋房屋的能耗，满足所有要求的约束。

Exam tip:

70%的AP选择题模型选择问题仅需排除不符合情境的候选模型即可解答，无需计算。

3. 清晰表述明确的建模假设★★★☆☆⏱ 3 min

选择模型后，AP预备微积分要求你明确陈述支撑你选择的假设。所有模型都是对现实世界复杂性的简化，假设是你使用模型时接受的隐含约束。假设必须直接与你的模型形式关联，不能是“测量准确”这类泛泛表述。

恒定边际变化（线性模型）
恒定加速度（二次抛体模型）
固定环境容纳量（有理种群模型）
不存在改变函数行为的外部未建模因素

📐 例题

土木工程师使用二次模型 $h (t) = - 16 t^{2} + 64 t + 12$ 对消防水枪喷出的水的高度建模，其中 $t$ 是水离开喷嘴后的时间（秒）。说出工程师为使该模型有效所做的一个关键假设，并解释为什么它是必要的。

1
此处的核心假设是水流的空气阻力可忽略，且重力加速度恒定。
2
该假设是必要的，因为二次模型的二阶导数恒定（加速度恒定），只有当加速度不随速度或时间变化时才成立。
3
如果空气阻力不可忽略，加速度会随水流速度增加而降低，函数形式就会从二次变为高次多项式或有理函数。
4
该假设直接影响模型预测：忽略空气阻力会导致二次模型高估水流的最大高度和射程。

Exam tip:

对于FRQ，请始终将你的假设与你选择的函数形式关联。泛泛的假设不会得分。

4. 比较拟合度与验证外推★★★☆☆⏱ 4 min

当多个候选模型都满足基本情境约束时，你接下来需要比较它们对观测数据的拟合程度，以及它们的外推（对观测数据范围以外输入的预测）在情境中是否合理。一个拟合观测数据很好的模型，如果外推得到不可能的值，仍然是无效的。

📘 定义

误差平方和

SSE

一种拟合优度指标，计算每个模型预测值与观测数据值差的平方和。SSE越低，说明对观测数据的拟合越好。

但在AP考试中，外推的情境有效性始终优先于SSE。一个对观测数据SSE更低，但外推得到不可能结果的模型，始终应该被拒绝。

📐 例题

制造企业收集了生产 $n$ 件定制零件的平均成本 $C (n)$ （单位：美元/件）的数据：

$n$	10	50	100	200
$C (n)$	27	7.4	5.2	4.6

对数据拟合得到线性模型 $C (n) = - 0.11 n + 16$ ，有理模型为 $C (n) = \frac{200 + 3 n}{n}$ 。哪个模型更适合外推到 $n = 1000$ 件，为什么？

1
计算每个模型的外推值：
2
$C(1000)_{\text{linear}} = -0.11(1000) + 16 = -94 \\ C(1000)_{\text{rational}} = \frac{200 + 3(1000)}{1000} = 3.2$
3
从情境来说，单位平均成本永远不可能为负，因此线性模型的外推是不可能的。有理模型在 $lim_{n \to + \infty} C (n) = 3$ 美元/单位处存在水平渐近线，这符合现实预期：对于大规模生产，平均成本会趋近于单位可变成本。
4
检查对观测数据的拟合：线性模型的SSE约为260，而有理模型的SSE约为22，说明有理模型对观测数据的拟合也远好于线性模型。
5
结论：有理模型是外推的更好选择。

Exam tip:

即使模型对观测数据拟合良好，也要始终检查外推值在情境中是否合理（不存在负计数、负成本或负浓度）。AP考试经常考察这一点。

5. 常见陷阱

错误做法:

对需要在有限正输入处存在垂直渐近线的情境选择多项式模型。

原因:

学生默认选择更简单的多项式，忘记多项式对所有实数输入都有定义，因此无法在有限输入处产生无穷输出。

正确做法:

始终检查你的情境是否要求输出在有限输入处趋近无穷；如果是，选择在该输入处存在垂直渐近线的有理模型。

错误做法:

在FRQ中陈述泛泛的假设（例如“所有数据都准确”）而非模型特定假设。

原因:

学生混淆了通用测量假设和函数形式假设，而AP问题考察的是后者。

正确做法:

始终将你的假设与所选模型的形式关联，例如：“我假设每个客户的平均收入恒定，因此线性模型比二次模型更合适。”

错误做法:

对正输入增长时输出增长到 $+ \infty$ 的情境选择偶次多项式，导致所有负输入都对应正输出。

原因:

学生忘记偶次多项式两端端点行为相同，导致对情境中无意义的负输入产生不合理预测。

正确做法:

对于仅正输入有效且输出增长到 $+ \infty$ as $x \to + \infty$ 的情境，优先选择奇次多项式，除非情境明确要求偶次行为。

错误做法:

假设对观测数据误差更低的模型自动就是外推的最佳选择。

原因:

学生只关注现有数据的拟合优度，忽略了观测数据范围以外模型的行为。

正确做法:

选择模型进行外推前，始终检查定义域边缘处模型行为的情境有效性。

错误做法:

忘记将模型定义域限制为情境有效的输入，导致结果解释错误。

原因:

学生假设函数的整个数学定义域都是有效的，即使输入在情境中没有意义。

正确做法:

始终明确陈述你的模型的定义域，例如 $n > 0$ 对应数量，避免将无效输入解释为有意义。

6. 速查表

模型类型	关键性质	适用于以下情境：
线性（一次多项式）	斜率恒定，处处有定义，奇次	恒定变化率，所有输入处输出有限
二次（二次多项式）	二阶导数恒定，端点行为相同，处处有定义	恒定加速度，抛物线型关系
高次奇多项式	端点行为相反，处处有定义	正输入增长时输出无界增长，无垂直渐近线
偶次多项式	端点行为相同，处处有定义	两端输出都趋近同一无穷，对称关系
有理函数	可存在垂直/水平/斜渐近线	有限输入处输出趋近无穷，大输入时趋近水平渐近线

真题中的出现

AI 根据考纲规律估算的考点位置,请对照官方真题核实准确性。仅作复习重点参考。

2024 · AP Precalculus
FRQ 模型选择论证
2023 · AP Precalculus
MCQ 候选模型排除

深入阅读

official syllabusAP 预备微积分课程与考试说明官方主题框架

下一步

掌握模型选择与假设表述为所有未来应用数学（包括AP微积分、AP统计学和大学水平量化课程）奠定了基础技能。本主题侧重于概念理解而非计算，因此练习排除不恰当候选模型和表述模型特定假设会让所有涉及情境建模的AP预备微积分单元都受益。掌握本主题后，你可以继续学习其他函数类型的高级建模主题，加深对多项式行为的理解，或者练习其他有理函数主题的FRQ论证。