# 函数建模

> IB 数学 AI HL · IB AI HL 第二单元：函数
> 来源: https://www.owlsprep.com/zh/study/ib-math-ai-hl-u2-modelling-with-functions/

本子主题涵盖为真实世界现象构建和解释函数模型。你将学习如何将数据模式匹配到合适的函数类型、拟合参数、解释结果，以及评估模型对情境的描述效果。

**先修:** [多项式函数的性质](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u2-polynomial-functions/); [指数与对数函数](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u2-exponential-logarithmic-functions/)

## 学习目标

- 根据情境为真实世界建模问题选择合适的函数类型
- 使用绘图技术对给定数据拟合函数回归模型
- 在原问题的情境中解释模型参数
- 评估模型的有效性和预测的可靠性

## 选择正确的函数类型

任何建模问题的第一步都是确定哪个函数族符合数据的趋势和预期行为。你可以通过绘制数据，将其形状与已知函数行为匹配来完成这一步。

**函数模型** — 为近似真实世界现象行为构建的数学函数，其参数经过调整以拟合观测数据。

- 线性模型：恒定变化率，直线趋势
- 二次模型：单个转折点，恒定加速度
- 指数模型：恒定比例增长/衰减
- 逻辑模型：增长到承载容量后趋于平稳
- 三角模型：周期性重复行为

**例题:** 咖啡师记录了一份降温中的拿铁在20分钟内的温度。温度向室温下降，下降速率随时间减慢。哪种函数类型最适合这个模型？

1. 识别关键行为：温度下降并趋近于室温对应的水平渐近线
2. 与常见函数类型对比：指数衰减趋近于恒定渐近线，符合观测行为
3. 排除不合适的选项：线性模型会以恒定速率下降（最终会低于室温），二次模型有一个转折点，三角模型是周期性的，因此都不适合

*结论:* 指数衰减模型是该场景的最佳选择

> **考试提示:** 选择模型前一定要先绘制数据；目视检查可以立即排除大多数不合适的选项。

## 将模型拟合到数据

对于IB AI HL，你几乎总是会使用图形显示计算器（GDC）或其他技术对一组数据点拟合回归模型。这个过程遵循标准可重复的步骤。

1. 在GDC上将自变量和因变量数据分别输入两个不同列表
2. 从回归菜单中选择预先确定的合适函数类型
3. 记录拟合后的参数值和决定系数 $R^2$

**决定系数** — 衡量模型能解释因变量变异程度的统计量。取值范围为0到1，越接近1表示拟合效果越好。

*记法:* R^2

**例题:** 以下数据给出了$x$周后植物的高度（cm）：$(1, 3.1), (2, 5.2), (3, 8.9), (4, 15.1), (5, 26.3)$。对该数据拟合形式为$h = ab^x$的指数模型。

1. 在GDC上将$x$值输入列表L1，$h$值输入列表L2
2. 从统计菜单中选择指数回归
3. 记录输出参数：$a \approx 1.82$, $b \approx 1.65$
4. 写出最终拟合模型：
5. $$h = 1.82(1.65)^x$$

*计算器:* allowed

## 解释参数和预测

得到拟合模型后，你需要在情境中解释每个参数的含义，并使用模型预测原始数据中未包含的输入对应的数值。

> **info**
>
> 预测分为两种：内插法（预测原始数据范围内的数值）通常可靠，外插法（预测原始范围外的数值）如果现象的行为在数据范围外发生变化，则可能不可靠。

**例题:** 对于指数植物生长模型$h = 1.82(1.65)^x$，解释参数$b$的含义并预测6周后的高度。

1. 回顾$y = ab^x$中，$b$是每单位$x$的增长因子
2. 情境解释：$x$是时间（单位：周），因此$b=1.65$意味着植物高度每周增加65%（即变为原来的1.65倍）
3. 代入$x=6$到模型中得到预测：
4. $$h = 1.82(1.65)^6 \approx 35.0$$
5. 6周后的预测高度约为35 cm。这属于外插法（超出原始数据范围1-5周），因此应视为近似值。

## 评估模型有效性

没有完美的模型；即使模型的$R^2$值很高，你也始终需要评估它是否适合你研究的情境。

- 检查$R^2$值：0.9以上通常表示拟合效果很好
- 在数据点上绘制拟合曲线，检查是否存在系统偏差
- 检查模型在长期来看是否符合情境逻辑

**例题:** 一位研究人员对1900年至2000年的世界人口数据拟合线性模型，得到$R^2$值为0.98。为什么这个模型预测2100年人口仍然可能无效？

1. 回顾：线性模型预测增长速率永远恒定，没有上限
2. 情境知识：地球资源有限，因此人口增长最终会放缓并趋于平稳
3. 线性模型对1900-2000范围拟合很好，但外推到2100忽略了现实世界的资源约束

*结论:* 包含承载容量渐近线的逻辑模型更适合长期人口预测。

## 常见错误

- **错误做法:** 将外推预测视为和内插预测同等可靠
  - 原因: 外插法假设原始数据中观测到的趋势在范围外仍然延续，这通常不成立
  - 正确做法: 在答案中总是注明预测是否属于外插法，并说明其可能不可靠
- **错误做法:** 仅根据高$R^2$值选择函数类型，不检查情境
  - 原因: 高阶多项式总能通过对随机噪声过拟合得到更高的$R^2$，但在情境中不符合逻辑
  - 正确做法: 首先根据情境预期的行为选择函数类型，然后在符合情境的选项之间比较$R^2$
- **错误做法:** 忘记在情境中解释参数，只给出数值
  - 原因: 考试题目明确要求情境解释，只给出数值会失分
  - 正确做法: 总是将参数与问题中的变量联系起来，在合适的情况下包含单位
- **错误做法:** 忽略模型给出的不可能输出（例如负温度）
  - 原因: 大多数模型仅在受限的输入定义域内有效
  - 正确做法: 总是说明模型的有效定义域，将不可能的输出视为无效并舍弃

## 速查表

| 函数类型 | 常见应用场景 | 标准形式 |
| --- | --- | --- |
| 线性 | 恒定变化率 | $y = mx + c$ |
| 二次 | 单个转折点/恒定加速度 | $y = ax^2 + bx + c$ |
| 指数 | 比例增长/衰减 | $y = ab^x$ |
| 逻辑 | 增长到承载容量后趋于平稳 | $y = \frac{L}{1 + ke^{-rx}}$ |
| 三角 | 周期性重复行为 | $y = a\sin(bx + c) + d$ |

## 下一步

函数建模是IB 数学 AI HL全课程中核心的可迁移技能，它出现在从统计学到微积分再到运动学的每个主要主题中。你在这里学到的技能——根据情境选择合适模型、对观测数据拟合参数、解释结果、评估有效性——会在整个大纲的真实世界问题解决中反复应用。建模也是IB数学中很多拓展论文和内部评估项目的基础，因此掌握这些基础对你的课程作业和考试都有好处。

- [几何与三角学](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u3-overview/)
- [二维与三维坐标几何](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u3-2d-and-3d-coordinate-geometry/)
- [直角三角形三角学](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u3-right-triangle-trigonometry/)

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/ib-math-ai-hl-u2-modelling-with-functions/