數學建模學習工坊 / 02
種群資料：擬合之外的可信度
早期觀測能否辨識長期承載量？
學習目標與先備條件
最小平方法、導數及陣列；配合主課 1、3、4。
- 區分校準、預測與事後診斷。
- 解釋早期 Logistic 增長為何難以約束 K。
- 用殘差與損失曲面挑戰擬合。
01 / 08 · 10 分鐘
觀察情境
合成人口每半日觀測一次，合共 20 日。Logistic 生成器由 5 個個體起步，加入固定種子的高斯觀測雜訊。雜訊大時可能出現不合理觀測，這反映觀測模型假設，並非潛在人口為負。
畫出早期增長與後期飽和；哪一段包含承載量資訊？
02 / 08 · 10 分鐘
提出問題
推斷目標可以是 K，決策也可能關乎未來人口。模型即使能合理預測翌日，K 仍可很不確定。選指標前先說明目標是估計參數還是外推。
定義預測時距與可接受誤差，解釋為何只看校準誤差並不足夠。
03 / 08 · 15 分鐘
假設與變數
固定初始人口為 5，假设誤差獨立、加性且方差固定。最小平方法隱含這些偏好；本課因屬教學實驗才知道生成器，真實資料必須另行論證觀測機制。
記錄 r 與 K 的單位，列出兩個雜訊假設可能失效的原因。
04 / 08 · 20 分鐘
建立模型
把 dP/dt=rP(1−P/K) 與 P(0)=5 積分，可得所示軌跡。當 P 遠小於 K，1−P/K 接近一，多個承載量會產生近似相同的指數式觀測，令損失曲面出現平坦方向。
推導早期近似，預測低損失區域的形狀。
05 / 08 · 15 分鐘
設計算法
只用校準截止時間以前的觀測擬合，其後全部保留。比較 Logistic 與固定初值指數模型對未來列的預測。全資料擬合只供事後診斷，不能當成真正保留資料預測。
寫出切分規則，計算預設情境有多少校準與保留觀測。
06 / 08 · 25 分鐘
Python 實驗
完成 Logistic 預測函式。固定資料與種子，比較第 2、8、16 日截止校準的結果。檢查 K、保留 RMSE、殘差及參數曲面；條件數只是局部診斷，不是信賴區間。
記錄低校準誤差是否同時代表 K 準確，再比較 noise=0 與 5。
07 / 08 · 25 分鐘
驗證與修訂
最佳化器可能收斂到狹長淺谷中的一點：數值最佳化成功與統計資訊薄弱可以同時成立。延長觀測期或量度密度依賴，可能比收緊求解器容差更有資訊。
選出兩組低損失參數，設計能分辨兩者的新增觀測時間。
08 / 08 · 15 分鐘
撰寫結論
報告切分方式、參數、預測誤差及可辨識性證據，說明合成真值如何協助審核方法。符合這個生成器，並不證明真實物種遵從 Logistic 增長。
建立主張—證據表，分開參數重建、預測與真實世界效度。
需要一點提示？
1. 概念提示
擬合之前先檢查 P(0)=5 及 P(t)→K。
2. 數學／算法提示
分母為 1+(K/5−1)exp(−rt)，利用陣列運算處理觀測。
3. 參考實作導引
查看參考預測函式，同時維持校準與保留資料的分隔。
先比較推理，再選擇是否套用。套用前會另存你目前的程式。
實驗協定：比較、失效與延伸
指定比較
固定種子，比較第 2、8、16 日截止的校準視窗。
失效實驗
只用首兩日資料，即使擬合收斂，承載量仍可能難以約束。
研究延伸
加入 K 的剖面損失分析，或在固定量測預算下重設觀測時間。
PYTHON WORKBENCH
先預測，再執行。
實驗參數與種子
可直接修改以上程式，或開啟語法標示編輯器。起始碼的待完成部分會令相關檢查失敗；請依推導修正 student_model。
按啟動才下載運算環境；每次實驗使用獨立命名空間，最多 30 秒。
無法載入？仍可下載獨立 notebook，在安裝 NumPy、SciPy、Matplotlib 的 Python 環境執行。 參考 notebook
把這一課連回你的書架。
課文與寫作 Notes
書籍章節（PDF 頁與印刷頁分列）
- Allman & Rhodes — Mathematical Models in Biology: An Introduction
1: Difference equations; 8: Curve fitting
PDF 17–18; 331–332 · 印刷頁 1–2; 315–316