Saltar al contenido principal
LibreTexts Español

4.8: Ajuste de modelos exponenciales a los datos

  • Page ID
    121454
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    \( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)

    ( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\id}{\mathrm{id}}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\kernel}{\mathrm{null}\,}\)

    \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\)

    \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\)

    \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    \( \newcommand{\vectorA}[1]{\vec{#1}}      % arrow\)

    \( \newcommand{\vectorAt}[1]{\vec{\text{#1}}}      % arrow\)

    \( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vectorC}[1]{\textbf{#1}} \)

    \( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)

    \( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)

    \( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)

    \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    Objetivos de aprendizaje
    • Construye un modelo exponencial a partir de datos.
    • Construir un modelo logarítmico a partir de datos.
    • Construir un modelo logístico a partir de datos.

    En secciones anteriores de este capítulo, o bien se nos dio una función explícitamente para graficar o evaluar, o bien se nos dio un conjunto de puntos que se garantizaba que estaban en la curva. Luego usamos álgebra para encontrar la ecuación que se ajustaba exactamente a los puntos. En esta sección, utilizamos una técnica de modelado llamada análisis de regresión para encontrar una curva que modele los datos recopilados de observaciones del mundo real. Con el análisis de regresión, no esperamos que todos los puntos se encuentren perfectamente en la curva. La idea es encontrar un modelo que mejor se ajuste a los datos. Entonces usamos el modelo para hacer predicciones sobre eventos futuros.

    No se confunda por la palabra modelo. En matemáticas, a menudo usamos los términos función, ecuación y modelo indistintamente, a pesar de que cada uno tiene su propia definición formal. El término modelo se usa típicamente para indicar que la ecuación o función se aproxima a una situación del mundo real.

    Nos concentraremos en tres tipos de modelos de regresión en esta sección: exponencial, logarítmico y logístico. Haber trabajado ya con cada una de estas funciones nos da una ventaja. Conocer sus definiciones formales, el comportamiento de sus gráficas y algunas de sus aplicaciones del mundo real nos da la oportunidad de profundizar en nuestra comprensión. A medida que se presenta cada modelo de regresión, se incluyen características clave y definiciones de su función asociada para su revisión. Tómese un momento para repensar cada una de estas funciones, reflexionar sobre el trabajo que hemos realizado hasta ahora y luego explorar las formas en que se utiliza la regresión para modelar fenómenos del mundo real.

    Construyendo un Modelo Exponencial a partir de Datos

    Como hemos aprendido, hay multitud de situaciones que pueden modelarse mediante funciones exponenciales, como el crecimiento de la inversión, la desintegración radiactiva, los cambios de presión atmosférica y las temperaturas de un objeto de enfriamiento. ¿Qué tienen en común estos fenómenos? Por un lado, todos los modelos aumentan o disminuyen a medida que avanza el tiempo. Pero esa no es toda la historia. Es la forma en que los datos aumentan o disminuyen lo que nos ayuda a determinar si se modela mejor mediante una ecuación exponencial. Conocer el comportamiento de las funciones exponenciales en general nos permite reconocer cuándo usar la regresión exponencial, así que revisemos el crecimiento exponencial y la decadencia.

    Recordemos que las funciones exponenciales tienen la forma\(y=ab^x\) o\(y=A_0e^{kx}\). Al realizar análisis de regresión, utilizamos la forma más utilizada en utilidades gráficas,\(y=ab^x\). Tómese un momento para reflexionar sobre las características que ya aprendimos sobre la función exponencial\(y=ab^x\) (asuma\(a>0\)):

    • \(b\)debe ser mayor que cero y no igual a uno.
    • El valor inicial del modelo es\(y=a\).
      • Si\(b>1\), la función modela el crecimiento exponencial. A medida que\(x\) aumenta, las salidas del modelo aumentan lentamente al principio, pero luego aumentan cada vez más rápidamente, sin límite.
      • Si\(0<b<1\), la función modela decaimiento exponencial. A medida que\(x\) aumenta, las salidas para el modelo disminuyen rápidamente al principio y luego se nivelan para volverse asintóticas al eje x. En otras palabras, las salidas nunca llegan a ser iguales o inferiores a cero.

    Como parte de los resultados, su calculadora mostrará un número conocido como coeficiente de correlación, etiquetado por la variable\(r\), o\(r^2\). (Es posible que tenga que cambiar la configuración de la calculadora para que se muestren.) Los valores son una indicación de la “bondad de ajuste” de la ecuación de regresión a los datos. Más comúnmente usamos el valor de\(r^2\) en lugar de\(r\), pero cuanto más cerca esté cualquiera de los dos valores\(1\), mejor se aproximará la ecuación de regresión a los datos.

    Regresión exponencial

    La regresión exponencial se utiliza para modelar situaciones en las que el crecimiento comienza lentamente y luego se acelera rápidamente sin límite, o donde la decadencia comienza rápidamente y luego se ralentiza para acercarse cada vez más a cero. Usamos el comando “ExpreG” en una utilidad gráfica para ajustar una función exponencial a un conjunto de puntos de datos. Esto devuelve una ecuación de la forma,

    \[y=ab^x\]

    Tenga en cuenta que:

    • \(b\)debe ser no negativo.
    • cuando\(b>1\), tenemos un modelo de crecimiento exponencial.
    • cuando\(0<b<1\), tenemos un modelo de decaimiento exponencial.
    Cómo: Dado un conjunto de datos, realizar regresión exponencial usando una utilidad gráfica
    1. Utilice el menú STAT y luego EDITAR para ingresar datos dados.
      1. Borre los datos existentes de las listas.
      2. Enumere los valores de entrada en la columna L1.
      3. Enumere los valores de salida en la columna L2.
    2. Grafique y observe una gráfica de dispersión de los datos utilizando la función STATPLOT.
      1. Utilice ZOOM [9] para ajustar los ejes para ajustarse a los datos.
      2. Verificar que los datos sigan un patrón exponencial.
    3. Encuentra la ecuación que modela los datos.
      1. Seleccione “ExpreG” en el menú STAT y luego CALC.
      2. Utilice los valores devueltos para a y b para registrar el modelo,\(y=ab^x\).
    4. Grafique el modelo en la misma ventana que la gráfica de dispersión para verificar que es un buen ajuste para los datos.

    Ejemplo\(\PageIndex{1}\): Using Exponential Regression to Fit a Model to Data

    En 2007, se publicó un estudio universitario que investigaba el riesgo de accidente de conducir con problemas de alcohol. Los datos de\(2,871\) choques se utilizaron para medir la asociación del nivel de alcohol en la sangre (BAC) de una persona con el riesgo de estar en un accidente. En la tabla se\(\PageIndex{1}\) muestran los resultados del estudio. El riesgo relativo es una medida de cuántas veces más probabilidades tiene una persona de chocar. Entonces, por ejemplo, una persona con un BAC de\(0.09\) es\(3.54\) veces más probable que se estrelle como una persona que no ha estado bebiendo alcohol.

    Mesa\(\PageIndex{1}\)
    BAC 0 0.01 0.03 0.05 0.07 0.09
    Riesgo Relativo de Choque 1 1.03 1.06 1.38 2.09 3.54
    BAC 0.11 0.13 0.15 0.17 0.19 0.21
    Riesgo Relativo de Choque 6.41 12.6 22.1 39.05 65.32 99.78
    1. Dejar\(x\) representar el nivel de BAC, y dejar\(y\) representar el riesgo relativo correspondiente. Utilice la regresión exponencial para ajustar un modelo a estos datos.
    2. Después de\(6\) las bebidas, una persona que pesa\(160\) libras tendrá un BAC de aproximadamente\(0.16\). ¿Cuántas veces más probable es que una persona con este peso se estrelle si conduce después de tener un\(6\) paquete de cerveza? Redondear a la centésima más cercana.

    Solución

    1. Usando el menú STAT y luego EDITAR en una utilidad gráfica, enumere los valores de BAC en L1 y los valores de riesgo relativo en L2. Luego use la función STATPLOT para verificar que la gráfica de dispersión siga el patrón exponencial que se muestra en la Figura\(\PageIndex{1}\):

    Gráfica de una parcela dispersa.

    Figura\(\PageIndex{1}\)

    Utilice el comando “ExpreG” del menú STAT luego CALC para obtener el modelo exponencial,

    \(y=0.58304829{(2.20720213E10)}^x\)

    Convirtiendo de notación científica, tenemos:

    \(y=0.58304829{(22,072,021,300)}^x\)

    Observe\(r^2≈0.97\) que lo que indica que el modelo es un buen ajuste a los datos. Para ver esto, grafica el modelo en la misma ventana que el diagrama de dispersión para verificar que es un buen ajuste como se muestra en la Figura\(\PageIndex{2}\):

    Gráfica de una parcela dispersa con una línea de estimación.

    Figura\(\PageIndex{2}\)

    1. Utilice el modelo para estimar el riesgo asociado a un BAC de\(0.16\). Sustituir\(0.16\)\(x\) en el modelo y resolver para\(y\).

    \[\begin{align*} y&= 0.58304829{(22,072,021,300)}^x \qquad \text{Use the regression model found in part } (a)\\ &= 0.58304829{(22,072,021,300)}^{0.16} \qquad \text{Substitute 0.16 for x}\\ &\approx 26.35 \qquad \text{Round to the nearest hundredth} \end{align*}\]

    Si una persona de\(160\) -libra conduce después de\(6\) tomar algo, es aproximadamente\(26.35\) veces más probable que se estrelle que si conduce sobrio.

    Ejercicio\(\PageIndex{1}\)

    \(\PageIndex{2}\)La tabla muestra el saldo de una tarjeta de crédito de recién egresado cada mes después de graduarse

    Mesa\(\PageIndex{2}\)
    Mes 1 2 3 4 5 6 7 8
    Deuda ($) 620.00 761.88 899.80 1039.93 1270.63 1589.04 1851.31 2154.92
    1. Utilice la regresión exponencial para ajustar un modelo a estos datos.
    2. Si el gasto continúa a este ritmo, ¿cuál será la deuda de la tarjeta de crédito del egresado al año de graduarse?
    Contestar a

    El modelo de regresión exponencial que se ajusta a estos datos es\(y=522.88585984{(1.19645256)}^x\).

    Respuesta b

    Si el gasto continúa a esta tasa, la deuda de la tarjeta de crédito del egresado será\($4,499.38\) después de un año.

    Q&A: ¿Es razonable suponer que un modelo de regresión exponencial representará una situación indefinidamente?

    No. Recuerde que los modelos están formados por datos del mundo real recopilados para regresión. Por lo general, es razonable hacer estimaciones dentro del intervalo de observación original (interpolación). Sin embargo, cuando se usa un modelo para hacer predicciones, es importante usar habilidades de razonamiento para determinar si el modelo tiene sentido para entradas mucho más allá del intervalo de observación original (extrapolación).

    Construyendo un Modelo Logarítmico a partir de Datos

    Al igual que con las funciones exponenciales, hay muchas aplicaciones del mundo real para funciones logarítmicas: intensidad del sonido, niveles de pH de soluciones, rendimientos de reacciones químicas, producción de bienes y crecimiento de bebés. Al igual que con los modelos exponenciales, los datos modelados por funciones logarítmicas están siempre aumentando o siempre disminuyendo a medida que el tiempo avanza. Nuevamente, es la forma en que aumentan o disminuyen lo que nos ayuda a determinar si un modelo logarítmico es lo mejor.

    Recordemos que las funciones logarítmicas aumentan o disminuyen rápidamente al principio, pero luego se ralentizan constantemente a medida que avanza el tiempo. Al reflexionar sobre las características que ya hemos aprendido sobre esta función, podemos analizar mejor las situaciones del mundo real que reflejan este tipo de crecimiento o decaimiento. Al realizar análisis de regresión logarítmica, utilizamos la forma de la función logarítmica más comúnmente utilizada en utilidades gráficas,\(y=a+b\ln(x)\). Para esta función

    • Todos los valores de entrada\(x\),, deben ser mayores que cero.
    • El punto\((1,a)\) está en la gráfica del modelo.
    • Si\(b>0\), el modelo va en aumento. El crecimiento aumenta rápidamente al principio y luego se ralentiza constantemente con el tiempo.
    • Si\(b<0\), el modelo es decreciente. La descomposición ocurre rápidamente al principio y luego se ralentiza constantemente con el tiempo.
    Regresión logarít

    La regresión logarítmica se utiliza para modelar situaciones en las que el crecimiento o decaimiento se acelera rápidamente al principio y luego se ralentiza Usamos el comando “LNReg” en una utilidad gráfica para ajustar una función logarítmica a un conjunto de puntos de datos. Esto devuelve una ecuación de la forma,

    \[y=a+b\ln(x)\]

    Tenga en cuenta que

    • todos los valores de entrada\(x\),, deben ser no negativos.
    • cuando\(b>0\), el modelo va en aumento.
    • cuando\(b<0\), el modelo es decreciente.
    Cómo: Dado un conjunto de datos, realizar regresión logarítmica usando una utilidad gráfica
    1. Utilice el menú STAT y luego EDITAR para ingresar datos dados.
      1. Borre los datos existentes de las listas.
      2. Enumere los valores de entrada en la columna L1.
      3. Enumere los valores de salida en la columna L2.
    2. Grafique y observe una gráfica de dispersión de los datos utilizando la función STATPLOT.
      1. Utilice ZOOM [9] para ajustar los ejes para ajustarse a los datos.
      2. Verificar que los datos sigan un patrón logarítmico.
    3. Encuentra la ecuación que modela los datos.
      1. Seleccione “LNReg” en el menú STAT y luego CALC.
      2. Utilice los valores devueltos para a y b para registrar el modelo,\(y=a+b\ln(x)\).
    4. Grafique el modelo en la misma ventana que la gráfica de dispersión para verificar que es un buen ajuste para los datos.
    Ejemplo\(\PageIndex{2}\): Using Logarithmic Regression to Fit a Model to Data

    Debido a los avances en la medicina y mayores niveles de vida, la esperanza de vida ha ido en aumento en la mayoría de los países desarrollados desde principios del siglo XX. En el cuadro se\(\PageIndex{3}\) muestran las expectativas de vida promedio, en años, de los estadounidenses entre 1900 y 2010.

    Mesa \(\PageIndex{3}\)
    Año 1900 1910 1920 1930 1940 1950
    Esperanza de vida (años) 47.3 50.0 54.1 59.7 62.9 68.2
    Año 1960 1970 1980 1990 2000 2010
    Esperanza de vida (años) 69.7 70.8 73.7 75.4 76.8 78.7
    1. Vamos a\(x\) representar el tiempo en décadas comenzando con\(x=1\) para el año 1900,\(x=2\) para el año 1910, y así sucesivamente. Dejar\(y\) representar la esperanza de vida correspondiente. Utilice regresión logarítmica para ajustar un modelo a estos datos.
    2. Utilice el modelo para predecir la esperanza de vida promedio estadounidense para el año 2030.

    Solución

    1. Usando el menú STAT y luego EDITAR en una utilidad gráfica, enumere los años usando valores\(1–12\) en L1 y la esperanza de vida correspondiente en L2. Luego use la función STATPLOT para verificar que la gráfica de dispersión siga un patrón logarítmico como se muestra en la Figura\(\PageIndex{3}\):

    Gráfica de una parcela dispersa.

    Figura\(\PageIndex{3}\)

    Utilice el comando “LNReg” del menú STAT luego CALC para obtener el modelo logarítmico,

    \(y=42.52722583+13.85752327\ln(x)\)

    A continuación, grafica el modelo en la misma ventana que la gráfica de dispersión para verificar que es un buen ajuste como se muestra en la Figura\(\PageIndex{4}\):

    Gráfica de una parcela dispersa con una línea de estimación.

    Figura\(\PageIndex{4}\)

    1. Para predecir la esperanza de vida de un estadounidense en el año\(2030\), sustituir\(x=14\) a la en el modelo y resolver por\(y\):

    \[\begin{align*} y&= 42.52722583+13.85752327\ln(x) \qquad \text{Use the regression model found in part } (a)\\ &= 42.52722583+13.85752327\ln(14) \qquad \text{Substitute 14 for x}\\ &\approx 79.1 \qquad \text{Round to the nearest tenth} \end{align*}\]

    Si la esperanza de vida sigue aumentando a este ritmo, la esperanza de vida promedio de un estadounidense será\(79.1\) por año\(2030\).

    Ejercicio\(\PageIndex{2}\)

    Las ventas de un videojuego lanzado en el año 2000 despegaron al principio, pero luego se ralentizaron de manera constante a medida que avanzaba el tiempo. En la tabla se\(\PageIndex{4}\) muestra el número de juegos vendidos, en miles, de los años 2000—2010.

    Mesa\(\PageIndex{4}\)
    Año 2000 2001 2002 2003 2004 2005
    Número Vendido (miles) 142 149 154 155 159 161
    Año 2006 2007 2008 2009 2010 -
    Número Vendido (miles) 163 164 164 166 167 -

    Vamos a\(x\) representar el tiempo en años a\(x=1\) partir del año 2000. Vamos a\(y\) representar el número de juegos vendidos en miles.

    1. Utilice regresión logarítmica para ajustar un modelo a estos datos.
    2. Si los juegos siguen vendiéndose a este ritmo, ¿cuántos juegos se venderán en 2015? Redondear al mil más cercano.
    Contestar a

    El modelo de regresión logarítmica que se ajusta a estos datos es\(y=141.91242949+10.45366573\ln(x)\)

    Respuesta b

    Si las ventas continúan a este ritmo, sobre\(171,000\) los juegos se venderán en el año\(2015\).

    Construyendo un Modelo Logístico a partir de Datos

    Al igual que el crecimiento exponencial y logarítmico, el crecimiento logístico aumenta con el tiempo. Una de las diferencias más notables con los modelos de crecimiento logístico es que, en cierto punto, el crecimiento se ralentiza constantemente y la función se acerca a un límite superior, o valor limitante. Debido a esto, la regresión logística es la mejor para modelar fenómenos donde hay límites en la expansión, como la disponibilidad de espacio vital o nutrientes.

    Cabe señalar que las funciones logísticas en realidad modelan el crecimiento exponencial limitado en recursos. Hay muchos ejemplos de este tipo de crecimiento en situaciones del mundo real, entre ellos el crecimiento poblacional y la propagación de enfermedades, rumores, e incluso manchas en la tela. Al realizar análisis de regresión logística, utilizamos la forma más utilizada en las utilidades gráficas:

    \(y=\dfrac{c}{1+ae^{−bx}}\)

    Recordemos que:

    • \(\dfrac{c}{1+a}\)es el valor inicial del modelo.
    • cuando\(b>0\), el modelo aumenta rápidamente al principio hasta alcanzar su punto de tasa máxima de crecimiento,\((\dfrac{\ln(a)}{b}, \dfrac{c}{2})\). En ese punto, el crecimiento se ralentiza constantemente y la función se vuelve asintótica al límite superior\(y=c\).
    • \(c\)es el valor limitante, a veces llamado capacidad de carga, del modelo.
    Regresión logística

    La regresión logística se utiliza para modelar situaciones donde el crecimiento se acelera rápidamente al principio y luego se ralentiza constantemente hasta un límite superior. Utilizamos el comando “Logistic” en una utilidad gráfica para ajustar una función logística a un conjunto de puntos de datos. Esto devuelve una ecuación de la forma

    \[y=\dfrac{c}{1+ae^{−bx}}\]

    Tenga en cuenta que

    • El valor inicial del modelo es\(\dfrac{c}{1+a}\).
    • Los valores de salida para el modelo se acercan cada vez más a\(y=c\) medida que aumenta el tiempo.
    Cómo: Dado un conjunto de datos, realizar regresión logística usando una utilidad gráfica
    1. Utilice el menú STAT y luego EDITAR para ingresar datos dados.
      1. Borre los datos existentes de las listas.
      2. Enumere los valores de entrada en la columna L1.
      3. Enumere los valores de salida en la columna L2.
    2. Grafique y observe una gráfica de dispersión de los datos utilizando la función STATPLOT.
      1. Utilice ZOOM [9] para ajustar los ejes para ajustarse a los datos.
      2. Verificar que los datos sigan un patrón logístico.
    3. Encuentra la ecuación que modela los datos.
      1. Seleccione “Logística” en el menú STAT y luego CALC.
      2. Utilice los valores devueltos para\(a\)\(b\),, y\(c\) para registrar el modelo,\(y=\dfrac{c}{1+ae^{−bx}}\).
    4. Grafique el modelo en la misma ventana que la gráfica de dispersión para verificar que es un buen ajuste para los datos.
    Ejemplo\(\PageIndex{3}\): Using Logistic Regression to Fit a Model to Data

    El servicio de telefonía móvil ha aumentado rápidamente en Estados Unidos desde mediados de la década de 1990. Hoy en día, casi todos los residentes cuentan con servicio celular. En la tabla se\(\PageIndex{5}\) muestra el porcentaje de estadounidenses con servicio celular entre los años 1995 y 2012.

    Mesa\(\PageIndex{5}\)
    Año Americanos con servicio celular (%) Año Americanos con servicio celular (%)
    1995 12.69 2004 62.852
    1996 16.35 2005 68.63
    1997 20.29 2006 76.64
    1998 25.08 2007 82.47
    1999 30.81 2008 85.68
    2000 38.75 2009 89.14
    2001 45.00 2010 91.86
    2002 49.16 2011 95.28
    2003 55.15 2012 98.17
    1. Vamos a\(x\) representar el tiempo en años a\(x=0\) partir del año 1995. Dejar\(y\) representar el porcentaje correspondiente de residentes con servicio celular. Utilice la regresión logística para ajustar un modelo a estos datos.
    2. Utilice el modelo para calcular el porcentaje de estadounidenses con servicio celular en el año 2013. Redondear a la décima más cercana de un porcentaje.
    3. Discutir el valor devuelto para el límite superior,\(c\). ¿Qué te dice esto sobre el modelo? ¿Cuál sería el valor límite si el modelo fuera exacto?

    Solución

    1. Usando el menú STAT y luego EDITAR en una utilidad gráfica, enumere los años usando valores\(0–15\) en L1 y el porcentaje correspondiente en L2. Luego use la función STATPLOT para verificar que la gráfica de dispersión siga un patrón logístico como se muestra en la Figura\(\PageIndex{5}\):

    Gráfica de una parcela dispersa.

    Figura\(\PageIndex{5}\)

    Utilice el comando “Logistic” del menú STAT luego CALC para obtener el modelo logístico,

    \[y=105.73795261+6.88328979e^{−0.2595440013x}\]

    A continuación, grafica el modelo en la misma ventana como se muestra en\(\PageIndex{6}\) la Figura la gráfica de dispersión para verificar que es un buen ajuste:

    Gráfica de una parcela dispersa con una línea de estimación.

    Figura\(\PageIndex{6}\)

    1. Para aproximar el porcentaje de estadounidenses con servicio celular en el año 2013, sustituir\(x=18\) al en el modelo y resolver por\(y\):

    \[\begin{align*} y&= \dfrac{105.7379526}{1+6.88328979e^{-0.2595440013x}} \qquad \text{Use the regression model found in part } (a)\\ &= \dfrac{105.7379526}{1+6.88328979e^{-0.2595440013(18)}} \qquad \text{Substitute 18 for x}\\ &\approx 99.3 \qquad \text{Round to the nearest tenth} \end{align*}\]

    Según el modelo, alrededor del 98.8% de los estadounidenses tenían servicio celular en 2013.

    1. El modelo da un valor limitante de aproximadamente\(105\). Esto quiere decir que el porcentaje máximo posible de estadounidenses con servicio celular sería\(105%\), lo cual es imposible. (¿Cómo podría más\(100%\) de una población tener servicio celular?) Si el modelo fuera exacto, el valor límite sería\(c=100\) y las salidas del modelo se acercarían mucho, pero nunca llegarían realmente\(100%\). Después de todo, ¡siempre habrá alguien ahí fuera sin servicio celular!
    Ejercicio\(\PageIndex{3}\)

    El cuadro\(\PageIndex{6}\) muestra la población, en miles, de focas portuarias en el Mar de Wadden durante los años 1997 a 2012.

    Mesa\(\PageIndex{6}\)
    Año Población de focas (miles) Año Población de focas (miles)
    1997 3.493 2005 19.590
    1998 5.282 2006 21.955
    1999 6.357 2007 22.862
    2000 9.201 2008 23.869
    2001 11.224 2009 24.243
    2002 12.964 2010 24.344
    2003 16.226 2011 24.919
    2004 18.137 2012 25.108

    Vamos a\(x\) representar el tiempo en años a\(x=0\) partir del año 1997. Vamos a\(y\) representar el número de sellos en miles.

    1. Utilice la regresión logística para ajustar un modelo a estos datos.
    2. Utilizar el modelo para predecir la población de focas para el año 2020.
    3. Al número entero más cercano, ¿cuál es el valor limitante de este modelo?
    Contestar a

    El modelo de regresión logística que se ajusta a estos datos es\(y=\dfrac{25.65665979}{1+6.113686306e^{−0.3852149008x}}\).

    Respuesta b

    Si la población sigue creciendo a este ritmo, habrá alrededor de\(25,634\) sellos en 2020.

    Respuesta c

    Al número entero más cercano, la capacidad de carga es\(25,657\).

    Medios

    Acceda a este recurso en línea para obtener instrucción y práctica adicionales con modelos de funciones exponenciales.

    Visite este sitio web para obtener preguntas de práctica adicionales de Learningpod.

    Conceptos clave

    • La regresión exponencial se utiliza para modelar situaciones donde el crecimiento comienza lentamente y luego se acelera rápidamente sin límite, o donde la decadencia comienza rápidamente y luego se ralentiza para acercarse cada vez más a cero.
    • Utilizamos el comando “ExpreG” en una utilidad gráfica para ajustar la función del formulario\(y=ab^x\) a un conjunto de puntos de datos. Ver Ejemplo\(\PageIndex{1}\).
    • La regresión logarítmica se utiliza para modelar situaciones en las que el crecimiento o decaimiento se acelera rápidamente al principio y luego se ralentiza
    • Usamos el comando “LNReg” en una utilidad gráfica para ajustar una función del formulario\(y=a+b\ln(x)\) a un conjunto de puntos de datos. Ver Ejemplo\(\PageIndex{2}\).
    • La regresión logística se utiliza para modelar situaciones donde el crecimiento se acelera rápidamente al principio y luego se ralentiza constantemente a medida que la función se acerca a un límite superior.
    • Utilizamos el comando “Logistic” en una utilidad gráfica para ajustar una función del formulario\(y=\dfrac{c}{1+ae^{−bx}}\) a un conjunto de puntos de datos. Ver Ejemplo\(\PageIndex{3}\).

    Colaboradores y Atribuciones


    This page titled 4.8: Ajuste de modelos exponenciales a los datos is shared under a CC BY 4.0 license and was authored, remixed, and/or curated by OpenStax via source content that was edited to the style and standards of the LibreTexts platform; a detailed edit history is available upon request.