Comparando Modelos Competitivos
Introducido| English | Significado |
|---|---|
| linear model/ˈlɪnɪə ˈmɒdl/ | modelo lineal |
| quadratic model/kwɒˈdrætɪk ˈmɒdl/ | modelo cuadrático |
| exponential model/ˌekspəˈnenʃl ˈmɒdl/ | modelo exponencial |
| residuals/rɪˈsɪdʒuːəlz/ | residuos |
| residual plot/rɪˈsɪdʒuːəl plɒt/ | Gráfico de residuos |
¿Qué pronóstico usaría?
- Un video escolar tiene $100,151,224,339,505$ vistas en los días $0,1,2,3,4$. Los conteos aumentan aproximadamente por el mismo factor, en lugar del mismo número.
- Un modelo lineal, un modelo cuadrático y un modelo exponencial pueden seguir parte de esta tendencia ascendente. Compárelos en las mismas observaciones, luego pregunte si la predicción tiene sentido.
Ajustar las tres familias a los mismos datos
- Ajustar todos los cinco pares con tecnología. Las regresiones lineal y cuadrática minimizan los errores al cuadrado en los conteos; aquí la exponencial proviene de la regresión lineal de $\ln y$ sobre $x$, luego convirtiendo de nuevo.
- Las reglas siguientes dan los conteos predichos, escritos como $\hat y$. El método exponencial minimiza los errores al cuadrado en $\ln y$, por lo que otro método de calculadora puede dar coeficientes ligeramente diferentes. Mantenga la precisión completa para los residuos; los coeficientes mostrados están redondeados.

Asignar el signo al residuo
- Un residuo es observado menos predicho: $e=y-\hat y$. Un residuo positivo sitúa la observación por encima de la curva: el modelo la subestima.
- Un residuo negativo coloca la observación por debajo de la curva: el modelo la sobreestima. El tamaño $|e|$ indica cuánto se aleja la predicción, en las mismas unidades que el conteo.
En el día $2$, el conteo observado es $224$. Calcule la predicción, luego súbrestela del conteo:
La línea sobreestima en $39.8$ vistas. La cuadrática predice aproximadamente $224.94$, y la exponencial aproximadamente $225.19$: sus residuos son aproximadamente $-0.94$ y $-1.19$.
Un residuo con signo es…
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Residuo = observado − predicho. Un residuo negativo significa que el modelo predice demasiado alto.
En el día 2, el conteo observado es 224 y la línea predice 263.8. ¿Cuál es el residuo con signo?
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
Observado menos predicho: $224-263.8=-39.8$. La línea sobreestima en 39.8 vistas.
Leer todo el gráfico de residuos
- Un gráfico de residuos muestra cada residuo frente a su entrada $x$, con una línea horizontal en cero. Una curva o una serie que cambia sistemáticamente de positivo a negativo y de vuelta sugiere que el modelo omite una característica de los datos.
- Pequeños residuos dispersos a ambos lados del cero, sin un patrón claro, apoyan un modelo. Pocos puntos no pueden probar que una familia sea la regla verdadera ni que las predicciones lejanas funcionen.
Para juzgar un ajuste, examine el tamaño y el patrón de sus ____.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Residuos más pequeños (y sin patrones obvios en ellos) indican un mejor ajuste del modelo.
Los residuos son positivos en ambos extremos del intervalo y negativos en el medio. ¿Qué sugiere esto?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Esto es un patrón, en lugar de una dispersión libre de patrones alrededor de cero. Una familia diferente podría capturar mejor la forma.
Comparar tamaño y patrón juntos
- Para la línea, los cinco residuos son $35.8,-13,-39.8,-24.6,41.6$: un patrón curvo. Su error absoluto total es de $154.8$ vistas. Los errores positivos y negativos no deben cancelarse en esta comparación de tamaño.
- El error absoluto total de la cuadrática es de aproximadamente $18.34$ vistas; el de la exponencial es de aproximadamente $4.59$. Aquí la exponencial tiene los errores más pequeños y ningún patrón obvio de residuo, consistente con el factor de crecimiento aproximadamente constante.
Tres ajustes, las mismas cinco observaciones
Compare las curvas ajustadas y los residuos con signo. Ambas escalas gráficas permanecen fijas al cambiar el modelo; el día 2 comienza con una observación de 224, una predicción de 263.8 y un residuo de −39.8.
Dejar que el contexto decida lo importante
- Un modelo con errores pequeños aún puede ser inadecuado: los conteos de vistas no pueden ser negativos, y un breve pico de interés puede cesar. Estos cinco días apoyan una comparación a corto plazo, no un crecimiento ilimitado futuro.
- El costo de un error también importa. Subestimar la demanda puede dejar un autobús escolar con asientos insuficientes; una sobreestimación cautelosa puede ser preferible. Nombren la dirección y el tamaño del error, luego expliquen su consecuencia.
Un polinomio puede pasar por cada punto observado pero comportarse mal entre o más allá de ellos. Un ajuste perfecto a una muestra pequeña no garantiza una predicción útil. Usen el ajuste, el contexto y un dominio razonable juntos.
Los datos positivos que se duplican en cada intervalo de tiempo igual sugieren un…
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
La duplicación a razón constante es la característica distintiva de un modelo exponencial, no de uno polinómico.
Un modelo de demanda de autobús predice 48 pasajeros; 55 llegan. ¿Cuál descripción es correcta?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
$55-48=7$. Un residuo positivo significa que la demanda real excede la predicción. La dirección importa al elegir capacidad.
Separe el crecimiento eventual del ajuste
- Si $a>0$ y $b>1$, la exponencial $ab^x$ supera eventualmente a cualquier polinomio fijo cuando $x\to\infty$. Esto es una afirmación sobre las fórmulas en un rango largo, no evidencia de que una exponencial se ajuste mejor a un conjunto de datos particular.
- Un modelo de decaimiento como $100(0.8)^x$ se aproxima a cero. Un coeficiente principal nulo o negativo también falla en la afirmación de crecimiento positivo; siempre se deben declarar los supuestos.
Para $a>0$ y $b>1$, $ab^x$ eventualmente supera cualquier polinomio fijo cuando $x$ aumenta sin límite.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Estas condiciones de crecimiento positivo son relevantes. La afirmación se refiere a las fórmulas cuando $x$ aumenta, y no prueba que un exponencial ajuste mejor un conjunto de datos dado.
El modelo de decaimiento $100(0.8)^x$ debe eventualmente superar a la línea creciente $10+x$ conforme aumenta $x$.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
La exponencial tiende a cero, mientras que la línea crece. Una familia exponencial por sí sola no implica una dominancia positiva eventual.
Etiquete el tiempo inicial
- Para el ejemplo anterior de ventas $100,150,225,340$, etiquete las observaciones como meses $m=0,1,2,3$. El modelo $S(m)=100(1.5)^m$ predice $337.5$ en el mes $3$, dando un residuo $340-337.5=2.5$.
- Si la primera observación se llama mes $1$, el mismo modelo es $S(m)=100(1.5)^{m-1}$. Cambiar las etiquetas cambia el exponente; no cambia las observaciones.
Las ventas registradas por primera vez en el mes 1 son 100 y aumentan por un factor de 1.5 cada mes. Usando $S(m)=100(1.5)^{m-1}$, ¿cuál es la predicción para el mes 3?
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
El mes 3 está dos cambios después del mes 1: $100(1.5)^2=225$.
Formule una recomendación respaldada
- Indique la familia y el intervalo, cite los tamaños de los residuos y describa cualquier patrón. Luego agregue una razón contextual y una limitación. Para el video, una exponencial es una descripción razonable para los días $0$–$4$; no es una promesa de crecimiento eterno.
- Compare todos los modelos en las mismas observaciones y unidades. La suma de residuos con signo puede ocultar errores grandes, y el ganador final de dos fórmulas no necesariamente es el mejor ajuste actual.
Construya candidatos a partir de los datos, calcule observado menos predicho e inspeccione toda la gráfica de residuos. Elija con evidencia numérica y contexto. Ningún patrón claro apoya un modelo; no demuestra que el modelo sea verdadero.
Seleccione todas las afirmaciones verdaderas sobre la comparación de modelos.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
Las tres primeras afirmaciones son verdaderas. Los errores con signo pueden cancelarse; inspeccione sus magnitudes y patrones, junto con el contexto y el intervalo de comparación.
Escriba una recomendación basada en la evidencia
- El modelo A tiene residuos de $2,-1,3$ vistas; el modelo B tiene $4,4,4$ en los mismos tres días. Calcule ambos totales de residuos absolutos y diga cuál tiene menor error por esta medida.
- Explique por qué esta comparación sola no establece que A es el mejor modelo para una proyección a largo plazo. Incluya una verificación adicional que realizaría.
En los mismos tres días, el modelo A tiene residuos $2,-1,3$ vistas y el modelo B tiene $4,4,4$. Calcule ambos totales de residuos absolutos y recomiende un modelo según esta medida. ¿Por qué esto es insuficiente para una predicción a largo plazo? Nombre otra verificación adicional.
Use tanto la medida numérica del error como un límite en la recomendación. Un total menor solo no valida una predicción.
El modelo A tiene residuos $2,-1,3$. ¿Cuál es su total de residuos absolutos?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Los residuos absolutos suman 6.