Modeling with Logarithmic Functions
Introducido| English | Significado |
|---|---|
| logarithmic model/ˌlɒɡəˈrɪθmɪk ˈmɒdl/ | modelo logarítmico |
| parameters/pəˈræmɪtəz/ | parámetros |
| domain/dəˈmeɪn/ | dominio |
| interpolation/ɪnˌtɜːpəˈleɪʃn/ | interpolación |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolación |
| regression/rɪˈɡreʃn/ | regresión |
| natural log/ˈnætʃərəl lɒɡ/ | logaritmo natural |
| residuals/rɪˈsɪdʒuːəlz/ | residuos |
Recuperar el tiempo transcurrido a partir de una cantidad
- Supóngase que una cantidad se duplica cada hora, comenzando en 100. Las cantidades $100,200,400,800$ corresponden a tiempos transcurridos de $0,1,2,3$ horas: multiplicar la cantidad de entrada por 2 suma 1 al tiempo de salida.
- Un modelo logarítmico expresa esta pregunta inversa. La cantidad crece exponencialmente con el tiempo, mientras que el tiempo es una función logarítmica de la cantidad. Qué variable sea la entrada importa.
Construir un modelo desde cero y una proporción
- El modelo temporal tiene un valor de cero en la cantidad $N=100$, donde el tiempo transcurrido es 0. Con cada duplicación que añade una hora, el modelo es $T(N)=\log_2(N/100)$. Produce $T(800)=3$.
- Su condición matemática de entrada es $N>0$, pero un contexto que comienza en tiempo cero usa $N\ge100$. Las predicciones de tiempo fraccionario también asumen que la regla exponencial describe un crecimiento continuo entre observaciones.
When is an increasing, nonconstant logarithmic model a reasonable candidate to check?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
A logarithm turns multiplicative input changes into additive output changes. Check the variables, residuals and context; a concave-down appearance alone is insufficient.
An amount starts at 100 and doubles each hour. Which model returns elapsed hours from amount N?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
The model must return 0 at N=100 and add 1 each time N doubles. The ratio N/100 normalises the start.
Determinar un modelo a partir de dos observaciones
- Fije la base 10 y use la forma sin desplazamiento $y=a\log_{10}x+c$. Los puntos $(1,1)$ y $(10,3)$ dan $c=1$ y $a+1=3$, por lo que el modelo es $y=2\log_{10}x+1$.
- Para una base fija $b>0$, $b\ne1$, dos entradas positivas distintas determinan los coeficientes de esta forma sin desplazamiento. Reste las ecuaciones de observación y luego recupere la constante. Un desplazamiento de entrada desconocido añade otro parámetro y requiere información adicional.
A favor $y=a\log_{10}x+c$ through (1,1) and (10,3), what is a?
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
The first point gives c=1; the second gives a+1=3, so a=2.
Interpretar parámetros con su base y unidades
- Los parámetros tienen significados precisos: en $y=a\log_b x+c$, el valor en $x=1$ es $c$, y multiplicar una entrada positiva por $b$ cambia la salida en $a$. Para $2\log_{10}x+1$, cada aumento decuplicado de la entrada añade 2.
- La constante no es la salida en cero: el logaritmo está indefinido allí. Con base mayor que 1, un exponente negativo $a$ da valores decrecientes. Un coeficiente ajustado igual a cero sugiere un modelo constante en lugar de un logaritmo no constante. Interprete los coeficientes solo con la base declarada y las unidades de entrada.
El parameters of a fitted model can be interpreted in terms of the real situation.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Interpret coefficients with their base and units. In y=a log_b(x)+c, c is the model output at x=1; multiplying the positive input by b changes the output by a.
A favor $y=2\log_{10}x+1$, what is the model output at x=1?
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
log₁₀1=0, so the constant 1 is the output at one input unit, not at zero.
A favor $y=2\log_{10}x+1$, what does the coefficient 2 mean?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
A base-10 logarithm increases by 1 when its input is multiplied by 10. The coefficient scales that change to 2.
Evaluate $y=-2\log_{10}x+5$ at x=100.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
The logarithm is 2, so y=−4+5=1. A negative coefficient with base greater than 1 gives a decreasing model.
Separar el dominio del rango de entrada observado
- El dominio de una expresión logarítmica sin desplazamiento es $x>0$. Si solo se observaron entradas 1 y 10, predecir en $x=5$ es interpolación, mientras que predecir en $x=100$ es extrapolación.
- La fórmula $2\log_{10}x+1$ predice aproximadamente 2.398 en 5. Un valor extrapolado puede definirse matemáticamente sin estar respaldado por las observaciones. Indique el rango de datos, supuestos y cualquier restricción física con la predicción.
A model is fitted only to inputs 1 and 10. A prediction at input 100 is…
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
100 lies outside the observed input range [1,10]. The formula can be defined there without the data validating it.
Justificar cualquier desplazamiento antes de ajustarlo
- Un ejemplo desplazado $P(t)=10\ln(t+1)+5$ está definido matemáticamente para $t>-1$. En un contexto restringido a $t\ge0$, comienza en $P(0)=5$; el desplazamiento hace que el tiempo cero sea utilizable porque el argumento del logaritmo es 1.
- Aquí $P(e-1)=15$. Los cambios multiplicativos iguales pertenecen al ajuste de entrada $t+1$, no al tiempo bruto $t$. Un desplazamiento debe provenir del contexto o estimarse con datos suficientes; no lo insertes solo para ocultar una entrada inválida.
What is the mathematical domain of $P(t)=10\ln(t+1)+5$?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
The argument needs t+1>0. A particular context may impose the narrower restriction t≥0, but that is different from the mathematical domain.
Ajustar observaciones dispersas con regresión
- Una regresión logarítmica ajusta $y$ contra un logaritmo de la entrada positiva $x$. Para una base y desplazamiento especificados, los mínimos cuadrados eligen los coeficientes para minimizar la suma de errores verticales al cuadrado. No necesita pasar por cada observación, pero puede pasar por algunas o todas.
- Para observaciones ilustrativas $(1,1.2)$, $(10,2.6)$ y $(100,5.2)$, el ajuste de mínimos cuadrados base-10 es $\hat y=2\log_{10}x+1$. La tecnología puede reportar una forma equivalente usando el logaritmo natural en su lugar. No confunda hacer una regresión de $y$ sobre $\ln x$ con tomar $\ln y$.

Technology can find a logarithmic ____ that best fits a data set.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
For the chosen base and fixed shift, logarithmic regression fits y against log(input). Least squares minimises squared vertical residuals within that family, without proving that the family is appropriate.
Inspeccione los residuos antes de confiar en una predicción
- Los residuos son los valores observados menos los valores ajustados. En la entrada 10 de los datos ilustrativos, el modelo predice 3 mientras que la observación es 2.6, dando un residuo de $-0.4$. El punto se encuentra por debajo de la curva ajustada.
- Los tres residuos son $0.2,-0.4,0.2$, por lo que su suma al cuadrado es 0.24. Esto representa un ajuste dentro de la familia elegida, no una prueba de que el modelo sea apropiado. Tres observaciones constituyen evidencia limitada: examine patrones, compare familias plausibles y verifique datos adicionales cuando estén disponibles.
Construct a model and inspect its predictions
Fit (1,1) and (10,3), then compare scattered, decreasing and constant observations. Distinguish interpolation from extrapolation.
An observation is 2.6 and the fitted value is 3. What is the residual?
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
Residual=observed −fitted=2.6−3=−0.4, so the observation is below the fitted curve.
Use logaritmos naturales con el mismo significado
- El logaritmo natural da el modelo temporal como $T(N)=\dfrac{\ln(N/100)}{\ln2}$. En $N=300$, predice aproximadamente 1.585 horas. Si las cantidades observadas abarcan desde 100 hasta 800, esto es interpolación bajo la suposición de crecimiento continuo.
- Cambiar la base del logaritmo reescala su coeficiente y deja la curva ajustada sin cambios. En $y=a\ln x+c$, multiplicar la entrada por $e$ añade $a$ a la salida. Conserve los coeficientes completos para los cálculos y luego redondee la predicción final con sus unidades.
A favor $T(N)=\ln(N/100)/\ln 2$, estimate T(300) to three decimal places.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
ln 3/ln 2≈1.585 hours, assuming continuous doubling between observations.
Elija una familia basada en el patrón entrada-salida
- Un exponencial creciente tiene salidas proporcionales sobre incrementos iguales de entrada. Su inversa logarítmica tiene incrementos de salida iguales sobre entradas proporcionales. Por lo tanto, el mismo proceso de duplicación puede expresarse como un modelo exponencial cantidad-tiempo o un modelo logarítmico tiempo-cantidad.
- La forma sola es insuficiente. Un exponencial decreciente también cambia rápidamente y luego se aplanó, pero hacia una asíntota horizontal. Un proceso de crecimiento acotado puede aparecer cóncavo hacia abajo en una ventana limitada. Verifique las variables, razones, residuos y contexto antes de elegir una familia.
For a growing exponential and its logarithmic inverse, which input-output contrast is correct?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Reversing input and output swaps the roles of additive and multiplicative change. An exponential is not always increasing, and shape alone does not choose a model.
Respete un resultado acotado
- En un ejemplo ilustrativo de puntuaciones, $S(h)=20\log_{10}h+40$ coincide con puntuaciones de 40 en 1 horas de estudio y 60 en 10 horas. El coeficiente significa que un aumento diez veces mayor agrega 20 puntos; 40 es la salida del modelo en una hora, no en cero horas.
- Una puntuación está limitada en 100, pero la fórmula predice 120 en 10,000 horas. Puede ser una aproximación local, no una descripción global de un techo. Predecir en 100 horas también extrapola más allá de las dos observaciones, aunque la predicción numérica permanezca por debajo de 100.
Construya el modelo a partir de su patrón entrada-salida, un cero y una razón, observaciones o regresión. Establezca la base, las unidades, las restricciones de entrada y el rango observado. Un ajuste útil debe verificarse contra residuos y contexto, especialmente antes de extrapolar.
Select all true statements about fitting and using a nonconstant logarithmic model.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
The unrestricted nonconstant formula is unbounded. A fit may still be useful locally for a bounded outcome, but extrapolation must respect physical limits and evidence.
The score model $S(h)=20\log_{10}h+40$ must be valid for every h>0 because its mathematical formula is defined there.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
A real score is capped at 100, but this formula predicts 120 at h=10000. Mathematical definition does not establish validity outside the observed range or physical limits.
Explique una predicción y sus límites
- Para $y=2\log_{10}x+1$, evalúe $y$ en $x=100$ y explique el cálculo.
- Si el modelo usó solo $(1,1)$ y $(10,3)$, clasifique esta predicción y explique qué significan los dos coeficientes. Distinga la validez matemática de la evidencia que indica que una predicción es confiable.
A favor $y=2\log_{10}x+1$, find y at x=100. If the model used only (1,1) and (10,3), classify the prediction and interpret both coefficients.
4 plus 1 is 5.
A favor $y=2\log_{10}x+1$, what is y at x=100?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
2 times 2 plus 1 is 5. Other options — 2 (the logarithm alone); 100 (the input).