Modeling with Logarithmic Functions · Modelagem com Funções Logarítmicas
| English | Português |
|---|---|
| logarithmic model/ˌlɒɡəˈrɪθmɪk ˈmɒdl/ | modelo logarítmico |
| regression/rɪˈɡreʃn/ | regressão |
| parameters/pəˈræmɪtəz/ | parâmetros |
Growth that keeps slowing
- Some things improve fast at first, then crawl: a new skill, a filling reservoir, fading sound.
- The gains never stop, but each one is smaller than the last.
- That "fast then slow, forever" shape is exactly what a logarithm draws.
- So logarithmic models describe decelerating growth beautifully.
Crescimento que continua desacelerando
- Algumas coisas melhoram rápido no início, depois rastejam: uma nova habilidade, um reservatório sendo enchido, som fadescente.
- Os ganhos nunca param, mas cada um é menor que o anterior.
- Essa forma "rápido depois lento, para sempre" é exatamente o que um logaritmo desenha.
- Portanto, modelos logarítmicos descrevem beautifully o crescimento desacelerado.
Building a logarithmic model
- A logarithmic model 对数模型 has the form $y = a\log x + c$.
- It shoots up steeply for small $x$, then rises ever more gently.
- Choose it when the data climbs quickly and then flattens without a ceiling.
- Two or three points can pin down the constants by hand.
Construindo um modelo logarítmico
- Um modelo logarítmico 对数模型 tem a forma $y = a\log x + c$.
- Ele sobe íngreme para pequenos $x$, depois cresce cada vez mais suavemente.
- Escolha-o quando os dados subem rapidamente e depois se nivelam sem um teto.
- Dois ou três pontos podem fixar as constantes manualmente.
A logarithmic model suits data that… · Um modelo logarítmico adequa-se a dados que…
Logs rise fast then flatten — perfect for growth that slows but never stops, like learning curves. · Logaritmos sobem rápido e depois se aplainam — perfeito para crescimento que desacelera mas nunca para, como curvas de aprendizado.
Regression finds the fit
- With scattered data, run a logarithmic regression 回归 on a calculator.
- It returns the best-fit $a$ and $c$ for the curve $y = a\log x + c$.
- The curve threads the trend without matching any point exactly.
- The result is a formula ready to interpret and use.
Regressão encontra o ajuste
- Com dados espalhados, execute uma regressão 回归 logarítmica em uma calculadora.
- Ela retorna os melhores ajustes de $a$ e $c$ para a curva $y = a\log x + c$.
- A curva atravessa a tendência sem correspondendo exatamente a nenhum ponto.
- O resultado é uma fórmula pronta para interpretação e uso.
A curve that rises fast, then flattens · Uma curva que sobe rápido, depois se aplaina
y = a·log(x − b) + c
A logarithmic model climbs steeply at first, then slows without ever stopping — ideal for data that keeps slowing down. · Um modelo logarítmico sobe íngreme no início, depois desacelera sem nunca parar — ideal para dados que continuam desacelerando.
Technology can find a logarithmic ____ that best fits a data set. · Tecnologia pode encontrar um logarítmico ____ que melhor se ajusta a um conjunto de dados.
A logarithmic regression returns the $a$ and · e $c$ in $y = a\log x + c$ that fit the points best. · Uma regressão logarítmica retorna $a$ e $c$ em $y = a\log x + c$ que melhor se ajustam aos pontos.
Select all · todos true statements about logarithmic models. · Selecione todas as afirmações verdadeiras sobre modelos logarítmicos.
A log rises without bound — it slows but has no ceiling. The other three are correct. · Um logaritmo sobe sem limite — desacelera, mas não tem teto. As outras três estão corretas.
Interpret the parameters
- The parameters 参数 $a$ and $c$ carry real meaning.
- A larger $a$ stretches the curve, meaning a faster initial rise.
- The constant $c$ shifts the whole curve up or down to match the data's level.
- Reading these numbers turns the model back into a statement about the situation.
Interprete os parâmetros
- Os parâmetros 参数 $a$ e $c$ carregam significado real.
- Um $a$ maior estica a curva, significando um aumento inicial mais rápido.
- A constante $c$ desloca toda a curva para cima ou para baixo para ajustar ao nível dos dados.
- Ler esses números transforma o modelo novamente em uma declaração sobre a situação.
The · A parameters of a fitted model can be interpreted in terms of the real situation. · Os parâmetros de um modelo ajustado podem ser interpretados em termos da situação real.
Each constant carries meaning — a bigger $a$ means a faster initial rise, for example. · Cada constante carrega significado — por exemplo, um $a$ maior significa uma subida inicial mais rápida.
Which contrast is correct? · Qual contraste está correto?
They are inverses: the exponential accelerates, while its mirror the log decelerates. · São inversas: a exponencial acelera, enquanto seu espelho, o log, desacelera.
Log versus exponential contexts
- An exponential fits things that accelerate: populations, compound interest, viral spread.
- A logarithm fits things that decelerate: sensory perception, diminishing returns.
- They are inverses, so their model shapes are opposite.
- Ask "is growth speeding up or slowing down?" to pick the right family.
Contextos Log versus Exponencial
- Uma exponencial ajusta coisas que aceleram: populações, juros compostos, propagação viral.
- Um logaritmo ajusta coisas que desaceleram: percepção sensorial, rendimentos decrescentes.
- Elas são inversas, então suas formas de modelo são opostas.
- Pergunte "o crescimento está acelerando ou desacelerando?" para escolher a família certa.
A logarithmic model slows down but never stops — it has no upper limit. Do not use it for something that truly saturates at a hard ceiling (a different model handles that). It only fits growth that keeps rising, just more and more gently.
Um modelo logarítmico desacelera mas nunca para — ele não tem limite superior. Não o use para algo que realmente sature num teto rígido (um modelo diferente faz isso). Ele só ajusta crescimento que continua subindo, apenas cada vez mais suavemente.
A study finds a test score rises with study hours as $S = 20\log_{10} h + 40$.
- At $h = 1$: $S = 20(0) + 40 = 40$.
- At $h = 10$: $S = 20(1) + 40 = 60$ — ten times the hours for $+20$ points.
- The gain from $10 \to 100$ hours is again just $+20$: clear diminishing returns.
Um estudo encontra que a pontuação do teste aumenta com as horas de estudo como $S = 20\log_{10} h + 40$.
- Em $h = 1$: $S = 20(0) + 40 = 40$.
- Em $h = 10$: $S = 20(1) + 40 = 60$ — dez vezes as horas para $+20$ pontos.
- O ganho de $10 \to 100$ horas é novamente apenas $+20$: rendimentos decrescentes claros.
A logarithmic model $y = a\log x + c$ fits data that rises quickly then keeps slowing. Find it with a logarithmic regression, interpret its parameters in context, and remember it has no ceiling — it decelerates but never stops rising.
Um modelo logarítmico $y = a\log x + c$ ajusta dados que sobem rapidamente depois continuam desacelerando. Encontre-o com uma regressão logarítmica, interprete seus parâmetros no contexto, e lembre-se que ele não tem teto — desacelera mas nunca para de subir.