Modeling with Logarithmic Functions
Introduzido| English | Significado |
|---|---|
| logarithmic model/ˌlɒɡəˈrɪθmɪk ˈmɒdl/ | modelo logarítmico |
| parameters/pəˈræmɪtəz/ | parâmetros |
| domain/dəˈmeɪn/ | domínio |
| interpolation/ɪnˌtɜːpəˈleɪʃn/ | interpolação |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolação |
| regression/rɪˈɡreʃn/ | regressão |
| natural log/ˈnætʃərəl lɒɡ/ | logaritmo natural |
| residuals/rɪˈsɪdʒuːəlz/ | resíduos |
Recupere o tempo decorrido a partir de um montante
- Suponha que um montante dobre a cada hora, partindo de 100. Montantes $100,200,400,800$ correspondem a tempos decorridos $0,1,2,3$ horas: multiplicar o montante de entrada por 2 adiciona 1 ao tempo de saída.
- Um modelo logarítmico expressa essa questão inversa. O montante cresce exponencialmente com o tempo, enquanto o tempo é uma função logarítmica do montante. Qual variável é a entrada importa.
Construa um modelo a partir de uma raiz e de uma proporção
- O modelo de tempo tem um valor zero em quantidade $N=100$, onde o tempo decorrido é 0. Com cada duplicação adicionando uma hora, o modelo é $T(N)=\log_2(N/100)$. Ele fornece $T(800)=3$.
- Sua condição de entrada matemática é $N>0$, mas um contexto que começa no tempo zero usa $N\ge100$. Previsões de tempo fracionário também assumem que a regra exponencial descrece crescimento contínuo entre observações.
When is an increasing, nonconstant logarithmic model a reasonable candidate to check?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
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?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
The model must return 0 at N=100 and add 1 each time N doubles. The ratio N/100 normalises the start.
Determinar um modelo a partir de duas observações
- Fixe a base 10 e use a forma não deslocada $y=a\log_{10}x+c$. Os pontos $(1,1)$ e $(10,3)$ fornecem $c=1$ e $a+1=3$, logo o modelo é $y=2\log_{10}x+1$.
- Para uma base fixa $b>0$, $b\ne1$, duas entradas positivas distintas determinam os coeficientes desta forma não deslocada. Subtraia as equações de observação e, em seguida, recupere a constante. Um deslocamento de entrada desconhecido adiciona outro parâmetro e requer informações adicionais.
A favor $y=a\log_{10}x+c$ through (1,1) and (10,3), what is a?
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
The first point gives c=1; the second gives a+1=3, so a=2.
Interpretar parâmetros com sua base e unidades
- Os parâmetros têm significados precisos: em $y=a\log_b x+c$, o valor em $x=1$ é $c$, e multiplicar uma entrada positiva por $b$ altera a saída em $a$. Para $2\log_{10}x+1$, cada aumento dez vezes na entrada adiciona 2.
- A constante não é a saída em zero: o logaritmo está indefinido ali. Com base maior que 1, um $a$ negativo resulta em valores decrescentes. Um coeficiente ajustado igual a zero sugere um modelo constante em vez de um logaritmo não constante. Interprete coeficientes apenas com a base e as unidades de entrada declaradas.
A parameters of a fitted model can be interpreted in terms of the real situation.
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
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?
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
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?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
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.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
The logarithm is 2, so y=−4+5=1. A negative coefficient with base greater than 1 gives a decreasing model.
Separar domínio da faixa de entrada observada
- O domínio de uma expressão logarítmica não deslocada é $x>0$. Se apenas entradas 1 e 10 foram observadas, prever em $x=5$ é interpolação, enquanto prever em $x=100$ é extrapolação.
- A fórmula $2\log_{10}x+1$ prevê cerca de 2.398 em 5. Um valor extrapolado pode ser definido matematicamente sem ser apoiado pelas observações. Declare a faixa de dados, suposições e quaisquer restrições físicas com a previsão.
A model is fitted only to inputs 1 and 10. A prediction at input 100 is…
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
100 lies outside the observed input range [1,10]. The formula can be defined there without the data validating it.
Justificar qualquer deslocamento antes de ajustá-lo
- Um exemplo deslocado $P(t)=10\ln(t+1)+5$ é matematicamente definido para $t>-1$. Em um contexto restrito a $t\ge0$, ele começa em $P(0)=5$; o deslocamento torna o tempo zero utilizável porque o argumento do logaritmo é 1.
- Aqui $P(e-1)=15$. Alterações multiplicativas iguais pertencem à entrada ajustada $t+1$, não ao tempo bruto $t$. Um desvio deve vir do contexto ou ser estimado com dados suficientes; não insira um apenas para ocultar uma entrada inválida.
What is the mathematical domain of $P(t)=10\ln(t+1)+5$?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
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 observações dispersas com regressão
- Uma regressão logarítmica ajusta $y$ contra o logaritmo da entrada positiva $x$. Para uma base e deslocamento especificados, o método dos mínimos quadrados escolhe os coeficientes para minimizar a soma dos erros verticais quadráticos. Não precisa passar por todas as observações, mas pode passar por algumas ou todas elas.
- Para observações ilustrativas $(1,1.2)$, $(10,2.6)$ e $(100,5.2)$, o ajuste pelos mínimos quadrados de base 10 é $\hat y=2\log_{10}x+1$. A tecnologia pode relatar uma forma equivalente usando o logaritmo natural. Não confunda regressar $y$ sobre $\ln x$ com calcular $\ln y$.

Technology can find a logarithmic ____ that best fits a data set.
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
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.
Inspecionar resíduos antes de confiar em uma previsão
- Resíduos são valores observados menos valores ajustados. Na entrada 10 dos dados ilustrativos, o modelo prediz 3 enquanto a observação é 2.6, resultando em resíduo $-0.4$. O ponto está abaixo da curva ajustada.
- Os três resíduos são $0.2,-0.4,0.2$, logo sua soma de quadrados é 0.24. Isso é um ajuste dentro da família escolhida, não prova de que o modelo seja apropriado. Três observações são evidência limitada: examine padrões, compare famílias plausíveis e verifique dados adicionais quando disponíveis.
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?
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
Residual=observed −fitted=2.6−3=−0.4, so the observation is below the fitted curve.
Use logaritmos naturais com o mesmo significado
- O logaritmo natural fornece o modelo temporal como $T(N)=\dfrac{\ln(N/100)}{\ln2}$. Em $N=300$, ele prediz cerca de 1.585 horas. Se as quantidades observadas abrangem de 100 a 800, isso é interpolação sob a suposição de crescimento contínuo.
- Alterar a base do logaritmo reescala seu coeficiente e deixa a curva ajustada inalterada. Em $y=a\ln x+c$, multiplicar a entrada por $e$ adiciona $a$ à saída. Mantenha os coeficientes completos para cálculos, depois arredonde a predição final com suas unidades.
A favor $T(N)=\ln(N/100)/\ln 2$, estimate T(300) to three decimal places.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
ln 3/ln 2≈1.585 hours, assuming continuous doubling between observations.
Escolha uma família baseada no padrão entrada-saída
- Uma exponencial crescente tem saídas proporcionais sobre incrementos iguais de entrada. Seu inverso logarítmico tem incrementos iguais de saída sobre entradas proporcionais. Portanto, o mesmo processo de duplicação pode ser escrito como modelo exponencial quantidade-tempo ou modelo logarítmico tempo-quantidade.
- A forma sozinha é insuficiente. Uma exponencial decrescente também muda rapidamente e depois se aplaina, mas em direção a uma assintota horizontal. Um processo de crescimento limitado pode parecer côncavo para baixo em uma janela restrita. Verifique as variáveis, razões, resíduos e contexto antes de escolher uma família.
For a growing exponential and its logarithmic inverse, which input-output contrast is correct?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
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.
Respeite um resultado limitado
- Em um exemplo de pontuação ilustrativo, $S(h)=20\log_{10}h+40$ corresponde às pontuações 40 na hora de estudo 1 e 60 em 10 horas. O coeficiente significa que um aumento dez vezes adiciona 20 pontos; 40 é a saída do modelo em uma hora, não em zero horas.
- Uma pontuação é limitada em 100, mas a fórmula prediz 120 em 10,000 horas. Pode ser uma aproximação local, não uma descrição global de um teto. Predizer em 100 horas também extrapola além das duas observações, embora a predição numérica permaneça abaixo de 100.
Construa o modelo a partir de seu padrão entrada-saída, zero e razão, observações ou regressão. Especifique a base, unidades, restrições de entrada e intervalo observado. Um ajuste útil deve ser verificado contra resíduos e contexto, especialmente antes de extrapolar.
Select all true statements about fitting and using a nonconstant logarithmic model.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
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.
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
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 uma predição e seus limites
- Para $y=2\log_{10}x+1$, avalie $y$ em $x=100$ e explique o cálculo.
- Se o modelo usou apenas $(1,1)$ e $(10,3)$, classifique esta predição e explique o que os dois coeficientes significam. Distinga validade matemática de evidência de que uma predição é confiável.
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?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
2 times 2 plus 1 is 5. Other options — 2 (the logarithm alone); 100 (the input).