1

FUNCION EXPONENCIAL: APLICACION SOBRE CAMBIO ARITMTICO EN LA VARIABLE INDEPENDIENTE Sastre Vzquez, Patricia1 ; Caibano, Alejandra.2 , Boube, Carolina3 ; Rey, Graciela.4 ,Suhurt, Valeria 5 , Scempio, Viviana 6 .
1 2

Dra. en Matemtica Prof. Adjunto - psastre@faa.unicen.edu.ar Mg. Sc.- Prof. Adjunto mac@faa.unicen.edu.ar 3 Prof. de Matemtica y Fsica Ayud. Graduado cboubee@faa.unicen.edu.ar 4 Ing. Agrnoma- JTP Fac. de Agronoma UNCPBA grey@faa.unicen.edu.ar 5 Prof. de Matemtica y Fsica Ayud. Alumno 6 Alumna del Prof. Cs. Biolgicas - Ayud. Alumno vivisandb@hotmail.com RESUMEN En este trabajo se presentan en forma general las propiedades mas comunes de la funcin exponencial. Se presta mayor atencin a una propiedad de esta funcin que en general no es introducida en los cursos elementales de matemtica : Cambios aritmticos iguales en la variable x conducen a cambios proporcionales iguales en la variable y. Si llamamos c al cambio aritmtico en x, entonces (bc-1) es el cambio proporcional en y Adems se dan algunos conceptos elementales del estudio de series de tiempo, y finalmente se presenta una aplicacin. INTRODUCCION La funcin exponencial es muy importante en matemticas. Es la funcin con ms presencia en los fenmenos observables. As presentan comportamiento exponencial: la reproduccin de una colonia de bacterias, la desintegracin de una sustancia radiactiva, algunos crecimientos demogrficos, la inflacin, la capitalizacin de un dinero colocado a inters compuesto, etc. Se define la funcin expone ncial del siguiente modo: y = ab x con a 0 y b>1

Por ejemplo algunos tipos de bacterias se reproducen por "mitosis", dividindose la clula en dos cada espacios de tiempo muy pequeos, en algunos casos cada 15 minutos. Observando la Tabla 1, cuntas bacterias se producen, a partir de una, en un da? Tabla 1 : Nmero de bacterias cada 15 minutos 15 30 45 60 ......... 2 4 8 16 ..........

Minutos Bacterias

x 2x

Siendo x los intervalos de 15 minutos: en una hora tendremos : 24 = 16, en 2 horas habr 28 = 256, y en da : 224 4 = 296 = 7,91028. Esto nos da idea del llamado crecimiento exponencial.

2 PROPIEDADES GENERALES Algunas de las propiedades que generalmente se explicitan cuando se introduce al estudio de la funcin exponencial son las siguientes: 1) La funcin existe para cualquier valor de x , es decir el dominio de la funcin es todo R. 2) En todos los casos la funcin pasa por un punto fijo: el (0,1), o sea que siempre: corta al eje de ordenadas en el punto (0,1). 3) Los valores de y son siempre positivos, por tanto: la funcin siempre toma valores positivos para cualquier valor de x, es decir el codominio son los reales positivos. 4) Siempre creciente o siempre decreciente (para cualquier valor de x), dependiendo de los valores de la base "a". 5) Se acerca al eje X tanto como se desee, sin llegar a cortarlo, hacia la derecha en el caso en que a<1 y hacia la izquierda en caso de a>1, se dice por ello que el eje x es una asntota horizontal (haca la izquierda si a>1 y haca la derecha si a<1)

CAMBIO ARITMTICO EN LA VARIABLE INDEPENDIENTE En la funcin exponencial existe una propiedad muy til que relaciona los cambios que producen en la variable x respecto a la variable y, la cual en general no se enuncia: Cambios aritmticos iguales en la variable x conducen a cambios proporcionales iguales en la variable y. Si llamamos c al cambio aritmtico en x, entonces (bc-1) es el cambio proporcional en y. Se probar esta propiedad y luego se ver una aplicacin prctica de la misma. Sean x1 , x 2 , x3 y x4 Df ( x ) = ab x tales que x 2 x1 = x 4 x3 = c , entonces queremos probar que: f ( x 2 ) f ( x1 ) f ( x 4 ) f ( x3 ) = f ( x1 ) f ( x3 ) o lo que es lo mismo: y 2 y1 y 4 y 3 = y1 y3 (1)

Para ello, teniendo en cuenta que y = ab x con a 0 y b > 1 , y que x 2 x1 = x4 x3 = c , se calculan los valores de funcin que corresponde a los x1 , x 2 , x3 y x4 Df ( x ) , luego se los reemplaza en ambas miembros de la expresin (1) , con lo cual se obtiene:

y 2 y1 ab = y1 y 4 y 3 ab = y3
x 4

x2

ab
x1

x1

b x2 b x1

1 = b( x2 x1 ) 1 = b c 1 (2)

ab =

ab

x 3

b x4 b
x3

x ab 3

1 = b ( x4 x3 ) 1 = b c 1

(3)

De las expresiones (2) y (3) surge que efectivamente la expresin (1) es verdadera, con lo cual queda probada la propiedad.

APLICACION SOBRE INDEPENDIENTE

CAMBIO

ARITMTICO

EN

LA

VARIABLE

Al momento de planificar actividades fut uras surgirn, entre otras, algunas de estas preguntas: Han aumentado las ventas, (o las producciones)?; Cul ha sido el cambio proporcional mensual en las ventas?; Existe un supervit de la cantidad de agua cada en la zona en los ltimos das?; Cual ha sido el cambio proporcional en las lluvias anuales?; Es decir, en muchas situaciones, tomando como base lo ocurrido en el pasado se requiere conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, prever o prevenir. Una tcnica muy importante para hacer inferencias sobre el futuro, con base en lo ocurrido en el pasado, es el anlisis de series de tiempo. Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad, en demografa, en marketing, en telecomunicaciones, en transporte, etc. Arellano, M., (2001), define Serie de Tiempo a un conjunto de mediciones de cierto fenmeno o experimento registradas secuencialmente en el tiempo. Estas observaciones sern denotadas por { 1 ), x(t2 ), ..., x(t n )} = {x(t) : t T R} con x(t i) el valor de la x(t variable x en el instante t i. Si T = Z se dice que la serie de tiempo es discreta, y si T = R se dice que la serie de tiempo es continua. Cuando t i+1 - t i = k para todo i = 1,...,n-1, se dice que la serie es equiespaciada, en caso contrario ser no equiespaciada. Un modelo clsico para una serie de tiempo, supone que una serie x(1), ..., x(n) puede ser expresada como suma o producto de tres componentes: 1) Tendencia: representa el comportamiento predominante de la serie, puede interpretarse vagamente como el cambio de la media a lo largo de un periodo 2) Estacionalidad: representa un movimiento peridico de la serie de tiempo, siendo la duracin de la unidad del periodo generalmente menor que un ao 3) Error aleatorio: representa movimientos irregulares (al azar) y todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cclicas.

Esta autora establece tres modelos de series de tiempos, que generalmente se aceptan como buenas aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados. Estos son: 1) Aditivo: x( t ) = T ( t ) + E( t ) + A( t ) 2) Multiplicativo: x( t ) = T ( t ) E( t ) A( t ) 3) Mixto: x( t ) = T ( t ) E( t ) + A( t ) Donde: x(t) serie observada en instante t T(t) componente de tendencia E(t) componente estacional A(t) componente aleatoria (accidental) Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras componentes, como T(t), s por el contrario la estacionalidad vara con la tendencia, el modelo ms adecuado es un modelo multiplicativo (2). Es claro que el modelo (2) puede ser transformado en aditivo, tomando logaritmos. El problema que se presenta, es modelar adecuadamente las componentes de la serie. En las siguientes figuras (extradas de Arellano, M., 2001) se ilustran posibles patrones que podran seguir series representadas por los modelos (1), (2) y (3).

Si la componente estacional E(t) no est presente, y el modelo aditivo es adecuado, esto es: X(t) = T(t) + A(t) Un mtodo para estimar la tendencia T(t), consiste en ajustar una funcin del tiempo, como un polinomio, una exponencial u otra funcin suave de t. Entre las funciones adecuadas para esta tarea se encuentran las presentadas en la Tabla 2:

Tabla 2: Funciones tiles para estimar la tendencia en el modelo X(t) = T(t) + A(t) Lineal Exponencial Exponencial modificada Polinomial Gompertz 0 < r < 1 Logstica T(t) = a + bt T(t) = a ebt T(t) = a + b ebt T(t) = 0 + 1t ,...,+ mtm T(t) = e(a + b(rt))
1 , 0 < r <1 t T(t) = a + b( r )

Se debe tener en cuenta que la curva de tendencia debe cubrir un periodo relativamente largo para ser una buena representacin de la tendencia a largo plazo. Sin embargo, la tendencia rectilnea y exponencial son aplicables a corto plazo, puesto que una curva con forma de S a largo plazo, puede parecer una recta en un perodo restringido de tiempo. Al analizar una serie de tiempo, lo primero que se debe hacer es graficar la serie. Esto nos permite detectar las componentes esenciales de la serie. El grfico de la serie permitir: tendencias, variacin estacional y variaciones irregulares (o componente aleatoria). Para obtener un modelo, es necesario estimar la tendencia y la estacionalidad. Para estimar la tendencia, se supone que la componente estacional no est presente. La estimacin se logra al ajustar a una funcin de tiempo a un polinomio o suavizamiento de la serie a travs de los promedios mviles. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo). Una vez estimada la tendencia y la estacionalidad se esta en condiciones de predecir.

EJEMPLO En la Tabla 3, (extrada de U.S. Department of Comerse, Survey of Current Bussines), se muestran los datos correspondientes a las nuevas unidades habitacionales comenzadas en los Estados Unidos del tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades). Tabla 3: Unidades habitacionales, (en miles), en EEUU (1964-1972. Ao I II III IV 1964 398 352 1965 283 454 392 345 1966 274 392 290 210 1967 218 382 382 340 1968 298 452 423 372 1969 336 468 387 309 1970 264 399 408 396 1971 389 604 579 513 1972 510 661

6 Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para el tercer trimestre de 1964, t = 2 para el cuarto trimestre, y as sucesivamente. As que el dominio de definicin de t es el conjunto de los enteros de 1 a 32 inclusive, y sea T(t) las iniciaciones de viviendas trimestralmente. Con estos datos se desea estimar la tendencia. Suponiendo que la componente estacional E(t) no est presente, y el modelo aditivo es adecuado, entonces el modelo es: x(t) = T(t) + A(t) En este caso podemos estimar la tendencia T(t), lo cual significa ajustar una funcin del tiempo, utilizando alguna de las funciones presentadas en la Tabla 2. En este ejemplo se hace uso de los modelos: 1) lineal y 2) exponencial. Modelo lineal : T(t) = a + bt. En este caso se tienen 2 parmetros a y b, los cuales se pueden estimar utilizando el mtodo de mnimos cuadrados, tarea que es posible ejecutar sin dificultades mediante una simple planilla de clculo. Con los datos de este problema se obtiene: Coeficientes 285,308468 6,34494135 Error tpico 31,5191652 1,66700416 Estadstico t 9,05190433 3,80619408 Probabilidad 4,4145E-10 0,00064855

Intercepcin Variable t

Con lo cual: T(t) = 285,31 + 6,34 t Modelo exponencial : T(t) = a ebt. En este caso tambin existen 2 parmetros para estimar, sin embargo el modelo no es lineal, con lo cual, para poder aplicar el mtodo de mnimos cuadrados, es necesario primero realizar una transformacin en los datos. Es posible obtener un modelo lineal, a partir del exponencial, simplemente aplicando logaritmos : Ln T(t) =Ln a + b t (4)

Entonces, reemplazado en la expresin (4), Ln T(t) por T(t) y Ln a por a, se puede reescribir el modelo exponencial de la siguiente forma : T(t) = a+ bt (5)

La expresin (5) permite, mediante el ajuste por el mtodo de mnimos cuadrados, estimar los parmetros del modelo exponencial. Para los datos presentados, se obtuvo para expresin (5): Coeficientes 5,68266033 0,01510954 Error tpico 0,08323752 0,00440231 Estadstico t 68,2704223 3,43218151 Probabilidad 1,7746E-34 0,00176721

Intercepcin Variable t

Con lo cual en (5) es: T(t) = 5,68+ 0,015t (6)

7
(5,68) De (6) surge que b = 0,01 y teniendo en cuenta que e = 293,73, el modelo exponencial quedara escrito como :

T(t) = 293,73 e0,015 t

RESULTADOS Y CONCLUSIONES

En el ejemplo presentado, para los modelos considerados, se obtuvieron las siguientes estimaciones: Modelo lineal: Modelo exponencial: T(t) = 285,31 + 6,34 t T(t) = 293,73 e0,015 t

Obtenidos los modelos matemticos que permitirn realizar estimaciones del nmero (en miles) de las nuevas unidades habitacionales comenzadas en los Estados Unidos, es necesario tambin realizar una interpretacin de los parmetros. En el modelo lineal, cuya representacin grfica es una recta, (ver grfico al pie), el coeficiente de la variable independiente, el tiempo en trimestres, indica la relacin entre la variacin de la Tendencia T(t) con respecto a la variacin temporal, entre dos trimestres, Dicho de otro modo, el coeficiente de la variable tiempo, t, (pendiente de la recta), es el incremento en la Tendencia T(t), cuando el tiempo se incrementa en 1 trimestre. El nombre de pendiente de una recta esta justificado. Cua ndo se dice que un camino tiene la pendiente 5% , significa que por cada 100 unidades horizontales asciende 5 unidades, es decir, el cociente de las ordenadas por las abscisas correspondientes es 5/100. Ntese que el valor de la pendiente de una recta no depende de la eleccin particular de los puntos elegidos. En el modelo lineal del caso que se est estudiando, el coeficiente de la variable independiente es 6,34 por lo cual se puede afirmar: Si se considera un modelo lineal, la Tendencia del nmero de nuevas habitaciones en EEUU aumenta uniformemente en 6,34 por trimestre, o que es lo mismo, que la tendencia aumenta en un 0,063 % trimestralmente. Ntese que en el modelo lineal este aumento en la Tendencia no depende de los trimestres que se estudien. Sin embargo de la observacin de la Tabla 4 surge claramente que dicha afirmacin no es cierta cuando se considera el modelo exponencial. En este ltimo caso las variaciones en la Tendencia, en cada trimestre, dependen del punto considerado, y se pueden calcular encontrando las derivadas de la funcin en los puntos en cuestin. La pregunta que como docente uno se hara, al plantear el estudio de la funcin exponencial, en un curso introductorio de matemtica, en el cual an no se ha introducido el concepto de derivada es: Qu se podra decir de la variacin de la Tendencia en el caso exponencial?.Teniendo en cuenta la relacin encontrada en (3)

8 y4 y3 == bc 1 y3 y que el modelo exponencial T(t) = 293,73 e0,015 t, es bc-1= e1 -1=2,7 1 = 1,7 es posible afirmar: Si se considera un modelo exponencial, la Tendencia del nmero de nuevas habitaciones en EEUU aumenta uniformemente en una proporcin de 1,7 en cada trimestre. O sea que al pasar de un trimestre a otro, el cambio proporcional en la Tendencia es del 0,17 %. Tabla 4: Trimestres y ajuste de la Tendencia para los 2 modelos y cambios en la misma considerando c = 1 trimestre t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 T(t) (observado) 398 352 283 454 392 345 274 392 290 210 218 382 382 340 T(t) = 285,30 + 6,34 t 292 298 304 311 317 323 330 336 342 349 355 361 368 374 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 T ( t ) = Ti +1( t ) Ti ( t )
6.34

15

16

298 452 380 387 6.34 6.34

Ti +1( t ) Ti ( t ) Ti ( t )

0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017

T(t) = 293,72 e0,015 t 298 303 307 312 317 322 326 331 337 342 347 352 357 363 368 374 T ( t ) = Ti +1( t ) Ti ( t ) Ti +1( t ) Ti ( t ) Ti ( t )
4,54 4,61 4,68 4,75 4,82 4,90 4,97 5,05 5,12 5,20 5,28 5,36 5,44 5,53 5,61 5,69 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 20 21 22 23 24 25 26 27 28 29 30 31 32

t 17 18 19 T(t) (observado) 423 372 336 T(t) = 285,30 + 6,34 t 393 400 406 6.34 6.34 T ( t ) = Ti +1( t ) Ti ( t )
6.34

468 387 309 264 399 408 396 389 604 579 513 510 661 412 419 425 431 438 444 450 457 463 469 476 482 488 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34 6.34

0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 Ti +1( t ) Ti ( t ) Ti ( t ) 0.017 0,015 t T(t) = 293,72 e 380 386 391 397 403 410 416 422 429 435 442 448 455 462 469 476 T ( t ) = Ti +1( t ) Ti ( t )

Ti +1( t ) Ti ( t ) Ti ( t )

5,78 5,87 5,96 6,05 6,14 6,24 6,33 6,43 6,52 6,62 6,72 6,83 6,93 7,04 7,14 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017 0.0170.017 0.017

Tendencias de las viviendas en ajuste lineal y exponencial

Nmero de vivienda (miles)

700 600 500 400 300 200 100 0 10 13 16 19 22 25 28 Trimestres

T(t) T(t) = 285,30 + 6,34 t T(t) = 293,72 e0,015 t

BIBLIOGRAFA Arellano, M. (2001): "Introduccin al Anlisis Clsico de Series de Tiempo", [en lnea] 5campus.com, Estadstica http://www.5campus.com/leccion/seriest Makridakis, S; Wheelright, S.C.; McGee, V.E. (1983). Forecasting: Methods and Applications. Wiley, New York. Pea, Daniel. (1989). Estadstica, Modelos y Mtodos 2. Modelos Lineales y Series Temporales. Alianza Universidad, Madrid.

31