7.4 Eksponentialregresjon

Kurven som bøyer seg oppover

På naturfagslaben står en petriskål med bakterier, og du teller dem hver time: $200$, $310$, $490$, $760$, $1\,180$, $1\,850$. Du prøver å tegne en rett linje gjennom punktene i spredningsdiagrammet -- men det går ikke. Kurven bøyer seg oppover, brattere og brattere. Veksten er ikke jevn; den akselererer.

Ikke alle datasett følger en rett linje. Når verdiene vokser eller avtar stadig raskere, trenger vi en eksponentiell modell:

$$y = a \cdot b^x$$

der $a$ er startverdien (verdien når $x = 0$) og $b$ er vekstfaktoren. Er $b > 1$, har vi eksponentiell vekst; er $0 < b < 1$, har vi eksponentiell nedgang. Typiske eksempler er befolkningsvekst, avkjøling av kaffe, batterilading og spredning av virus i tidlig fase.

I dette kapittelet lærer du å gjenkjenne eksponentielle mønstre i data, finne modellen med eksponentiell regresjon -- og avgjøre når du heller bør holde deg til den rette linjen.

Å avsløre eksponentiell vekst -- og finne modellen

Hvordan vet du om dataene er lineære eller eksponentielle? Testen er enkel når $x$-verdiene øker med like steg: se på differansene og forholdstallene mellom påfølgende $y$-verdier. Er differansen $y_{n+1} - y_n$ tilnærmet konstant, er sammenhengen lineær -- samme beløp legges til hver gang. Er forholdstallet $\displaystyle \frac{y_{n+1}}{y_n}$ tilnærmet konstant, er den eksponentiell -- verdien ganges med det samme hver gang.

La oss teste bakteriene. Differansene er $110$, $180$, $270$, $420$, $670$ -- de øker kraftig, så lineært er det ikke. Men forholdstallene: $\displaystyle \frac{310}{200} = 1{,}55$, $\displaystyle \frac{490}{310} \approx 1{,}58$, $\displaystyle \frac{760}{490} \approx 1{,}55$, $\displaystyle \frac{1180}{760} \approx 1{,}55$ og $\displaystyle \frac{1850}{1180} \approx 1{,}57$. Tilnærmet konstant, rundt $1{,}56$! Sammenhengen er eksponentiell: bakterietallet ganges med omtrent det samme hver time.

Da er det klart for eksponentiell regresjon: å finne den eksponentialfunksjonen $y = a \cdot b^x$ som passer best til datasettet. Som ved lineær regresjon gjør digitale verktøy jobben -- i GeoGebra legger du punktene i en liste og skriver RegEksp(liste). For bakteriedataene får vi:

$$y = 198 \cdot 1{,}56^x$$

Tolkningen ligger i tallene: $a \approx 198$ er omtrent startverdien (vi talte $200$), og $b \approx 1{,}56$ betyr at antallet øker med cirka $56\,\%$ per time. I spredningsdiagrammet ser du forskjellen tydelig: eksponentiell vekst bøyer oppover stadig brattere, mens eksponentiell nedgang flater ut mot bunnen.

Tekoppen som kjølner -- eksponentiell nedgang i praksis

Eksponentialfunksjoner beskriver ikke bare ting som vokser. Sett en kopp te på $85\,°C$ til avkjøling i et rom på $22\,°C$, og mål hvor mange grader over romtemperatur den er: etter $0$, $5$, $10$, $15$, $20$, $25$ og $30$ minutter er tallene $63$, $49$, $39$, $30$, $24$, $18$ og $14$.

Verdiene synker -- men ikke jevnt. Fallet er bratt i starten og slakere etter hvert, akkurat som eksponentiell nedgang skal være. Eksponentiell regresjon i GeoGebra gir modellen:

$$y = 63{,}2 \cdot 0{,}95^x$$

der $x$ er minutter og $y$ er grader over romtemperatur. Vekstfaktoren $b = 0{,}95 < 1$ bekrefter nedgangen: hvert minutt mister teen $5\,\%$ av overskuddsvarmen.

Modellen kan nå svare på det viktige spørsmålet: når er teen drikkbar? Etter $12$ minutter:

$$y = 63{,}2 \cdot 0{,}95^{12} = 63{,}2 \cdot 0{,}540 \approx 34{,}2$$

Teen er da $34{,}2$ grader over romtemperaturen, altså holder den $22 + 34{,}2 = 56{,}2\,°C$. Legg merke til det lille trikset i modellen: vi målte temperaturen over romtemperatur, ikke selve temperaturen -- for det er overskuddsvarmen som avtar eksponentielt mot null, mens selve temperaturen flater ut mot $22\,°C$.

Samme matematikk styrer mange prosesser rundt deg: mobilbatteriet fyller de siste prosentene saktere enn de første, og medisin i blodet brytes ned med fast halveringstid. Overalt der noe avtar med samme prosent per tidsenhet, er eksponentiell nedgang på ferde.

Lineær eller eksponentiell -- hvem vinner?

Ofte er det ikke opplagt hvilken modell som passer. Da prøver vi rett og slett begge og lar dataene dømme: gjør lineær regresjon og noter $r$-verdien, gjør eksponentiell regresjon og noter dens $r$-verdi, og velg modellen med $|r|$ nærmest $1$.

En nyåpnet nettbutikk er perfekt testcase. Bestillinger per måned de første seks månedene: $40$, $58$, $88$, $130$, $196$, $290$. Lineær regresjon gir $y = 49x - 37$ med $r \approx 0{,}96$ -- ikke verst! Men eksponentiell regresjon gir $y = 26{,}5 \cdot 1{,}49^x$ med $r \approx 1{,}00$. Begge korrelasjonene er høye, men den eksponentielle ligger nærmest $1$. Og sjekker vi for hånd, bekreftes dommen: differansene ($18$, $30$, $42$, $66$, $94$) øker, mens forholdstallene ($1{,}45$; $1{,}52$; $1{,}48$; $1{,}51$; $1{,}48$) er stabile. Eksponentiell modell vinner -- butikken vokser med rundt $49\,\%$ i måneden.

Men $r$-verdien er ikke hele historien; bruk også sunn fornuft. Gir modellen mening i konteksten? Hva skjer for store $x$-verdier? Kan veksten fortsette slik? Her kommer den viktigste advarselen i kapittelet: eksponentiell vekst kan ikke vare evig. Begrensede ressurser -- kunder, plass, penger -- bremser alltid veksten til slutt. Vokste nettbutikken med $49\,\%$ i måneden i fem år, ville den hatt flere bestillinger enn det finnes mennesker på jorden.

En eksponentiell regresjonsmodell er derfor best til å beskrive utviklingen over begrensede tidsperioder. Vær ekstra varsom med ekstrapolering: selv en modell som passer dataene perfekt, kan gi fullstendig urealistiske tall langt frem i tid.

Oppsummering

Bakteriene i petriskålen fulgte ingen rett linje -- og dermed åpnet det seg en ny verden av modeller.

Den eksponentielle modellen $y = a \cdot b^x$ beskriver data som endres med samme prosent per periode: $a$ er startverdien, $b$ vekstfaktoren -- vekst når $b > 1$, nedgang når $0 < b < 1$. Detektivtesten er forholdstallene: konstante differanser betyr lineær sammenheng, konstante forholdstall betyr eksponentiell. Slik avslørte vi bakterienes vekstfaktor på cirka $1{,}56$.

Eksponentiell regresjon (RegEksp i GeoGebra) fant modellene fra dataene: $y = 198 \cdot 1{,}56^x$ for bakteriene og $y = 63{,}2 \cdot 0{,}95^x$ for tekoppen som mistet $5\,\%$ av overskuddsvarmen per minutt -- eksponentiell nedgang som også styrer batterilading og medisinnedbrytning.

Ved modellvalg prøver vi gjerne begge typer og velger den med $|r|$ nærmest $1$ -- nettbutikkens $1{,}00$ mot $0{,}96$ avgjorde i eksponentialens favør. Men husk den store advarselen: eksponentiell vekst kan ikke vare evig. Ressursene setter grenser, så modellen gjelder begrensede tidsrom -- og ekstrapolering langt frem i tid er en oppskrift på urealistiske svar.