¿Qué es la regresión exponencial?
La regresión exponencial ajusta una curva de la forma \(y = A \cdot B^{x}\) a un conjunto de observaciones emparejadas. Es la herramienta adecuada siempre que una magnitud crece o decrece por un factor aproximadamente constante con cada aumento unitario de x: crecimiento de poblaciones, interés compuesto, desintegración radiactiva, cultivos bacterianos y muchos otros procesos naturales. Se trata de una herramienta estadística universal, sin reglas específicas de ningún país.
Cómo usarla
Introduce tus datos con un par por línea en el formato x,y. Necesitas al menos dos puntos, los valores de x no pueden ser todos iguales y cada valor de y debe ser estrictamente positivo (el método aplica el logaritmo natural a y). Elige el número de decimales que quieres mostrar y consulta directamente A, B y el coeficiente de correlación r.
La fórmula explicada
El modelo es no lineal, pero al tomar logaritmos se vuelve lineal: \(\ln(y) = \ln(A) + x \cdot \ln(B)\). Por tanto, aplicamos un ajuste de recta por mínimos cuadrados ordinarios sobre los puntos transformados \((x_i, \ln y_i)\). Siendo \(\bar{x}\) la media de x y \(\overline{\ln y}\) la media de ln y, definimos \(S_{xx} = \sum (x_i - \bar{x})^2\), \(S_{yy} = \sum (\ln y_i - \overline{\ln y})^2\) y \(S_{xy} = \sum (x_i - \bar{x})(\ln y_i - \overline{\ln y})\). Entonces
$$B = e^{S_{xy}/S_{xx}}, \quad A = e^{\,\overline{\ln y} - \bar{x}\ln B}, \quad r = \frac{S_{xy}}{\sqrt{S_{xx}\,S_{yy}}}$$
Ejemplo resuelto
Para los puntos (1, 2.7), (2, 7.4), (3, 20.1), (4, 54.6), (5, 148.4): \(n = 5\), \(\bar{x} = 3\), \(\overline{\ln y} \approx 2.99906\). \(S_{xx} = 10\), \(S_{xy} \approx 10.01167\), \(S_{yy} \approx 10.02337\). Así que \(B = e^{1.001167} \approx 2.7215\), \(A = e^{2.99906 - 3 \cdot 1.001167} \approx 0.9956\) y \(r \approx 0.99999985\). El modelo ajustado
$$y \approx 0.9956 \cdot 2.7215^{x}$$reproduce con gran fidelidad la función subyacente \(y \approx e^{x}\).
Interpretando tu resultado
Una regresión exponencial devuelve tres números — \(A\), \(B\) y \(r\) — que juntos describen el modelo \(y = A \cdot B^{\,x}\). Aquí te explicamos cómo interpretar cada uno.
La base \(B\): crecimiento o decaimiento
La base \(B\) controla la dirección y la velocidad del cambio para cada aumento de una unidad en \(x\):
- \(B > 1\) significa crecimiento. Cada paso en \(x\) multiplica \(y\) por \(B\), por lo que la curva sube. El cambio porcentual por unidad es \((B-1)\times100\%\). Por ejemplo, \(B = 1,08\) corresponde a 8% de crecimiento por unidad de \(x\).
- \(B < 1\) significa decaimiento. Cada paso multiplica \(y\) por un número menor a uno, por lo que la curva cae hacia cero. La misma fórmula \((B-1)\times100\%\) da un resultado negativo; por ejemplo, \(B = 0,85\) es un cambio de \(-15\%\) por unidad.
- \(B = 1\) es plano. \(y\) permanece igual a \(A\) sin importar el valor de \(x\) (cambio de cero por ciento).
El coeficiente \(A\): la intersección en y
\(A\) es el valor de \(y\) cuando \(x = 0\), porque \(A \cdot B^{0} = A\). Ancla la curva verticalmente y representa la cantidad inicial, la población inicial, el capital o la dosis en el origen de tu eje \(x\).
El coeficiente de correlación \(r\): ajuste en escala logarítmica
Este ajuste funciona tomando \(z_i = \ln y_i\) y ejecutando una regresión lineal ordinaria de \(z\) contra \(x\). En consecuencia, \(r\) mide cuán bien los datos transformados logarítmicamente \(\ln(y)\) se alinean en una línea recta — no cuán bien los valores \(y\) originales se ajustan a la curva. Un valor de \(r\) cercano a \(+1\) o \(-1\) indica una relación exponencial fuerte; el signo coincide con la dirección (positivo para crecimiento, negativo para decaimiento).
Usando bandas de interpretación de correlación estándar para \(|r|\):
- 0,9 – 1,0: ajuste muy fuerte — los datos siguen de cerca el modelo exponencial.
- 0,7 – 0,9: ajuste fuerte — la exponencial es una buena descripción con algo de dispersión.
- 0,5 – 0,7: ajuste moderado — existe una tendencia pero otros factores están en juego.
- por debajo de 0,5: ajuste débil — un modelo exponencial puede no ser apropiado.
Como \(r\) refleja el ajuste en escala logarítmica, un \(r\) alto no garantiza errores pequeños en la escala \(y\) original; los valores \(y\) grandes tienen menos peso después de la transformación \(\ln\). Siempre grafica la curva ajustada contra tus datos originales como verificación de coherencia.
Preguntas frecuentes
¿Por qué y tiene que ser positiva? El ajuste opera sobre \(\ln(y)\), y el logaritmo de cero o de un número negativo no está definido.
¿Qué significa aquí r? Es la correlación entre x y ln(y). Usa esta guía: \(0.7 < |r| \le 1\) fuerte, \(0.4 < |r| < 0.7\) moderada, \(0.2 < |r| < 0.4\) débil y por debajo de 0.2 nula.
¿Y si todos mis valores de x son iguales? Entonces \(S_{xx} = 0\) y la pendiente queda indefinida; proporciona al menos dos valores de x distintos.
