- TI nspire
[TI-nspire] 지수 회귀 방정식, Exponential Regression
-
- 2024.10.24 - 19:42 2024.10.23 - 22:54 441 5
1. 실험 DATA
특정 미생물의 농도는 이론적으로 시간에 따라 다음 식과 같이 변한다고 한다.
$$ C = a \cdot \exp(-b \cdot t) = a \cdot e^{-b \cdot t}$$
실험에서 시간 \( t = 1 \)부터 \( t = 2.5 \)까지의 4개의 데이터 포인트에 대해 미생물 농도 \( C \) 값은 다음과 같다:
\[
\begin{array}{|c|c|}
\hline
t & C \\
\hline
1.0 & 6.05 \\
1.5 & 4.73 \\
2.0 & 3.69 \\
2.5 & 2.86 \\
\hline
\end{array}
\]
2. 회귀 방정식 (Regression)
주어진 식 \( C = a \cdot \exp(-b \cdot t) \)는 지수 함수 형태로, 지수적으로 감소하는 함수이기 때문에 이를 지수적 감소(exponential decay) 모델이라고 부르기도 합니다.
원래의 모형(공식)을 알고 있다면 그 모형과 가장 유사한 방식의 회귀 방정식을 선택하면 되고,
원래의 모형을 모르는 경우라면 데이터 값의 추세를 보고 결정해야 합니다.
위의 예에서는 (데이터 값이 적긴 하지만) 시간에 따라 자연적으로 감소하는 데이터의 형태를 보입니다.
예를 들어 방사성 붕괴나 미생물 성장/감소 등이 이러한 데이터 추세를 가집니다.
이러한 형태의 비선형 회귀 방정식을 지수 회귀 방정식(exponential regression)이라고 합니다.
실험 데이터를 바탕으로 지수 회귀 방정식의 \( a \)와 \( b \) 값을 추정하는 방법은 다음과 같은 단계를 따릅니다.
1. 양변에 자연 로그 취하기
주어진 식을 선형화하기 위해 양변에 자연 로그를 취합니다.
\[
\ln(C) = \ln(a) - b \cdot t
\]
즉, \( \ln(C) \)는 \( t \)에 대한 선형 함수가 됩니다:
\[
\ln(C) = -b \cdot t + \ln(a)
\]
이 식은 기울기가 \( -b \)이고, 절편이 \( \ln(a) \)인 직선 방정식입니다.
2. 데이터를 선형화
실험 데이터에서 \( t \)와 \( C \)의 값을 이용하여 \( \ln(C) \) 값을 계산합니다.
\[
\begin{array}{|c|c|c|}
\hline
t & C & \ln(C) \\
\hline
1.0 & 6.05 & \ln(6.05) = 1.800 \\
1.5 & 4.73 & \ln(4.73) = 1.554 \\
2.0 & 3.69 & \ln(3.69) = 1.306 \\
2.5 & 2.86 & \ln(2.86) = 1.051 \\
\hline
\end{array}
\]
3. 선형 회귀 분석
이제 \( \ln(C) \)와 \( t \)의 관계를 나타내는 선형 방정식의 기울기와 절편을 구하기 위해 선형 회귀 분석을 수행합니다. 선형 회귀는 다음과 같은 방정식을 사용합니다:
- 기울기 \( m \) (즉, \( -b \))는 다음과 같이 계산됩니다:
\[
m = \frac{n \sum t_i \ln(C_i) - \sum t_i \sum \ln(C_i)}{n \sum t_i^2 - (\sum t_i)^2}
\]
여기서:
- \( n = 4 \) (데이터 포인트의 개수)
- \( t_i \)와 \( \ln(C_i) \)는 주어진 데이터에서 가져옵니다.
데이터를 정리
\[
\begin{array}{|c|c|c|}
\hline
t_i & C_i & \ln(C_i) & t_i^2 & t_i \ln(C_i) \\
\hline
1.0 & 6.05 & 1.800 & 1.0 & 1.0 \cdot 1.800 = 1.800 \\
1.5 & 4.73 & 1.554 & 2.25 & 1.5 \cdot 1.554 = 2.331 \\
2.0 & 3.69 & 1.306 & 4.0 & 2.0 \cdot 1.306 = 2.612 \\
2.5 & 2.86 & 1.051 & 6.25 & 2.5 \cdot 1.051 = 2.628 \\
\hline
\end{array}
\]
각 합을 계산
이제 필요한 합들을 계산해보겠습니다:
1. \( \sum t_i = 1.0 + 1.5 + 2.0 + 2.5 = 7.0 \)
2. \( \sum \ln(C_i) = 1.800 + 1.554 + 1.306 + 1.051 = 5.711 \)
3. \( \sum t_i^2 = 1.0 + 2.25 + 4.0 + 6.25 = 13.5 \)
4. \( \sum t_i \ln(C_i) = 1.800 + 2.331 + 2.612 + 2.628 = 9.371 \)
기울기 \( m \) 계산
이제 이 값들을 공식에 대입해 \( m \)을 계산합니다.
\[
m = \dfrac{4 \cdot 9.371 - 7.0 \cdot 5.711}{4 \cdot 13.5 - 7.0^2} = -0.499
\]
- 절편 \( c \) 는 다음과 같이 계산됩니다:
\[
c = \frac{\sum \ln(C_i) - m \sum t_i}{n}
\]
여기에 이미 계산된 값을 대입해보겠습니다:
- \( \sum \ln(C_i) = 5.711 \)
- \( m = -0.499 \)
- \( \sum t_i = 7.0 \)
- \( n = 4 \)
$$ \text{절편 } c = \dfrac{5.711 - (-0.499 \times 7.0)}{4} = 2.301 $$
선형 회귀 방정식
$$ y = mx+c = -0.499 \cdot t + 2.301 $$
4. 지수 회귀 방정식으로 전환 : \( a \)와 \( b \) 구하기
선형 회귀 방정식에서 구한
기울기 \( m = -0.499\)이 \( -b \)이므로, 이를 이용해 \( b = 0.499\) 값을 구할 수 있고,
절편 \( c = ln(a \cdot e^{t})|_{t=0} = \ln(a) \)이므로, 이를 이용해 \( a \) 값을 구할 수 있습니다:
\( a \)는 이 값의 자연 로그 역함수이므로, \( a = \exp(2.301) \approx 9.98 \)입니다.
위 과정을 통해 최종적으로 지수 회귀 방정식을 구하였습니다.
$$ C = 9.98 \cdot \exp(-0.499 \cdot t) = 9.98 \cdot e^{-0.499 \cdot t} $$
3. TI-nspire 의 활용
기본 데이터 값의 입력 및 계산
ln(c) 의 선형 회귀 계산
ㄴ ∑ 함수를 말고 sum() 함수에 list 변수를 넣어서 계산하면 간단합니다.
ㄴ 여기서는 단지 공식을 표현하기 위해 사용한 것 뿐입니다.
지수 회귀 직접 계산
: 공학용 계산기에는 지수 회귀 방정식 기능이 있기 때문에 앞서 ln(c)를 선형회귀하는 과정이 불필요합니다.
그런데
구해진 TI-nspire 의 지수 회귀 방정식은 $ y = a \cdot e^{-b \cdot t} $ 꼴이 아니고,
$ y = a \cdot b^{t} $ 꼴이기 때문에 마지막으로 한번 더 계산이 필요합니다.
ㄴ solve 또는 ln() 으로 간단하게 찾을 수 있습니다.
한번에 찾을 방법은
(현재 기본 기능만으로는) DataQuest 앱을 이용하는 방법 뿐입니다. : 댓글 참고
불편하면 프로그램(라이브러리)를 만들어야겠죠.
-
25
댓글5
-
세상의모든계산기
최소자승법(최소 제곱법, Least Squares Method)을 행렬로 푸는 방법은 다음과 같은 수식을 사용합니다:
\[
\hat{\beta} = (A^T A)^{-1} A^T y
\]여기서:
- \( A \)는 독립 변수 \( t \)의 행렬
- \( y \)는 종속 변수 \( \ln(C) \)의 벡터
- \( \hat{\beta} \)는 구하려는 계수 벡터로, 기울기 \( b \)와 절편 \( \ln(a) \)가 들어갑니다.1. 행렬 \( A \), \( y \) 정의
주어진 데이터에서 \( t \)와 \( \ln(C) \) 값을 이용하여 다음과 같이 행렬 \( A \)와 벡터 \( y \)를 정의할 수 있습니다:# 데이터:
\[
\begin{array}{|c|c|}
\hline
t & \ln(C) \\
\hline
1.0 & 1.800 \\
1.5 & 1.554 \\
2.0 & 1.306 \\
2.5 & 1.051 \\
\hline
\end{array}
\]행렬 \( A \)는 상수항(절편)을 포함하기 위해 \( 1 \)을 추가하여 다음과 같이 구성됩니다:
\[
A = \begin{pmatrix}
1 & 1.0 \\
1 & 1.5 \\
1 & 2.0 \\
1 & 2.5
\end{pmatrix}
\]벡터 \( y \)는 종속 변수인 \( \ln(C) \) 값을 사용하여 구성됩니다:
\[
y = \begin{pmatrix}
1.800 \\
1.554 \\
1.306 \\
1.051
\end{pmatrix}
\]2. \( A^T A \) 계산
행렬 \( A^T \)는 \( A \)의 전치 행렬이므로 다음과 같습니다:\[
A^T = \begin{pmatrix}
1 & 1 & 1 & 1 \\
1.0 & 1.5 & 2.0 & 2.5
\end{pmatrix}
\]이제 \( A^T A \)를 계산합니다:
\[
A^T A = \begin{pmatrix}
1 & 1 & 1 & 1 \\
1.0 & 1.5 & 2.0 & 2.5
\end{pmatrix}
\begin{pmatrix}
1 & 1.0 \\
1 & 1.5 \\
1 & 2.0 \\
1 & 2.5
\end{pmatrix}
\]\[
A^T A = \begin{pmatrix}
4 & 7.0 \\
7.0 & 13.5
\end{pmatrix}
\]3. \( A^T y \) 계산
다음으로 \( A^T y \)를 계산합니다:\[
A^T y = \begin{pmatrix}
1 & 1 & 1 & 1 \\
1.0 & 1.5 & 2.0 & 2.5
\end{pmatrix}
\begin{pmatrix}
1.800 \\
1.554 \\
1.306 \\
1.051
\end{pmatrix}
\]\[
A^T y = \begin{pmatrix}
1.800 + 1.554 + 1.306 + 1.051 \\
1.0 \cdot 1.800 + 1.5 \cdot 1.554 + 2.0 \cdot 1.306 + 2.5 \cdot 1.051
\end{pmatrix}
\]\[
A^T y = \begin{pmatrix}
5.711 \\
9.371
\end{pmatrix}
\]4. 계수 벡터 \( \hat{\beta} \) 계산
이제 계수 벡터 \( \hat{\beta} \)는 다음과 같이 구할 수 있습니다:\[
\hat{\beta} = (A^T A)^{-1} A^T y
\]먼저 \( A^T A \)의 역행렬을 구합니다:
\[
(A^T A)^{-1} = \frac{1}{(4 \cdot 13.5 - 7.0^2)} \begin{pmatrix} 13.5 & -7.0 \\ -7.0 & 4 \end{pmatrix}
\]\[
(A^T A)^{-1} = \frac{1}{5.0} \begin{pmatrix} 13.5 & -7.0 \\ -7.0 & 4 \end{pmatrix}
\]\[
(A^T A)^{-1} = \begin{pmatrix} 2.7 & -1.4 \\ -1.4 & 0.8 \end{pmatrix}
\]이제 역행렬과 \( A^T y \)를 곱하여 \( \hat{\beta} \)를 구합니다:
\[
\hat{\beta} = \begin{pmatrix} 2.7 & -1.4 \\ -1.4 & 0.8 \end{pmatrix} \begin{pmatrix} 5.711 \\ 9.371 \end{pmatrix}
\]\[
\hat{\beta} = \begin{pmatrix} (2.7 \cdot 5.711) + (-1.4 \cdot 9.371) \\ (-1.4 \cdot 5.711) + (0.8 \cdot 9.371) \end{pmatrix}
\]계산하면:
\[
\hat{\beta} = \begin{pmatrix} 15.4197 - 13.1194 \\ -7.9954 + 7.4968 \end{pmatrix}
\]\[
\hat{\beta} = \begin{pmatrix} 2.3003 \\ -0.4986 \end{pmatrix}
\]5. 결과
따라서, \( \hat{\beta} = \begin{pmatrix} 2.3003 \\ -0.4986 \end{pmatrix} \), 이는 다음을 의미합니다:
- 절편 \( \ln(a) \approx 2.3003 \), 따라서 \( a = \exp(2.3003) \approx 10.0 \)
- 기울기 \( b \approx 0.4986 \)이 방법을 통해 \( a \)와 \( b \) 값을 행렬 계산을 사용하여 구할 수 있습니다.
-
1
-
세상의모든계산기
fx-570 을 이용한 계산 방법
https://allcalc.org/51166
* fx-570 에는 e^X 꼴, A*B^X 꼴 둘 다 있어서 한번에 되는데...
왜 TI-nspire 에는 왜 하나만 있지?
있는데 방법을 모르는 것 뿐인가?
-
1
세상의모든계산기
vernier DataQuest 앱에는 해당 기능이 있습니다. Natural exponential Regression
출처 : https://groups.google.com/g/tinspire/c/97sKKp8WVB0
보니까 직접 실험장치를 통해 얻은 데이터만 쓸 수 있는게 아니고,
계산기에 입력된 리스트값도 링크해서 쓸 수 있네요. Link from List
-
세상의모든계산기 님의 최근 댓글
각 결과값의 비교 x y {x} 73.049507058553 23.747548955926 {y} 73.049507058479 23.747548955927 {x=1,y=1} 73.049507058477 23.747548955927 approx() 전처리 73.049507058479 23.747548955926 linsolve 73.049507058478 23.747548955926 2025 10.21 삼각함수로 구성된 방정식을 계산기가 소화하지 못하는 건가요? 원래 계산기 solve 함수가 삼각함수와 궁합이 나쁘지만, 이 경우의 삼각함수는 함수 내부에 변수가 들어가지 않기 때문에 함수라서 처리가 어려운 것이 아닙니다. 삼각함수 내부에 변수가 아닌 상수가 들어갔기 때문에 결과값도 상수일 뿐인데, numeric 한 상수로 처리하지 않고 symbolic 한 상수로 처리해 문제가 발생한 듯 합니다. 2025 10.21 답이 잘 나오지 않는 이유? solve는 답을 찾기 위해 내부적으로 여러 방식을 사용할 수 있습니다. 가장 간단한 방식은 수치적 방법 numerical method 를 이용하는 것이구요. - 질문자님께서 하신 것처럼 숫자를 대입하거나 - 초기값을 입력하거나 - 계수 등으로 numerical 한 숫자가 들어가거나, 즉 소숫점이 직접 사용되거나 할 때 자동으로 numerical method 로 전환되어 계산됩니다. 그리고 결과에 ⚠️ 를 표시합니다. 그 의미는 적당한 수준(매우 작은 오차 수준)에서 답을 찾았으나, 재수가 없으면 오답일 수 있다는 경고입니다. 따라서 앞으로는 답이 안나올 때는 초기값을 넣는다거나 하는 방식으로 solve를 이용하시면 됩니다. 그럼 처음에 왜 false 가 나왔나를 생각해 보면 두가지 가능성이 있는데 ⓐ numerical method 가 아니라 exact 값을 구하려고 했는데 복잡해서 못구했다. ⓑ numerical method 를 썻지만, 검증해보니 안맞아서 false 로 처리했다. 그런데 ⓑ는 아닌 것 같습니다. 왜냐하면, numerical method 를 사용하면 사소한 오류가 있더라도 ⚠️경고를 할 뿐 무시하고 답을 내놓잖아요? 그럼 ⓐ 가 맞다는 말인데, 지금까지 제가 아는 바로는 입력한 수식에 소숫점이 들어가면 자동으로 approx()처리를 한다고 알고 있었고, 이 solve() 에 방정식 들어가기 전에 (approx) 전처리가 된 것이 들어가니 numerical method로 처리될 줄 알았는데, 아무리 봐도 그게 아닌 것 같습니다. solve에서는 예외적으로 처리가 되는 듯 합니다. 2025 10.21 4. 마지막으로 연립방정식 전문함수인 linsolve() 를 이용해도 답이 나옵니다. 결과값은 {73.049507058478,23.747548955926} 입니다. 이번엔 {true, true} 가 나왔습니다. 2025 10.21 3. 본문에서 cos, sin 을 풀어서 decimal 형식으로 넣은 것처럼 처리해도 답이 도출됩니다. 개별적으로 입력하지 않더라도, 연립방정식 수식 전체를 approx() 로 씌우면 처리됩니다. 답은 나오지만 이 경우에도 {true, true} 는 나오지 않았습니다. 그런데, 원래의 연립방정식에 검증하면 {true, false} 이지만, approx() 결과값에 검증하면 {false, true} 로 나오는군요. 2025 10.21