Οι εκθετικές συναρτήσεις μοντελοποιούν επαναλαμβανόμενο πολλαπλασιασμό. Στη βασική μορφή , η μεταβλητή βρίσκεται στον εκθέτη, το είναι η αρχική τιμή και το είναι ο σταθερός παράγοντας που εφαρμόζεται κάθε φορά που το αυξάνεται κατά .
Αν , η συνάρτηση παρουσιάζει αύξηση. Αν , παρουσιάζει μείωση. Αυτή είναι η βασική ιδέα που χρειάζονται πρώτα οι περισσότεροι μαθητές.
Για εκθετικές συναρτήσεις με πραγματικές τιμές, οι συνήθεις προϋποθέσεις είναι και .
Ορισμός εκθετικής συνάρτησης
Το βασικό κριτήριο είναι απλό: η μεταβλητή εισόδου, συνήθως το , πρέπει να βρίσκεται στον εκθέτη. Αυτό είναι που κάνει τη σχέση πολλαπλασιαστική και όχι αθροιστική.
Άρα η είναι εκθετική, αλλά η δεν είναι. Στην , η μεταβλητή είναι στη βάση και όχι στον εκθέτη.
Αυτό αλλάζει εντελώς το μοτίβο. Οι πολυωνυμικές συναρτήσεις αυξάνονται με δυνάμεις του . Οι εκθετικές συναρτήσεις αυξάνονται ή μειώνονται με τον ίδιο παράγοντα κάθε φορά που το αυξάνεται κατά .
Αύξηση και μείωση στις εκθετικές συναρτήσεις
Στην
η βάση καθορίζει τη συμπεριφορά:
- Αν , κάθε βήμα προς τα δεξιά πολλαπλασιάζει την τιμή της συνάρτησης με έναν αριθμό μεγαλύτερο από , οπότε το γράφημα αυξάνεται.
- Αν , κάθε βήμα προς τα δεξιά πολλαπλασιάζει την τιμή της συνάρτησης με ένα κλάσμα, οπότε το γράφημα μειώνεται.
Για παράδειγμα, η αυξάνεται επειδή κάθε βήμα πολλαπλασιάζει με . Όμως η μειώνεται επειδή κάθε βήμα πολλαπλασιάζει με .
Πώς συμπεριφέρεται το γράφημα μιας εκθετικής συνάρτησης
Το γράφημα μιας βασικής εκθετικής συνάρτησης είναι ομαλό και δεν αποτελείται από ασύνδετα σημεία. Μερικά χαρακτηριστικά αξίζει να τα εντοπίσεις από νωρίς:
- Τέμνει την ευθεία στο , επειδή .
- Στη βασική μορφή με , το γράφημα παραμένει πάνω από τον άξονα .
- Η ευθεία είναι οριζόντια ασύμπτωτη, οπότε το γράφημα πλησιάζει όλο και περισσότερο τον άξονα χωρίς να τον αγγίζει.
- Τα γραφήματα αύξησης ανεβαίνουν προς τα δεξιά. Τα γραφήματα μείωσης κατεβαίνουν προς τα δεξιά.
Αυτά τα χαρακτηριστικά σε βοηθούν να διαβάζεις γρήγορα το γράφημα πριν υπολογίσεις πολλά σημεία.
Λυμένο παράδειγμα: σχεδίαση του γραφήματος της
Αυτό το παράδειγμα δείχνει ταυτόχρονα τις δύο πιο σημαντικές ιδέες: την αρχική τιμή και τον παράγοντα αύξησης.
Ξεκίνα βρίσκοντας μερικές τιμές:
Τώρα το γράφημα διαβάζεται πιο εύκολα:
- Η τομή με τον άξονα y είναι το , άρα η αρχική τιμή είναι .
- Κάθε βήμα προς τα δεξιά διπλασιάζει την τιμή της συνάρτησης, επειδή η βάση είναι .
- Το γράφημα ανεβαίνει όλο και πιο γρήγορα, αλλά εξακολουθεί να πλησιάζει το πολύ αριστερά.
Αν αλλάξεις τη βάση από σε , η ίδια διάταξη μετατρέπεται σε εκθετική μείωση αντί για αύξηση.
Συνηθισμένα λάθη
Σύγχυση ανάμεσα σε εκθετικές και πολυωνυμικές συναρτήσεις
Η δεν είναι εκθετική. Η μεταβλητή είναι στη βάση. Στην , η μεταβλητή είναι στον εκθέτη, άρα αυτή είναι εκθετική.
Να ξεχνάς ότι η βάση καθορίζει αν υπάρχει αύξηση ή μείωση
Στη βασική μορφή με , αύξηση σημαίνει και μείωση σημαίνει . Ο χαρακτηρισμός εξαρτάται από τη βάση και όχι από μια αόριστη αίσθηση ότι το γράφημα «κάποια στιγμή ανεβαίνει».
Να ξεχνάς την αρχική τιμή
Στην , η τιμή στο είναι . Αυτή είναι η αρχική ποσότητα.
Σύγχυση ανάμεσα στον παράγοντα και την ποσοστιαία μεταβολή
Αν ένα μέγεθος αυξάνεται κατά σε κάθε βήμα, ο πολλαπλασιαστής είναι και όχι . Αν μειώνεται κατά σε κάθε βήμα, ο πολλαπλασιαστής είναι .
Πού χρησιμοποιούνται οι εκθετικές συναρτήσεις
Οι εκθετικές συναρτήσεις χρησιμοποιούνται όταν η μεταβολή γίνεται με σταθερό παράγοντα σε ίσα χρονικά διαστήματα. Συνηθισμένα παραδείγματα είναι:
- σύνθετος τόκος
- αύξηση πληθυσμού με σταθερό ρυθμό αύξησης
- ραδιενεργός διάσπαση
- μοντέλα ψύξης και άλλες διαδικασίες μείωσης
Αν η μεταβολή είναι αθροιστική αντί για πολλαπλασιαστική, τότε ένα εκθετικό μοντέλο συνήθως δεν είναι το κατάλληλο.
Δοκίμασε μόνος σου ένα παρόμοιο παράδειγμα
Δοκίμασε τη δική σου εκδοχή με . Υπολόγισε τα , και , έπειτα σχεδίασε το γράφημα και έλεγξε αν οι τιμές μειώνονται με τον ίδιο παράγοντα σε κάθε βήμα. Αυτή και μόνο η αλλαγή από βάση σε βάση αρκεί για να δεις καθαρά τη διαφορά ανάμεσα στην αύξηση και τη μείωση.
Χρειάζεσαι βοήθεια με μια άσκηση;
Ανέβασε την ερώτησή σου και πάρε επαληθευμένη λύση βήμα-βήμα σε δευτερόλεπτα.
Άνοιξε το GPAI Solver →