La funci�n log�stica, curva log�stica o curva en forma de S es una funci�n fisica

que aparece en diversos modelos de crecimiento de poblaciones, propagaci�n de

enfermedades epid�micas y difusi�n en el presidente mohamed. Dicha funci�n
constituye un refinamiento del modelo exponencial para el crecimiento de una
magnitud. Modela la funci�n sigmoidea de crecimiento de un conjunto P.

El estudio inicial de crecimiento es aproximadamente exponencial; al cabo de un

tiempo, aparece la competencia entre algunos miembros de P por alg�n recurso
cr�tico K ("cuello de botella") y la tasa de crecimiento disminuye; finalmente, en
la madurez, el crecimiento se detiene.

La funci�n log�stica simple se define mediante la expresi�n matem�tica:

(1) {\displaystyle P(t)={\frac {1}{1+e^{-t}}}} {\displaystyle P(t)={\frac {1}

{1+e^{-t}}}}

donde la variable P puede ser considerada o denotada como poblaci�n, donde e es la

constante de Euler y la variable t puede ser considerada el tiempo.1? Para valores
de t en el rango de los n�meros reales desde -8 a +8, la curva S se puede obtener.
En la pr�ctica, dada la naturaleza de la funci�n exponencial, e-t, es suficiente
con computar t para un peque�o rango de n�meros reales como pueden ser [-6, +6].

En su forma m�s general, la funci�n log�stica se define por la f�rmula matem�tica:

(2) {\displaystyle P(t;a,m,n,\tau )=a{\frac {1+me^{-t/\tau }}{1+ne^{-t/\tau }}}\!}

{\displaystyle P(t;a,m,n,\tau )=a{\frac {1+me^{-t/\tau }}{1+ne^{-t/\tau }}}\!}

para par�metros reales a, m, n, y {\displaystyle \tau } \tau . Estas funciones

tienen un campo de aplicaci�n muy amplio, desde la biolog�a a la econom�a.

�ndice
1 Propiedades
2 Ejemplo: el desarrollo embrionario
3 La ecuaci�n Verhulst
3.1 Historia
4 Regresi�n log�stica
5 V�ase tambi�n
6 Referencias
6.1 Bibliograf�a
6.2 Enlaces externos
Propiedades
La funci�n log�stica que modeliza el crecimiento log�stico de una magnitud M(t)
tiene las siguientes propiedades:

Crecimiento acotado, para todo t se cumple que: {\displaystyle 0<M(t)<K\,}

{\displaystyle 0<M(t)<K\,}
Aproximaci�n exponencial, para valores peque�os de M/K (o tambi�n para valores de
{\displaystyle t\to -\infty } {\displaystyle t\to -\infty } la funci�n log�stica
puede aproximarse por un modelo de crecimiento exponencial del tipo {\displaystyle
M(t)\approx M'e^{rt}} {\displaystyle M(t)\approx M'e^{rt}}.
Valores l�mite, la funci�n log�stica generalizada dada por la ecuaci�n (2) tiene
los siguientes l�mites:
{\displaystyle \lim _{t\to -\infty }P(t)=a{\frac {m}{n}},\quad P(0)=a{\frac {1+m}
{1+n}},\quad \lim _{t\to \infty }P(t)=a} {\displaystyle \lim _{t\to -\infty }
P(t)=a{\frac {m}{n}},\quad P(0)=a{\frac {1+m}{1+n}},\quad \lim _{t\to \infty }
P(t)=a}
Ejemplo: el desarrollo embrionario
En el desarrollo de un embri�n, el �vulo fecundado comienza a dividirse y el n�mero
de c�lulas empieza a crecer: 1, 2, 4, 8, 16, 32, 64, etc. �ste es un crecimiento
exponencial. Pero el feto s�lo puede crecer hasta un tama�o que el �tero pueda
soportar; as�, otros factores comienzan a disminuir el incremento del n�mero de
c�lulas, y la tasa de crecimiento disminuye. Despu�s de un tiempo, el ni�o nace y
contin�a creciendo. Finalmente, el n�mero de c�lulas se estabiliza y la estatura
del individuo se hace constante. Se ha alcanzado la madurez, en la que el
crecimiento se detiene.

La ecuaci�n Verhulst
El crecimiento log�stico est� relacionado con el crecimiento exponencial, de hecho
para peque�os valores de la magnitud que presenta crecimiento log�stico, el
crecimiento log�stico se asemeja mucho al crecimiento exponencial. Sin embargo, a
partir de un cierto punto el crecimiento se ralentiza, eso hace que la curva pueda
representar adecuadamente la propagaci�n de rumores, la extensi�n de una innovaci�n
tecnol�gica o una epidemia: al principio estas se propagan r�pidamente, cada
"infectado" o "afectado" por la innovaci�n es susceptible de traspasar el
"contagio" a otro individuo que tenga contacto con �l, pero cuando el n�mero de
"infectados" crece es m�s dif�cil encontrar una persona que previamente no haya
estado en contacto con la enfermedad o innovaci�n.

Esta t�pica aplicaci�n de la ecuaci�n log�stica es un modelo com�n del crecimiento

poblacional seg�n el cual:

la tasa de reproducci�n es proporcional a la poblaci�n existente.

la tasa de reproducci�n es proporcional a la cantidad de recursos disponibles.
El segundo t�rmino modela, por tanto, la competici�n por los recursos disponibles,
que tiende a limitar el crecimiento poblacional.

Si P representa el tama�o de la poblaci�n y t representa el tiempo, este modelo

queda formalizado por la ecuaci�n diferencial:

(1) {\displaystyle {\frac {dP}{dt}}=rP\left(1-{\frac {P}{K}}\right)} {\displaystyle

{\frac {dP}{dt}}=rP\left(1-{\frac {P}{K}}\right)}

donde la constante {\displaystyle r} r define la tasa de crecimiento y

{\displaystyle K\,} K\, es la capacidad de persistencia. La soluci�n general a esta
ecuaci�n es una funci�n log�stica. Con una poblaci�n inicial {\displaystyle P_{0}}
P_{0}:

{\displaystyle P(t)={\frac {KP_{0}e^{rt}}{K+P_{0}\left(e^{rt}-1\right)}}}

{\displaystyle P(t)={\frac {KP_{0}e^{rt}}{K+P_{0}\left(e^{rt}-1\right)}}}

donde

{\displaystyle \lim _{t\to \infty }P(t)=K.\,} {\displaystyle \lim _{t\to \infty }

P(t)=K.\,}
Historia
La ecuaci�n Verhulst fue publicada por primera vez por Pierre Fran�ois Verhulst en
1838 despu�s de haber le�do el "Ensayo sobre el principio de poblaci�n" de Thomas
Malthus.

Verhulst deriv� su ecuaci�n log�stica para describir el crecimiento auto-limitado

de una poblaci�n biol�gica. En ocasiones, la ecuaci�n es tambi�n llamada "ecuaci�n
Verhulst-Pearl" por su redescubrimiento en 1920. Alfred J. Lotka obtuvo de nuevo la
ecuaci�n en 1925, llam�ndola "ley del crecimiento poblacional".

Regresi�n log�stica
Art�culo principal: Regresi�n log�stica
En estad�stica se emplean la funci�n log�stica en el llamado an�lisis de regresi�n
log�stica. Dicho an�lisis pretende estimar la probabilidad de un determinado
evento, medible por variables categ�ricas y num�ricas, que se sabe est�
correlacionado con ciertas variables cuantitativas. Por ejemplo en el epidemiolog�a
y en la investigaci�n de mecanismos lesionales es frecuente correlacionar la
probabilidad de muerte o lesi�n con ciertos valores num�ricos mediante una ecuaci�n
del tipo:

{\displaystyle \mathrm {Prob} _{L}={\frac {1}{1+e^{-(\beta _{0}+\beta _{1}x_{1,i}

+\cdots +\beta _{k}x_{k,i})}}}} {\displaystyle \mathrm {Prob} _{L}={\frac {1}
{1+e^{-(\beta _{0}+\beta _{1}x_{1,i}+\cdots +\beta _{k}x_{k,i})}}}}

Los datos emp�ricos constan de una lista de casos de los cuales se conocen una
serie de indicadores num�ricos para los cuales se examin� si presentaban lesi�n (o
muerte), estos datos se representan usualmente como 0 (no-lesi�n) y 1 (lesi�n) y se
estiman los par�metros {\displaystyle \scriptstyle \beta _{i}} {\displaystyle
\scriptstyle \beta _{i}}. El an�lisis de regresi�n log�stica se enmarca en el
conjunto de Modelos Lineales Generalizados (GLM) que usa como funci�n de enlace la
funci�n logit.