Tilbake
6.4
Matematisk modellering

6.4 Matematisk modellering

Modellere reelle situasjoner med funksjoner.

55 min
21 oppgaver
ModelleringFunksjonsvalgValideringTolkning
Du leser den tradisjonelle versjonen
Din fremgang i kapitlet
0 / 21 oppgaver
Kapitlets plass i kurset

Matematisk modellering

Matematisk modellering handlar om å bruke matematikk til å beskrive, analysere og forutseie fenomen i den verkelege verda. Ein matematisk modell er ein forenkla representasjon av røynda uttrykt gjennom matematiske uttrykk, likningar eller funksjonar.

Modellering er sentralt i mange fagfelt:
- Fysikk: Rørsle, elektrisitet, bølgjer
- Biologi: Populasjonsvekst, spreiing av sjukdommar
- Økonomi: Renter, marknadsutvikling, kostnader
- Miljø: Klimaendringar, forureining
- Medisin: Nedbryting av medisinar, tumorvekst

Modelleringsprosessen

Matematisk modellering følgjer ein systematisk prosess med fleire steg:

Dei fem stega i modelleringsprosessen
1. Identifisere problemet
- Forstå situasjonen og kva vi vil undersøkje
- Identifisere relevante variablar og samanhengar

2. Velje modelltype
- Bestemme kva for type funksjon som passar best
- Basert på korleis variablane endrar seg

3. Bestemme parametrar
- Bruke data til å finne konstantar i modellen
- Tilpasse modellen til observasjonar

4. Validere modellen
- Sjekke om modellen gir fornuftige resultat
- Samanlikne med eksisterande data

5. Tolke og bruke
- Bruke modellen til prediksjon
- Vurdere avgrensingar

Velje rett funksjonstype

Valet av funksjonstype kjem an på korleis den avhengige variabelen endrar seg med den uavhengige. Her er dei viktigaste typane:

Lineær modell
f(x)=ax+bf(x) = ax + b

Kjenneteikn:
- Konstant endringsrate (stigingstal aa)
- Rett linje i grafisk framstilling
- Δy\Delta y er proporsjonal med Δx\Delta x

Blir brukt når:
- Jamn vekst eller nedgang
- Kostnad med fast sats og variabel del
- Avstand ved konstant fart

Eksponentiell modell
f(x)=abxellerf(x)=aekxf(x) = a \cdot b^x \quad \text{eller} \quad f(x) = a \cdot e^{kx}

Kjenneteikn:
- Prosentvis vekst eller nedgang per tidseining
- Vekstfaktoren b=1+rb = 1 + r der rr er vekstraten
- Derivert proporsjonal med funksjonen sjølv: f(x)=kf(x)f'(x) = k \cdot f(x)

Blir brukt når:
- Folkevekst
- Radioaktiv nedbryting
- Renters rente
- Temperaturendring (Newtons avkjølingslov)

Polynommodell
f(x)=anxn+an1xn1++a1x+a0f(x) = a_n x^n + a_{n-1} x^{n-1} + \cdots + a_1 x + a_0

Kjenneteikn:
- Kan ha vendepunkt og ekstremalpunkt
- Andregradspolynom gir parabelform
- Høgare grader gir meir komplekse kurver

Blir brukt når:
- Kasta rørsle (andregradsfunksjon)
- Optimering av areal/volum
- Tilnærming av komplekse samanhengar

Trigonometrisk modell
f(t)=Asin(ωt+φ)+Df(t) = A \sin(\omega t + \varphi) + D

Parametrar:
- AA = amplitude (halvparten av variasjonsbreidda)
- ω=2πT\displaystyle \omega = \frac{2\pi}{T} der TT er perioden
- φ\varphi = faseforskyving
- DD = vertikal forskyving (middelverdi)

Blir brukt når:
- Periodiske fenomen
- Temperaturar gjennom året
- Tidvatn
- Vekselstraum

Potensmodell
f(x)=axnf(x) = a \cdot x^n

Kjenneteikn:
- Skalerer med potensar av xx
- Dobbelt-logaritmisk plott gir rett linje

Blir brukt når:
- Geometriske storleikar (areal, volum)
- Allometriske samanhengar i biologi
- Fysiske lover (gravitasjon, intensitet)

Logistisk modell
f(t)=K1+Certf(t) = \frac{K}{1 + Ce^{-rt}}

Parametrar:
- KK = bereevne (øvre grense)
- rr = vekstrate
- CC = konstant basert på startverdi

Blir brukt når:
- Avgrensa vekst
- Spreiing av sjukdommar/rykte
- Adopsjon av ny teknologi
- Populasjonsvekst med avgrensa ressursar

Døme frå røynda

Lat oss sjå på korleis vi modellerer ulike situasjonar med passande funksjonstypar.

✏️Døme 1: Taxikostnad (lineær modell)

Ein taxi tek 50 kr i startgebyr og 15 kr per kilometer.

a) Sett opp ein modell for totalkostnaden K(x)K(x) som funksjon av køyrd distanse xx kilometer.
b) Kva kostar ein tur på 8 km?
c) Kor langt kan ein køyre for 200 kr?

Løysing:

a) Kostnaden består av fast del (startgebyr) og variabel del (pris per km):
K(x)=50+15xK(x) = 50 + 15x

b) For x=8x = 8 km:
K(8)=50+158=50+120=170 krK(8) = 50 + 15 \cdot 8 = 50 + 120 = 170 \text{ kr}

c) Løyser K(x)=200K(x) = 200:
50+15x=20050 + 15x = 200
15x=15015x = 150
x=10 kmx = 10 \text{ km}

✏️Døme 2: Bakterievekst (eksponentiell modell)

Ein bakteriekoloni doblar seg kvar 3. time. Ved tidspunkt t=0t = 0 er det 1000 bakteriar.

a) Sett opp ein modell for talet på bakteriar N(t)N(t) etter tt timar.
b) Kor mange bakteriar er det etter 12 timar?
c) Når er det 1 million bakteriar?

Løysing:

a) Bakteriane doblar seg kvar 3. time, så vekstfaktoren per time er:
b=21/3=231,26b = 2^{1/3} = \sqrt[3]{2} \approx 1{,}26

Modellen blir:
N(t)=10002t/3N(t) = 1000 \cdot 2^{t/3}

eller ekvivalent: N(t)=1000e(ln2/3)t=1000e0,231tN(t) = 1000 \cdot e^{(\ln 2/3) \cdot t} = 1000 \cdot e^{0{,}231t}

b) Etter 12 timar:
N(12)=1000212/3=100024=100016=16000N(12) = 1000 \cdot 2^{12/3} = 1000 \cdot 2^4 = 1000 \cdot 16 = 16\,000

c) Løyser N(t)=1000000N(t) = 1\,000\,000:
10002t/3=10000001000 \cdot 2^{t/3} = 1\,000\,000
2t/3=10002^{t/3} = 1000
t3=log21000=ln1000ln29,97\frac{t}{3} = \log_2 1000 = \frac{\ln 1000}{\ln 2} \approx 9{,}97
t29,9 timart \approx 29{,}9 \text{ timar}

✏️Døme 3: Radioaktiv nedbryting (eksponentiell modell)

Karbon-14 har ei halveringstid på 5730 år. Eit fossilt bein inneheld 25% av den opphavlege mengda C-14.

a) Sett opp ein modell for attverande mengd C-14 som funksjon av tid.
b) Kor gammalt er fossilet?

Løysing:

a) Med halveringstid T1/2=5730T_{1/2} = 5730 år får vi:
N(t)=N0(12)t/5730N(t) = N_0 \cdot \left(\frac{1}{2}\right)^{t/5730}

eller med ee-form: N(t)=N0eλtN(t) = N_0 \cdot e^{-\lambda t} der λ=ln257300,000121\displaystyle \lambda = \frac{\ln 2}{5730} \approx 0{,}000121

b) Når N(t)=0,25N0N(t) = 0{,}25 N_0:
(12)t/5730=0,25=14=(12)2\left(\frac{1}{2}\right)^{t/5730} = 0{,}25 = \frac{1}{4} = \left(\frac{1}{2}\right)^2
t5730=2\frac{t}{5730} = 2
t=11460 a˚rt = 11\,460 \text{ år}

Fossilet er ca. 11 500 år gammalt.

✏️Døme 4: Kasta rørsle (polynommodell)
Ein ball blir kasta rett opp med startfart v0=20v_0 = 20 m/s frå bakkenivå. Høgda over bakken etter tt sekund er gitt ved:
h(t)=v0t12gt2=20t4,9t2h(t) = v_0 t - \frac{1}{2}gt^2 = 20t - 4{,}9t^2

a) Når er ballen på topp?
b) Kva er maksimalhøgda?
c) Når treffer ballen bakken?

Løysing:

a) Toppen blir nådd når h(t)=0h'(t) = 0:
h(t)=209,8t=0h'(t) = 20 - 9{,}8t = 0
t=209,82,04 st = \frac{20}{9{,}8} \approx 2{,}04 \text{ s}

b) Maksimalhøgda:
h(2,04)=202,044,92,042h(2{,}04) = 20 \cdot 2{,}04 - 4{,}9 \cdot 2{,}04^2
=40,820,420,4 m= 40{,}8 - 20{,}4 \approx 20{,}4 \text{ m}

c) Ballen treffer bakken når h(t)=0h(t) = 0:
20t4,9t2=020t - 4{,}9t^2 = 0
t(204,9t)=0t(20 - 4{,}9t) = 0
t=0 (start) eller t=204,94,08 st = 0 \text{ (start) eller } t = \frac{20}{4{,}9} \approx 4{,}08 \text{ s}

✏️Døme 5: Årleg temperaturvariasjon (trigonometrisk modell)

Gjennomsnittstemperaturen i ein by varierer mellom 5°C-5°C i januar og +15°C+15°C i juli. Lat tt vere månadsnummer (t=1t = 1 for januar).

a) Bestem parametrane AA, ω\omega, φ\varphi og DD for modellen T(t)=Asin(ωt+φ)+DT(t) = A\sin(\omega t + \varphi) + D.
b) Kva er modellert temperatur i april (t=4t = 4)?

Løysing:

a)
- Middelverdi: D=5+152=5°C\displaystyle D = \frac{-5 + 15}{2} = 5°C
- Amplitude: A=15(5)2=10°C\displaystyle A = \frac{15 - (-5)}{2} = 10°C
- Periode: 12 månader, så ω=2π12=π6\displaystyle \omega = \frac{2\pi}{12} = \frac{\pi}{6}
- Faseforskyving: Minimum i januar (t=1t = 1), så:
- For sinus: minimum når argumentet er π2\displaystyle -\frac{\pi}{2}
- π61+φ=π2\displaystyle \frac{\pi}{6} \cdot 1 + \varphi = -\frac{\pi}{2}
- φ=π2π6=2π3\displaystyle \varphi = -\frac{\pi}{2} - \frac{\pi}{6} = -\frac{2\pi}{3}

Modellen:
T(t)=10sin(πt62π3)+5T(t) = 10\sin\left(\frac{\pi t}{6} - \frac{2\pi}{3}\right) + 5

b) I april (t=4t = 4):
T(4)=10sin(4π62π3)+5=10sin(0)+5=5°CT(4) = 10\sin\left(\frac{4\pi}{6} - \frac{2\pi}{3}\right) + 5 = 10\sin(0) + 5 = 5°C

✏️Døme 6: Keplers tredje lov (potensmodell)

Keplers tredje lov seier at kvadratet av omløpstida TT til ein planet er proporsjonalt med kuben av gjennomsnittleg avstand rr frå sola: T2r3T^2 \propto r^3.

For jorda er T=1T = 1 år og r=1r = 1 AU (astronomisk eining).

a) Sett opp modellen for TT som funksjon av rr.
b) Mars har gjennomsnittleg avstand 1,52 AU frå sola. Finn omløpstida.

Løysing:

a) Frå T2=kr3T^2 = k \cdot r^3 og data for jorda (T=1T = 1, r=1r = 1):
12=k13k=11^2 = k \cdot 1^3 \Rightarrow k = 1

Altså: T2=r3T^2 = r^3, som gir:
T=r3/2T = r^{3/2}

b) For Mars med r=1,52r = 1{,}52 AU:
T=(1,52)3/2=1,523=3,511,87 a˚rT = (1{,}52)^{3/2} = \sqrt{1{,}52^3} = \sqrt{3{,}51} \approx 1{,}87 \text{ år}

(Den faktiske omløpstida for Mars er 1,88 år - modellen stemmer godt!)

✏️Døme 7: Epidemispreiing (logistisk modell)
I ein by med 50 000 innbyggjarar startar ein epidemi. Talet på smitta etter tt dagar blir modellert med:
I(t)=500001+999e0,3tI(t) = \frac{50\,000}{1 + 999 \cdot e^{-0{,}3t}}

a) Kor mange var smitta ved t=0t = 0?
b) Når er halvparten av folket smitta?
c) Kva er veksthastigheita ved t=20t = 20 dagar?

Løysing:

a) Ved t=0t = 0:
I(0)=500001+999e0=500001000=50 personarI(0) = \frac{50\,000}{1 + 999 \cdot e^0} = \frac{50\,000}{1000} = 50 \text{ personar}

b) Halvparten smitta tyder I(t)=25000I(t) = 25\,000:
500001+999e0,3t=25000\frac{50\,000}{1 + 999 \cdot e^{-0{,}3t}} = 25\,000
1+999e0,3t=21 + 999 \cdot e^{-0{,}3t} = 2
e0,3t=1999e^{-0{,}3t} = \frac{1}{999}
0,3t=ln(1999)=ln(999)-0{,}3t = \ln\left(\frac{1}{999}\right) = -\ln(999)
t=ln(999)0,36,910,323 dagart = \frac{\ln(999)}{0{,}3} \approx \frac{6{,}91}{0{,}3} \approx 23 \text{ dagar}

c) Veksthastigheita er I(t)I'(t). Ved t=20t = 20:
I(20)=500001+999e6500001+2,4714400I(20) = \frac{50\,000}{1 + 999 \cdot e^{-6}} \approx \frac{50\,000}{1 + 2{,}47} \approx 14\,400

For logistisk vekst: I(t)=rI(t)(1I(t)K)\displaystyle I'(t) = r \cdot I(t) \cdot \left(1 - \frac{I(t)}{K}\right)
I(20)=0,314400(11440050000)3070 nye smitta per dagI'(20) = 0{,}3 \cdot 14\,400 \cdot \left(1 - \frac{14\,400}{50\,000}\right) \approx 3070 \text{ nye smitta per dag}

✏️Døme 8: Bestemme parametrar frå måledata

Ein biolog måler veksten til ein plantepopulasjon og får følgjande data:

Tid (veker)0246
Tal100180320580

Gå ut frå eksponentiell vekst N(t)=N0ektN(t) = N_0 \cdot e^{kt}.
a) Bestem N0N_0 og kk.

b) Kor mange plantar er venta etter 10 veker?

Løysing:

a) Frå t=0t = 0: N0=100N_0 = 100

For å finne kk, bruk to datapunkt. Med t=4t = 4:
320=100e4k320 = 100 \cdot e^{4k}
e4k=3,2e^{4k} = 3{,}2
4k=ln(3,2)1,1634k = \ln(3{,}2) \approx 1{,}163
k0,29k \approx 0{,}29

Sjekk med t=6t = 6:
N(6)=100e0,296=100e1,741005,7570N(6) = 100 \cdot e^{0{,}29 \cdot 6} = 100 \cdot e^{1{,}74} \approx 100 \cdot 5{,}7 \approx 570

Dette stemmer bra med målt verdi 580.

Modellen: N(t)=100e0,29tN(t) = 100 \cdot e^{0{,}29t}

b) Etter 10 veker:
N(10)=100e0,2910=100e2,910018,21820N(10) = 100 \cdot e^{0{,}29 \cdot 10} = 100 \cdot e^{2{,}9} \approx 100 \cdot 18{,}2 \approx 1820

✏️Døme 9: Avkjøling av kaffi (Newtons avkjølingslov)

Ein kopp kaffi med temperatur 90°C90°C blir plassert i eit rom med temperatur 20°C20°C. Etter 10 minutt er kaffitemperaturen 70°C70°C.

Newtons avkjølingslov: T(t)=T+(T0T)ektT(t) = T_\infty + (T_0 - T_\infty) \cdot e^{-kt}

a) Bestem konstanten kk.
b) Kva er temperaturen etter 30 minutt?
c) Når er kaffien 40°C40°C?

Løysing:

a) Vi har T=20°CT_\infty = 20°C og T0=90°CT_0 = 90°C, så:
T(t)=20+70ektT(t) = 20 + 70 \cdot e^{-kt}

Med T(10)=70T(10) = 70:
70=20+70e10k70 = 20 + 70 \cdot e^{-10k}
50=70e10k50 = 70 \cdot e^{-10k}
e10k=57e^{-10k} = \frac{5}{7}
10k=ln(57)0,336-10k = \ln\left(\frac{5}{7}\right) \approx -0{,}336
k0,0336k \approx 0{,}0336

b) Etter 30 minutt:
T(30)=20+70e0,033630=20+70e1,01T(30) = 20 + 70 \cdot e^{-0{,}0336 \cdot 30} = 20 + 70 \cdot e^{-1{,}01}
20+700,36420+25,545,5°C\approx 20 + 70 \cdot 0{,}364 \approx 20 + 25{,}5 \approx 45{,}5°C

c) Når T(t)=40T(t) = 40:
40=20+70e0,0336t40 = 20 + 70 \cdot e^{-0{,}0336t}
20=70e0,0336t20 = 70 \cdot e^{-0{,}0336t}
e0,0336t=27e^{-0{,}0336t} = \frac{2}{7}
t=ln(2/7)0,0336=ln(3,5)0,033637 minuttt = \frac{-\ln(2/7)}{0{,}0336} = \frac{\ln(3{,}5)}{0{,}0336} \approx 37 \text{ minutt}

✏️Døme 10: Bremselengd (polynommodell)
Bremselengda ss for ein bil er tilnærma proporsjonal med kvadratet av farten vv:
s(v)=kv2s(v) = kv^2

Ved 50 km/t er bremselengda 12 meter.

a) Bestem konstanten kk.
b) Finn bremselengda ved 80 km/t.
c) Med kva for fart kan ein køyre viss bremselengda ikkje skal overstige 50 meter?

Løysing:

a) Med s(50)=12s(50) = 12 m:
12=k502=2500k12 = k \cdot 50^2 = 2500k
k=122500=0,0048k = \frac{12}{2500} = 0{,}0048

Modellen: s(v)=0,0048v2s(v) = 0{,}0048 \cdot v^2

b) Ved 80 km/t:
s(80)=0,0048802=0,00486400=30,7 ms(80) = 0{,}0048 \cdot 80^2 = 0{,}0048 \cdot 6400 = 30{,}7 \text{ m}

c) Med s(v)50s(v) \leq 50:
0,0048v2500{,}0048 \cdot v^2 \leq 50
v2500,004810417v^2 \leq \frac{50}{0{,}0048} \approx 10\,417
v10417102 km/tv \leq \sqrt{10\,417} \approx 102 \text{ km/t}

✏️Døme 11: Tidvatn (trigonometrisk modell)

Ved ein kystby varierer vasstanden mellom 0,5 m og 3,5 m over referansenivået. Perioden er ca. 12,4 timar (halvt månedøgn). Høgvatn skjer kl. 03:00.

a) Sett opp ein modell for vasstanden h(t)h(t) der tt er timar etter midnatt.
b) Når er det lågvatn?
c) Når kan ein båt som treng minst 2 m djupne, segle inn?

Løysing:

a)
- Middelverdi: D=0,5+3,52=2\displaystyle D = \frac{0{,}5 + 3{,}5}{2} = 2 m
- Amplitude: A=3,50,52=1,5\displaystyle A = \frac{3{,}5 - 0{,}5}{2} = 1{,}5 m
- Periode: T=12,4T = 12{,}4 timar, så ω=2π12,40,507\displaystyle \omega = \frac{2\pi}{12{,}4} \approx 0{,}507
- Høgvatn kl. 03:00, så cosinus med forskyving:

h(t)=1,5cos(0,507(t3))+2h(t) = 1{,}5 \cos(0{,}507(t - 3)) + 2

b) Lågvatn når cos=1\cos = -1, altså:
0,507(t3)=π0{,}507(t - 3) = \pi
t3=π0,5076,2t - 3 = \frac{\pi}{0{,}507} \approx 6{,}2
t9,2 timart \approx 9{,}2 \text{ timar}

Lågvatn er ca. kl. 09:12.

c) Treng h(t)2h(t) \geq 2:
1,5cos(0,507(t3))+221{,}5 \cos(0{,}507(t-3)) + 2 \geq 2
cos(0,507(t3))0\cos(0{,}507(t-3)) \geq 0

Dette er oppfylt når argumentet er i [π2,π2]\displaystyle [-\frac{\pi}{2}, \frac{\pi}{2}]:
π20,507(t3)π2-\frac{\pi}{2} \leq 0{,}507(t-3) \leq \frac{\pi}{2}
3,1t33,1-3{,}1 \leq t - 3 \leq 3{,}1
0,1t6,1-0{,}1 \leq t \leq 6{,}1

Altså frå ca. kl. 00:00 til kl. 06:00 (og tilsvarande 12,4 timar seinare).

✏️Døme 12: CO2-konsentrasjon (kombinert modell)

Atmosfærisk CO2_2-konsentrasjon viser både langsiktig auke og sesongvariasjon. Data frå Mauna Loa viser:
- 1960: ca. 317 ppm
- 2020: ca. 414 ppm
- Årleg variasjon: ca. ±3\pm 3 ppm med maksimum i mai

a) Sett opp ein modell som inkluderer både trend og sesongvariasjon.
b) Rekn ut venta verdi i desember 2025.

Løysing:

a) Lat tt vere år etter 1960.

Trend: Tilnærma eksponentiell, men ofte modellert lineært for kortare periodar:
Trend(t)=317+1,62t\text{Trend}(t) = 317 + 1{,}62t

(Vekst ca. 414317601,62\displaystyle \frac{414-317}{60} \approx 1{,}62 ppm/år)

Sesongvariasjon: Periode 1 år, maksimum i mai (månad 5):
Sesong(t)=3cos(2π(t412))\text{Sesong}(t) = 3\cos\left(2\pi(t - \frac{4}{12})\right)

Kombinert modell:
C(t)=317+1,62t+3cos(2π(t13))C(t) = 317 + 1{,}62t + 3\cos\left(2\pi\left(t - \frac{1}{3}\right)\right)

b) Desember 2025 svarar til t=65,92t = 65{,}92 (65 år + 11/12):
C(65,92)=317+1,6265,92+3cos(2π65,58)C(65{,}92) = 317 + 1{,}62 \cdot 65{,}92 + 3\cos(2\pi \cdot 65{,}58)
317+106,8+3cos(0,582π)\approx 317 + 106{,}8 + 3\cos(0{,}58 \cdot 2\pi)
423,8+3(0,95)421 ppm\approx 423{,}8 + 3 \cdot (-0{,}95) \approx 421 \text{ ppm}

Validere modellar

Ein modell må testast mot røynda før han kan brukast til prediksjon.

Valideringsmetodar
1. Samanlikne med data
- Rekn ut modellverdiar for kjende datapunkt
- Finn avvik (residualar)

2. Grafisk validering
- Plott modell og data i same diagram
- Sjå etter systematiske avvik

3. Statistiske mål
- Korrelasjonskoeffisient R2R^2
- Gjennomsnittleg kvadratisk avvik (RMSE)

4. Sjekke grenseverdiar
- Gir modellen fornuftige verdiar for x0x \to 0, xx \to \infty?

5. Kryss-validering
- Del data i trenings- og testdatasett
- Tilpass modell på trening, valider på test

✏️Døme 13: Validering av modell

Vi har tilpassa modellen y=2,5x+3y = 2{,}5x + 3 til følgjande data:

xx12345
yy (målt)58121316

Valider modellen ved å rekne ut avvik og R2R^2.

Løysing:

Modellverdiar:

xxyy (målt)yy (modell)AvvikAvvik2^2
155,5-0,50,25
288,000
31210,51,52,25
41313,000
51615,50,50,25

Sum av kvadratiske avvik (SSE): 0,25+0+2,25+0+0,25=2,750{,}25 + 0 + 2{,}25 + 0 + 0{,}25 = 2{,}75
Gjennomsnitt av yy: yˉ=5+8+12+13+165=10,8\displaystyle \bar{y} = \frac{5+8+12+13+16}{5} = 10{,}8
Total variasjon (SST):
(yiyˉ)2=33,64+7,84+1,44+4,84+27,04=74,8\sum(y_i - \bar{y})^2 = 33{,}64 + 7{,}84 + 1{,}44 + 4{,}84 + 27{,}04 = 74{,}8
R2R^2-verdi:
R2=1SSESST=12,7574,80,96R^2 = 1 - \frac{\text{SSE}}{\text{SST}} = 1 - \frac{2{,}75}{74{,}8} \approx 0{,}96

R2=0,96R^2 = 0{,}96 tyder at modellen forklarer 96% av variasjonen i dataa, som er svært bra.

Avgrensingar ved modellar

Alle modellar er forenklingar av røynda og har avgrensingar som må vurderast.

Typiske avgrensingar
1. Gyldigheitsområde
- Modellar gjeld berre innanfor eit visst intervall
- Ekstrapolering (prediksjon utanfor dataområdet) er risikabelt

2. Forenklingar
- Modellar ignorerer ofte sekundære faktorar
- T.d. luftmotstand, friksjon, forstyrringar

3. Føresetnader
- Eksponentiell vekst føreset ubegrensa ressursar
- Lineær modell føreset konstant endringsrate

4. Måleusikkerheit
- Data inneheld alltid målefeil
- Modellparametrane blir usikre

5. Endra vilkår
- Føresetnadene kan endre seg over tid
- Modellen må oppdaterast

✏️Døme 14: Avgrensingar ved modell

Modellen N(t)=1000e0,1tN(t) = 1000 \cdot e^{0{,}1t} beskriv veksten i ein bakteriekoloni der tt er timar.

Diskuter avgrensingane ved denne modellen.

Løysing:

1. Gyldigheitsområde:
- Modellen gir rimelege verdiar for små tt
- For store tt blir tala urealistisk store:
- N(100)=1000e1022N(100) = 1000 \cdot e^{10} \approx 22 millionar
- N(200)=1000e20485N(200) = 1000 \cdot e^{20} \approx 485 milliardar

2. Fysiske avgrensingar:
- Bakteriar treng næring og plass
- Avfallsstoff hopar seg opp
- Ressursar er endelege

3. Betre modell:
Logistisk vekst tek omsyn til bereevne:
N(t)=K1+(K/N01)ertN(t) = \frac{K}{1 + (K/N_0 - 1)e^{-rt}}

4. Tidsavhengigheit:
- Eksponentiell vekst gjeld berre i oppstartsfasen
- Modellen bør ha eit oppgitt gyldigheitsintervall, t.d. 0t240 \leq t \leq 24 timar

Konklusjon: Modellen er nyttig for å forstå tidleg vekstdynamikk, men må erstattast med ein meir realistisk modell for langsiktige prediksjonar.

Oppgåver

📝Oppgave 6.4.1

Kva for funksjonstype passar best for å modellere følgjande situasjonar?

a

Kostnaden for å leige ein bil der du betaler ei fast døgnavgift pluss ein pris per kilometer.

b

Verdien av ein aksje som stig med 5% per år.

c

Høgda på ein ball som blir kasta opp i lufta.

d

Talet på timar dagslys gjennom året.

📝Oppgave 6.4.2

Eit mobilabonnement kostar 199 kr/mnd pluss 0,50 kr per MB over inkludert datakvote.

a) Sett opp ein modell for månadleg kostnad K(x)K(x) som funksjon av ekstra databruk xx MB.
b) Kva blir kostnaden viss du brukar 500 MB over kvoten?
c) Du har budsjett på 350 kr/mnd. Kor mykje ekstra data kan du bruke?

📝Oppgave 6.4.3

Ei investering på 50 000 kr gir 4% rente per år.

a) Sett opp ein modell for beløpet B(t)B(t) etter tt år.
b) Kva er beløpet etter 10 år?
c) Når har beløpet dobla seg?

📝Oppgave 6.4.4

Eit stoff blir broten ned i kroppen slik at halvparten er borte etter 6 timar. Startdosen er 400 mg.

a) Sett opp ein modell for attverande mengd M(t)M(t) etter tt timar.
b) Kor mykje er igjen etter 15 timar?
c) Når er det mindre enn 50 mg igjen?

a

Sett opp modellen.

b

Rekn ut M(15)M(15).

c

Finn når M(t)<50M(t) < 50 mg.

Løs oppgavenTren
📝Oppgave 6.4.5

Djupnetemperaturen i ein innsjø gjennom året varierer mellom 4°C4°C (februar) og 18°C18°C (august). Lat tt vere månadsnummer (t=1t = 1 for januar).

a) Bestem amplitude, middelverdi og periode for modellen.
b) Sett opp modellen T(t)=Acos(ω(tφ))+DT(t) = A\cos(\omega(t - \varphi)) + D.
c) Kva er modellert temperatur i mai (t=5t = 5)?

a

Finn parametrane.

b

Sett opp modellen.

c

Rekn ut T(5)T(5).

Løs oppgavenTren
📝Oppgave 6.4.6

Følgjande data viser samanhengen mellom farten til ein bil (km/t) og stopplengd (meter):

Fart30507090
Stopplengd13285080

a) Plott dataa og avgjer om ein lineær eller kvadratisk modell passar best.
b) Tilpass modellen s(v)=kv2s(v) = kv^2 og finn kk.

c) Rekn ut venta stopplengd ved 110 km/t.

a

Vurder modelltype.

b

Finn kk.

c

Rekn ut s(110)s(110).

Løs oppgavenTren
📝Oppgave 6.4.7

Folket i ein by har vakse slik dei siste åra (i tusen):

År201020152020
Folketal455260

a) Gå ut frå lineær vekst og finn modellen.
b) Gå ut frå eksponentiell vekst og finn modellen.

c) Samanlikn prediksjonane for 2030 med begge modellane.

a

Lineær modell.

b

Eksponentiell modell.

c

Samanlikn for 2030 (t=20t = 20).

Løs oppgavenTren
📝Oppgave 6.4.8

Ei suppe med temperatur 85°C85°C blir sett i eit rom med temperatur 22°C22°C. Etter 5 minutt er suppetemperaturen 70°C70°C.

a) Sett opp modellen etter Newtons avkjølingslov.
b) Kva er temperaturen etter 15 minutt?
c) Når kan du ete suppa (ved 50°C50°C)?

a

Finn modellen.

b

Rekn ut T(15)T(15).

c

Finn tt når T(t)=50T(t) = 50.

📝Oppgave 6.4.9

Eit rykte spreier seg i ein skule med 800 elevar. I starten kjenner 5 elevar ryktet. Etter 3 dagar kjenner 100 elevar det.

Bruk logistisk modell: R(t)=K1+Cert\displaystyle R(t) = \frac{K}{1 + Ce^{-rt}}

a) Bestem KK, CC og rr.
b) Når kjenner halvparten av elevane ryktet?
c) Når spreier ryktet seg raskast?

a

Finn parametrane.

b

Finn tt når R(t)=400R(t) = 400.

c

Finn vendepunktet (maksimal spreiingshastigheit).

📝Oppgave 6.4.10

Straumforbruket i ein husstand varierer gjennom døgnet. Måledata viser:
- Minimumsforbruk: 0,5 kW (kl. 04:00)
- Maksimumsforbruk: 4,5 kW (kl. 19:00)

a) Sett opp ein trigonometrisk modell for forbruket P(t)P(t) der tt er timar etter midnatt.
b) Kva er forbruket kl. 08:00?
c) Når på dagen er forbruket over 3 kW?

a

Sett opp modellen.

b

Rekn ut P(8)P(8).

c

Finn når P(t)>3P(t) > 3 kW.

📝Oppgave 6.4.11

Ein forskar modellerer samanhengen mellom kroppsvekt WW (kg) og slagfrekvensen til hjartet ff (slag/min) hos pattedyr med potensmodellen f=aWbf = aW^b.

Data:

DyrVekt (kg)Puls (slag/min)
Mus0,03600
Kanin2200
Menneske7070

a) Ta logaritmen og vis at lnf=lna+blnW\ln f = \ln a + b \cdot \ln W.
b) Bruk to datapunkt til å estimere aa og bb.
c) Rekn ut venta puls for ein elefant (5000 kg).

a

Logtransformer.

b

Finn aa og bb.

c

Rekn ut puls for elefant.

📝Oppgave 6.4.12

Ein fabrikk produserer varer med kostnad K(x)=1000+50x+0,1x2K(x) = 1000 + 50x + 0{,}1x^2 kroner for xx einingar.

a) Finn gjennomsnittskostnaden per eining G(x)=K(x)/xG(x) = K(x)/x.
b) Finn produksjonsnivået som minimerer gjennomsnittskostnaden.
c) Vis at ved dette nivået er gjennomsnittskostnad lik marginalkostnad.

a

Finn G(x)G(x).

b

Minimer G(x)G(x).

c

Samanlikn med marginalkostnad.

Løs oppgavenTren
📝Oppgave 6.4.13

Havnivået i ein fjord blir påverka av både tidvatn (periode 12,4 timar) og ein dagleg variasjon (periode 24 timar).

Modell: h(t)=0,8cos(2πt12,4)+0,3cos(2πt24)+2\displaystyle h(t) = 0{,}8\cos\left(\frac{2\pi t}{12{,}4}\right) + 0{,}3\cos\left(\frac{2\pi t}{24}\right) + 2

der hh er i meter og tt er timar etter midnatt.

a) Kva er havnivået ved midnatt (t=0t = 0)?
b) Finn tidspunkt dei første 12 timane der h(t)=0h'(t) = 0.
c) Kva er maksimalt og minimalt havnivå i løpet av eit døgn (tilnærma)?

a

Rekn ut h(0)h(0).

b

Finn ekstremalpunkt.

c

Finn ekstremverdiar.

Løs oppgavenTren
📝Oppgave 6.4.14

Ein modell for global gjennomsnittstemperatur (relativt til 1900) er:

T(t)=0,006t+0,0001t2+0,1sin(2πt11)\displaystyle T(t) = 0{,}006t + 0{,}0001t^2 + 0{,}1\sin\left(\frac{2\pi t}{11}\right)

der tt er år etter 1900. Sinusleddet representerer solsyklusen.

a) Kva predikerer modellen for år 2000 og 2050?
b) Finn gjennomsnittleg temperaturauke per tiår for perioden 2000-2050.
c) Diskuter minst to avgrensingar ved denne modellen.

a

Rekn ut T(100)T(100) og T(150)T(150).

b

Finn gjennomsnittleg auke per tiår.

c

Diskuter avgrensingar.

📝Oppgave 6.4.15

Du skal lage ein modell for effekten til eit vindkraftverk. Effekten PP er avhengig av vindhastigheita vv og følgjer tilnærma:

P(v)={0v<3k(v3)33v12Pmax12<v<250v25P(v) = \begin{cases} 0 & v < 3 \\ k(v-3)^3 & 3 \leq v \leq 12 \\ P_{\max} & 12 < v < 25 \\ 0 & v \geq 25 \end{cases}

Vindturbinen har makseffekt Pmax=2000P_{\max} = 2000 kW ved v=12v = 12 m/s.

a) Bestem konstanten kk.
b) Kva er effekten ved 8 m/s?
c) Diskuter kvifor modellen er delt opp slik.

a

Finn kk.

b

Rekn ut P(8)P(8).

c

Forklar strukturen til modellen.

Løs oppgavenTren
📝Oppgave 6.4.16
Prosjektoppgåve: Modellering av COVID-19-bølgje

I ein tidleg fase av ein epidemi blei følgjande data registrert (smittetilfelle per dag):

Dag151015202530
Tilfelle1030120400800900850

a) Forklar kvifor ein rein eksponentiell modell ikkje passar for heile datasettet.
b) Tilpass ein logistisk modell til dataa (bruk regresjon eller manuell tilpassing).

c) Når nådde epidemien toppen ifølgje modellen?
d) Diskuter minst tre faktorar som kan gjere modellen upåliteleg.

a

Kvifor ikkje eksponentiell?

b

Tilpass logistisk modell.

c

Finn toppen.

d

Diskuter usikkerheiter.

Oppsummering

I dette kapittelet har du lært:

- Modelleringsprosessen: Forenkle problemet, vel modelltype, bestem parametrar, bruk modellen, vurder gyldigheit.
- Modelltypar: Lineær (ax+bax + b), eksponentiell (abxa \cdot b^x), polynom, potens (axbax^b), trigonometrisk (Asin(kx+c)+dA\sin(kx+c)+d) og logistisk modell.
- Val av modell: Konstant endring per eining → lineær; konstant prosentvis endring → eksponentiell; periodisk fenomen → trigonometrisk; vekst med metning → logistisk.
- Parametrar frå data: Bruk kjende punkt til å setje opp likningar for parametrane.
- Vurdering: Ein modell gjeld berre innanfor gyldigheitsområdet sitt — vurder alltid svara mot røynda.

Nøkkelomgrep


OmgrepForklaring
Lineær modellKonstant endring, f(x)=ax+bf(x) = ax + b
Eksponentiell modellKonstant vekstfaktor, f(x)=abxf(x) = a \cdot b^x
Trigonometrisk modellPeriodiske fenomen
Logistisk modellVekst som flatar ut mot ei bereevne

Viktige formlar


- Lineær: f(x)=ax+bf(x) = ax + b
- Eksponentiell: f(x)=abxf(x) = a \cdot b^x
- Trigonometrisk: f(x)=Asin(kx+c)+df(x) = A\sin(kx + c) + d
Repetisjonsoppgåver
Din fremgang
0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.