6.4
Matematisk modellering

6.4 Matematisk modellering

Modellere reelle situasjonar med funksjonar.

55 min
21 oppgaver
ModelleringFunksjonsvalValideringTolking
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)=a⋅bxellerf(x)=a⋅ekxf(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)=k⋅f(x)f'(x) = k \cdot f(x)

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

Polynommodell
f(x)=anxn+an−1xn−1+⋯+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
- Andregradpolynom gir parabelform
- Høgare gradar gir meir komplekse kurver

Brukast når:
- Kasterorelse (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 = faseforskyvning
- DD = vertikal forskyvning (middelverdi)

Brukast når:
- Periodiske fenomen
- Temperaturar gjennom året
- Tidvatn
- Vekselstraum

Potensmodell
f(x)=a⋅xnf(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+Ce−rtf(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+15⋅8=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}

Svar: a) K(x)=50+15xK(x) = 50 + 15x b) 170 kr c) 10 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 dobler seg kvar 3. time, så vekstfaktoren per time er:
b=21/3=23≈1,26b = 2^{1/3} = \sqrt[3]{2} \approx 1{,}26

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

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

b) Etter 12 timar:
N(12)=1000⋅212/3=1000⋅24=1000⋅16=16 000\begin{aligned} N(12) &= 1000 \cdot 2^{12/3} \\ &= 1000 \cdot 2^4 \\ &= 1000 \cdot 16 \\ &= 16\,000 \end{aligned}

c) Løyser N(t)=1 000 000N(t) = 1\,000\,000:
1000⋅2t/3=1 000 0001000 \cdot 2^{t/3} = 1\,000\,000
2t/3=10002^{t/3} = 1000
t3=log⁡21000=ln⁡1000ln⁡2≈9,97\frac{t}{3} = \log_2 1000 = \frac{\ln 1000}{\ln 2} \approx 9{,}97
t≈29,9 timart \approx 29{,}9 \text{ timar}

Svar: a) N(t)=1000⋅2t/3N(t) = 1000 \cdot 2^{t/3} b) 16 000 bakteriar c) etter ca. 29,9 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) Set 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)=N0⋅e−λtN(t) = N_0 \cdot e^{-\lambda t} der λ=ln⁡25730≈0,000121\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=11 460 a˚rt = 11\,460 \text{ år}

Svar: a) N(t)=N0⋅(12)t/5730\displaystyle N(t) = N_0 \cdot \left(\frac{1}{2}\right)^{t/5730} b) Fossilet er ca. 11 500 år gammalt.

✏️Døme 4: Kasterørsle (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)=v0t−12gt2=20t−4,9t2h(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)=20−9,8t=0h'(t) = 20 - 9{,}8t = 0
t=209,8≈2,04 st = \frac{20}{9{,}8} \approx 2{,}04 \text{ s}

b) Maksimalhøgda:
h(2,04)=20⋅2,04−4,9⋅2,042h(2{,}04) = 20 \cdot 2{,}04 - 4{,}9 \cdot 2{,}04^2
≈40,8−20,4≈20,4 m\approx 40{,}8 - 20{,}4 \approx 20{,}4 \text{ m}

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

Svar: a) etter ca. 2,04 s b) ca. 20,4 m c) etter ca. 4,08 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 månadar, så ω=2π12=π6\displaystyle \omega = \frac{2\pi}{12} = \frac{\pi}{6}
- Faseforskyvning: Minimum i januar (t=1t = 1), så:
- For sinus: minimum når argumentet er −π2\displaystyle -\frac{\pi}{2}
- π6⋅1+φ=−π2\displaystyle \frac{\pi}{6} \cdot 1 + \varphi = -\frac{\pi}{2}
- φ=−π2−π6=−2π3\displaystyle \varphi = -\frac{\pi}{2} - \frac{\pi}{6} = -\frac{2\pi}{3}

Modellen:
T(t)=10sin⁡(πt6−2π3)+5T(t) = 10\sin\left(\frac{\pi t}{6} - \frac{2\pi}{3}\right) + 5

b) I april (t=4t = 4):
T(4)=10sin⁡(4π6−2π3)+5=10sin⁡(0)+5=5°C\begin{aligned} T(4) &= 10\sin\left(\frac{4\pi}{6} - \frac{2\pi}{3}\right) + 5 \\ &= 10\sin(0) + 5 = 5°C \end{aligned}

Svar: a) A=10A = 10, ω=π6\displaystyle \omega = \frac{\pi}{6}, φ=−2π3\displaystyle \varphi = -\frac{2\pi}{3}, D=5D = 5 b) 5 °C5\,°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: T2∝r3T^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=k⋅r3T^2 = k \cdot r^3 og jorda sine data (T=1T = 1, r=1r = 1):
12=k⋅13⇒k=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≈3,51≈1,87 a˚rT = (1{,}52)^{3/2} = \sqrt{1{,}52^3} \approx \sqrt{3{,}51} \approx 1{,}87 \text{ år}

(Faktisk omlaupstid for Mars er 1,88 år - modellen stemmer godt!)

Svar: a) T=r3/2T = r^{3/2} b) ca. 1,87 år

✏️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)=50 0001+999⋅e−0,3tI(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)=50 0001+999⋅e0=50 0001000=50 personarI(0) = \frac{50\,000}{1 + 999 \cdot e^0} = \frac{50\,000}{1000} = 50 \text{ personar}

b) Halvparten smitta betyr I(t)=25 000I(t) = 25\,000:
50 0001+999⋅e−0,3t=25 000\frac{50\,000}{1 + 999 \cdot e^{-0{,}3t}} = 25\,000
1+999⋅e−0,3t=21 + 999 \cdot e^{-0{,}3t} = 2
e−0,3t=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)0,3≈6,910,3≈23 dagart = \frac{\ln(999)}{0{,}3} \approx \frac{6{,}91}{0{,}3} \approx 23 \text{ dagar}

c) Veksthastigheta er I′(t)I'(t). Ved t=20t = 20:
I(20)=50 0001+999⋅e−6≈50 0003,476≈14 380I(20) = \frac{50\,000}{1 + 999 \cdot e^{-6}} \approx \frac{50\,000}{3{,}476} \approx 14\,380

For logistisk vekst: I′(t)=r⋅I(t)⋅(1−I(t)K)\displaystyle I'(t) = r \cdot I(t) \cdot \left(1 - \frac{I(t)}{K}\right)
I′(20)=0,3⋅14 380⋅(1−14 38050 000)≈3070 nye smitta per dag\begin{aligned} I'(20) &= 0{,}3 \cdot 14\,380 \cdot \left(1 - \frac{14\,380}{50\,000}\right) \\ &\approx 3070 \text{ nye smitta per dag} \end{aligned}

Svar: a) 50 personar b) etter ca. 23 dagar c) ca. 3070 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)=N0⋅ektN(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=100⋅e4k320 = 100 \cdot e^{4k}
e4k=3,2e^{4k} = 3{,}2
4k=ln⁡(3,2)≈1,1634k = \ln(3{,}2) \approx 1{,}163
k≈0,29k \approx 0{,}29

Sjekk med t=6t = 6:
N(6)=100⋅e0,29⋅6=100⋅e1,74≈100⋅5,7≈570N(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)=100⋅e0,29tN(t) = 100 \cdot e^{0{,}29t}

b) Etter 10 veker:
N(10)=100⋅e0,29⋅10=100⋅e2,9≈100⋅18,2≈1820\begin{aligned} N(10) &= 100 \cdot e^{0{,}29 \cdot 10} \\ &= 100 \cdot e^{2{,}9} \\ &\approx 100 \cdot 18{,}2 \\ &\approx 1820 \end{aligned}

Svar: a) N0=100N_0 = 100 og k≈0,29k \approx 0{,}29 b) ca. 1820 plantar

✏️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∞+(T0−T∞)⋅e−ktT(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+70⋅e−ktT(t) = 20 + 70 \cdot e^{-kt}

Med T(10)=70T(10) = 70:
70=20+70⋅e−10k70 = 20 + 70 \cdot e^{-10k}
50=70⋅e−10k50 = 70 \cdot e^{-10k}
e−10k=57e^{-10k} = \frac{5}{7}
−10k=ln⁡(57)≈−0,336-10k = \ln\left(\frac{5}{7}\right) \approx -0{,}336
k≈0,0336k \approx 0{,}0336

b) Etter 30 minutt:
T(30)=20+70⋅e−0,0336⋅30≈20+70⋅e−1,01T(30) = 20 + 70 \cdot e^{-0{,}0336 \cdot 30} \approx 20 + 70 \cdot e^{-1{,}01}
≈20+70⋅0,364≈20+25,5≈45,5°C\approx 20 + 70 \cdot 0{,}364 \approx 20 + 25{,}5 \approx 45{,}5°C

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

Svar: a) k≈0,0336k \approx 0{,}0336 b) ca. 45,5 °C45{,}5\,°C c) etter ca. 37 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=k⋅502=2500k12 = k \cdot 50^2 = 2500k
k=122500=0,0048k = \frac{12}{2500} = 0{,}0048

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

b) Ved 80 km/t:
s(80)=0,0048⋅802=0,0048⋅6400≈30,7 ms(80) = 0{,}0048 \cdot 80^2 = 0{,}0048 \cdot 6400 \approx 30{,}7 \text{ m}

c) Med s(v)≤50s(v) \leq 50:
0,0048⋅v2≤500{,}0048 \cdot v^2 \leq 50
v2≤500,0048≈10 417v^2 \leq \frac{50}{0{,}0048} \approx 10\,417
v≤10 417≈102 km/tv \leq \sqrt{10\,417} \approx 102 \text{ km/t}

Svar: a) k=0,0048k = 0{,}0048 b) ca. 30,7 m c) høgst ca. 102 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=3,5−0,52=1,5\displaystyle A = \frac{3{,}5 - 0{,}5}{2} = 1{,}5 m
- Periode: T=12,4T = 12{,}4 timar, så ω=2π12,4≈0,507\displaystyle \omega = \frac{2\pi}{12{,}4} \approx 0{,}507
- Høgvatn kl. 03:00, så cosinus med forskyvning:

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

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

Lågvatn er ca. kl. 09:12.

c) Treng h(t)≥2h(t) \geq 2:
1,5cos⁡(0,507(t−3))+2≥21{,}5 \cos(0{,}507(t-3)) + 2 \geq 2
cos⁡(0,507(t−3))≥0\cos(0{,}507(t-3)) \geq 0

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

Svar: a) h(t)=1,5cos⁡(0,507(t−3))+2h(t) = 1{,}5 \cos(0{,}507(t - 3)) + 2 b) ca. kl. 09:12 c) 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) La tt vere år etter 1960.

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

(Vekst ca. 414−31760≈1,62\displaystyle \frac{414-317}{60} \approx 1{,}62 ppm/år)

Sesongvariasjon: Periode 1 år, maksimum i mai (månad 5):
Sesong(t)=3cos⁡(2π(t−412))\text{Sesong}(t) = 3\cos\left(2\pi(t - \frac{4}{12})\right)

Kombinert modell:
C(t)=317+1,62t+3cos⁡(2π(t−13))C(t) = 317 + 1{,}62t + 3\cos\left(2\pi\left(t - \frac{1}{3}\right)\right)

b) Desember 2025 svarer til t=65,92t = 65{,}92 (65 år + 11/12):
C(65,92)=317+1,62⋅65,92+3cos⁡(2π⋅65,58)C(65{,}92) = 317 + 1{,}62 \cdot 65{,}92 + 3\cos(2\pi \cdot 65{,}58)
≈317+106,8+3cos⁡(0,58⋅2π)\approx 317 + 106{,}8 + 3\cos(0{,}58 \cdot 2\pi)
≈423,8+3⋅(−0,87)≈421 ppm\approx 423{,}8 + 3 \cdot (-0{,}87) \approx 421 \text{ ppm}

Svar: a) C(t)=317+1,62t+3cos⁡(2π(t−13))\displaystyle C(t) = 317 + 1{,}62t + 3\cos\left(2\pi\left(t - \frac{1}{3}\right)\right) b) ca. 421 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
- Bestemmelseskoeffisienten R2R^2
- Gjennomsnittleg kvadratisk avvik (RMSE)

4. Sjekke grenseverdiar
- Gir modellen fornuftige verdiar for x→0x \to 0, x→∞x \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:

xxyy (målt)
15
28
312
413
516

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

Løysing:

Modellverdiar:

xxyy (målt)yy (modell)
155,5
288,0
31210,5
41313,0
51615,5
xxAvvikAvvik2^2
1-0,50,25
200
31,52,25
400
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):
∑(yi−yˉ)2=33,64+7,84+1,44+4,84+27,04=74,8\begin{aligned} &\sum(y_i - \bar{y})^2 \\ = {}&33{,}64 + 7{,}84 + 1{,}44 + 4{,}84 + 27{,}04 \\ = {}&74{,}8 \end{aligned}
R2R^2-verdi:
R2=1−SSESST=1−2,7574,8≈0,96R^2 = 1 - \frac{\text{SSE}}{\text{SST}} = 1 - \frac{2{,}75}{74{,}8} \approx 0{,}96

Svar: R2≈0,96R^2 \approx 0{,}96. Modellen forklarer 96 % av variasjonen i dataa, og det 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)=1000⋅e0,1tN(t) = 1000 \cdot e^{0{,}1t} beskriv veksten i ein bakteriekoloni der tt er timar.

Diskuter avgrensingane ved denne modellen.

Løysing:

Gyldigheitsområde:
- Modellen gir rimelege verdiar for små tt
- For store tt blir tala urealistisk store:
- N(100)=1000⋅e10≈22N(100) = 1000 \cdot e^{10} \approx 22 millionar
- N(200)=1000⋅e20≈485N(200) = 1000 \cdot e^{20} \approx 485 milliardar

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

Betre modell:
Logistisk vekst tek omsyn til berekraft:
N(t)=K1+(K/N0−1)e−rtN(t) = \frac{K}{1 + (K/N_0 - 1)e^{-rt}}

Tidsavhengigheit:
- Eksponensiell vekst gjeld berre i oppstartsfasen
- Modellen bør ha eit angitt gyldigheitsintervall, t.d. 0≤t≤240 \leq t \leq 24 timar

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

Når aukar det raskast?

I modellar spør vi ofte ikkje berre kor mykje ein storleik er, men når ho endrar seg raskast: når vasstanden stig raskast, når datatrafikken aukar mest, når akselerasjonen er størst.

Den momentane vekstfarten er f′(t)f'(t). Spørsmålet «når aukar ff raskast?» er derfor spørsmålet «når har f′f' sitt toppunkt?».

- Toppunktet til f′f' finn vi der f′′(t)=0f''(t) = 0 og f′′f'' skiftar forteikn frå ++ til −-. Det er eit vendepunkt på grafen til ff.
- Endepunkta i definisjonsmengda må også kontrollerast: der kan f′f' vere større enn i toppunktet.
- På same måte er akselerasjonen a(t)=v′(t)a(t) = v'(t) størst i toppunktet til aa, som vi finn der a′(t)=0a'(t) = 0 eller i eit endepunkt. I det høgaste punktet på ei bane er den vertikale farten 00.

I GeoGebra: Ekstremalpunkt(f', <start>, <slutt>) gir toppunktet til f′f' direkte.

✏️Døme 15: Når stig vasstanden raskast?
Vasstanden i ei hamn er gitt ved

h(t)=1,4sin⁡(0,51t−0,8)+1,6,t∈[0,12]h(t) = 1{,}4\sin(0{,}51t - 0{,}8) + 1{,}6, \quad t \in [0, 12]

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

a) Når stig vasstanden raskast?

b) Kor raskt stig vasstanden då?

a) Vekstfarten er

h′(t)=1,4⋅0,51cos⁡(0,51t−0,8)=0,714cos⁡(0,51t−0,8)h'(t) = 1{,}4 \cdot 0{,}51\cos(0{,}51t - 0{,}8) = 0{,}714\cos(0{,}51t - 0{,}8)

Vi finn toppunktet til h′h':

h′′(t)=−0,714⋅0,51sin⁡(0,51t−0,8)≈−0,364sin⁡(0,51t−0,8)h''(t) = -0{,}714 \cdot 0{,}51\sin(0{,}51t - 0{,}8) \approx -0{,}364\sin(0{,}51t - 0{,}8)

h′′(t)=0  ⟺  0,51t−0,8=nπh''(t) = 0 \iff 0{,}51t - 0{,}8 = n\pi

n=0n = 0: t=0,80,51≈1,57t = \dfrac{0{,}8}{0{,}51} \approx 1{,}57

n=1n = 1: t=π+0,80,51≈7,73t = \dfrac{\pi + 0{,}8}{0{,}51} \approx 7{,}73

For tt litt mindre enn 1,571{,}57 er sin⁡(0,51t−0,8)<0\sin(0{,}51t - 0{,}8) < 0, så h′′(t)>0h''(t) > 0. For tt litt større er h′′(t)<0h''(t) < 0. Altså har h′h' eit toppunkt i t≈1,57t \approx 1{,}57.

I t≈7,73t \approx 7{,}73 skiftar h′′h'' forteikn frå −- til ++, så der har h′h' eit bunnpunkt: der sink vasstanden raskast.

Endepunkta: h′(0)≈0,50h'(0) \approx 0{,}50 og h′(12)≈0,41h'(12) \approx 0{,}41, begge mindre enn h′(1,57)h'(1{,}57).

1,571{,}57 timar er 1 time og 34 minutt.

b) h′(1,57)=0,714cos⁡(0)=0,714h'(1{,}57) = 0{,}714\cos(0) = 0{,}714

I GeoGebra: Ekstremalpunkt(h', 0, 12) gir (1,57; 0,714)(1{,}57;\ 0{,}714).

Svar: a) Vasstanden stig raskast om lag kl. 01:34. b) Då stig ho med om lag 0,710{,}71 meter per time.

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

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

a) Set 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?

Løs oppgaven
📝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(t−φ))+DT(t) = A\cos(\omega(t - \varphi)) + D.

c

Kva er modellert temperatur i mai (t=5t = 5)?

Løs oppgaven
📝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

Bestem kk i modellen s(v)=kv2s(v) = kv^2 ut frå målinga ved 5050 km/t, og vurder kor godt modellen passar med dei andre målingane.

c

Rekn ut venta stopplengd ved 110 km/t.

Løs oppgaven
📝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.

Løs oppgaven
📝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)?

📝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+Ce−rt\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?

📝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. 16:00)

a

Set 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?

📝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 ln⁡f=ln⁡a+b⋅ln⁡W\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).

📝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.

Løs oppgaven
📝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 tidspunkta dei første 12 timane der h′(t)=0h'(t) = 0.

c

Kva er maksimalt og minimalt havnivå i løpet av eit døgn (tilnærma)?

Løs oppgaven
📝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.

📝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(v−3)33≤v≤12Pmax⁡12<v<250v≥25P(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.

Løs oppgaven
📝Oppgave 6.4.16
Prosjektoppgåve: Modellering av ein epidemi

Under ein epidemi vart det samla talet på registrerte smittetilfelle talt kvar femte dag:

DagTilfelle totalt
023
5100
10420
151430
203080
254140
304490
a

Forklar kvifor ein rein eksponensiell modell ikkje passar for heile datasettet.

b

Bruk logistisk regresjon til å finne ein modell N(t)N(t) for det samla talet på tilfelle.

c

Når var talet på nye tilfelle per dag størst ifølgje modellen, og kor mange nye tilfelle per dag var det då?

d

Diskuter minst tre faktorar som kan gjere modellen upåliteleg.

📝Oppgave 6.4.17
Datatrafikken i eit nettverk mellom kl. 08:00 og kl. 18:00 er modellert ved

D(t)=−0,5t3+6t2+10,t∈[0,10]D(t) = -0{,}5t^3 + 6t^2 + 10, \quad t \in [0, 10]

der DD er målt i gigabyte (GB) og tt er antal timar etter kl. 08:00.

a

Bestem D′(t)D'(t) og forklar kva D′(t)D'(t) betyr i denne samanhengen.

b

Når aukar datatrafikken raskast, og kor raskt aukar ho då?

📝Oppgave 6.4.18
Farten til ein modellbil dei første 5 sekunda er gitt ved

v(t)=t3−9t2+24t,t∈[0,5]v(t) = t^3 - 9t^2 + 24t, \quad t \in [0, 5]

der vv er målt i meter per sekund og tt i sekund.

a

Bestem akselerasjonen a(t)a(t).

b

Når er akselerasjonen størst, og når er ho minst? Kor stor er ho då?

📝Oppgave 6.4.19
Ein ball blir kasta, og posisjonen etter tt sekund er gitt ved

r⃗(t)=[12t, 1,5+14t−4,9t2]\vec{r}(t) = \left[12t,\ 1{,}5 + 14t - 4{,}9t^2\right]

der koordinatane er målt i meter.

a

Bestem hastigheitsvektoren v⃗(t)\vec{v}(t).

b

Når er ballen i sitt høgaste punkt, og kor høgt er han då?

c

Bestem banefarten i det høgaste punktet. Forklar kvifor banefarten er minst her.

Oppsummering

I dette kapittelet har du lært:

- Modelleringsprosessen: Forenkle problemet, vel modelltype, bestem parametrar, bruk modellen, vurder gyldigheit.
- Modelltypar: Lineær (ax+bax + b), eksponentiell (a⋅bxa \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 metting → 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)=a⋅bxf(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)=a⋅bxf(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.