Modellere reelle situasjoner med funksjoner.
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:
- 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:
Kjenneteikn:
- Konstant endringsrate (stigingstal )
- Rett linje i grafisk framstilling
- er proporsjonal med
Blir brukt når:
- Jamn vekst eller nedgang
- Kostnad med fast sats og variabel del
- Avstand ved konstant fart
Kjenneteikn:
- Prosentvis vekst eller nedgang per tidseining
- Vekstfaktoren der er vekstraten
- Derivert proporsjonal med funksjonen sjølv:
Blir brukt når:
- Folkevekst
- Radioaktiv nedbryting
- Renters rente
- Temperaturendring (Newtons avkjølingslov)
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
Parametrar:
- = amplitude (halvparten av variasjonsbreidda)
- der er perioden
- = faseforskyving
- = vertikal forskyving (middelverdi)
Blir brukt når:
- Periodiske fenomen
- Temperaturar gjennom året
- Tidvatn
- Vekselstraum
Kjenneteikn:
- Skalerer med potensar av
- Dobbelt-logaritmisk plott gir rett linje
Blir brukt når:
- Geometriske storleikar (areal, volum)
- Allometriske samanhengar i biologi
- Fysiske lover (gravitasjon, intensitet)
Parametrar:
- = bereevne (øvre grense)
- = vekstrate
- = 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.
Ein taxi tek 50 kr i startgebyr og 15 kr per kilometer.
a) Sett opp ein modell for totalkostnaden som funksjon av køyrd distanse kilometer.
b) Kva kostar ein tur på 8 km?
c) Kor langt kan ein køyre for 200 kr?
a) Kostnaden består av fast del (startgebyr) og variabel del (pris per km):
b) For km:
c) Løyser :
Ein bakteriekoloni doblar seg kvar 3. time. Ved tidspunkt er det 1000 bakteriar.
a) Sett opp ein modell for talet på bakteriar etter timar.
b) Kor mange bakteriar er det etter 12 timar?
c) Når er det 1 million bakteriar?
a) Bakteriane doblar seg kvar 3. time, så vekstfaktoren per time er:
Modellen blir:
eller ekvivalent:
b) Etter 12 timar:
c) Løyser :
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?
a) Med halveringstid år får vi:
eller med -form: der
b) Når :
Fossilet er ca. 11 500 år gammalt.
a) Når er ballen på topp?
b) Kva er maksimalhøgda?
c) Når treffer ballen bakken?
a) Toppen blir nådd når :
b) Maksimalhøgda:
c) Ballen treffer bakken når :
Gjennomsnittstemperaturen i ein by varierer mellom i januar og i juli. Lat vere månadsnummer ( for januar).
a) Bestem parametrane , , og for modellen .
b) Kva er modellert temperatur i april ()?
a)
- Middelverdi:
- Amplitude:
- Periode: 12 månader, så
- Faseforskyving: Minimum i januar (), så:
- For sinus: minimum når argumentet er
-
-
Modellen:
b) I april ():
Keplers tredje lov seier at kvadratet av omløpstida til ein planet er proporsjonalt med kuben av gjennomsnittleg avstand frå sola: .
For jorda er år og AU (astronomisk eining).
a) Sett opp modellen for som funksjon av .
b) Mars har gjennomsnittleg avstand 1,52 AU frå sola. Finn omløpstida.
a) Frå og data for jorda (, ):
Altså: , som gir:
b) For Mars med AU:
(Den faktiske omløpstida for Mars er 1,88 år - modellen stemmer godt!)
a) Kor mange var smitta ved ?
b) Når er halvparten av folket smitta?
c) Kva er veksthastigheita ved dagar?
a) Ved :
b) Halvparten smitta tyder :
c) Veksthastigheita er . Ved :
For logistisk vekst:
Ein biolog måler veksten til ein plantepopulasjon og får følgjande data:
| Tid (veker) | 0 | 2 | 4 | 6 |
|---|---|---|---|---|
| Tal | 100 | 180 | 320 | 580 |
Gå ut frå eksponentiell vekst .
a) Bestem og .
b) Kor mange plantar er venta etter 10 veker?
a) Frå :
For å finne , bruk to datapunkt. Med :
Sjekk med :
Dette stemmer bra med målt verdi 580.
Modellen:
b) Etter 10 veker:
Ein kopp kaffi med temperatur blir plassert i eit rom med temperatur . Etter 10 minutt er kaffitemperaturen .
Newtons avkjølingslov:
a) Bestem konstanten .
b) Kva er temperaturen etter 30 minutt?
c) Når er kaffien ?
a) Vi har og , så:
Med :
b) Etter 30 minutt:
c) Når :
Ved 50 km/t er bremselengda 12 meter.
a) Bestem konstanten .
b) Finn bremselengda ved 80 km/t.
c) Med kva for fart kan ein køyre viss bremselengda ikkje skal overstige 50 meter?
a) Med m:
Modellen:
b) Ved 80 km/t:
c) Med :
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 der er timar etter midnatt.
b) Når er det lågvatn?
c) Når kan ein båt som treng minst 2 m djupne, segle inn?
a)
- Middelverdi: m
- Amplitude: m
- Periode: timar, så
- Høgvatn kl. 03:00, så cosinus med forskyving:
b) Lågvatn når , altså:
Lågvatn er ca. kl. 09:12.
c) Treng :
Dette er oppfylt når argumentet er i :
Altså frå ca. kl. 00:00 til kl. 06:00 (og tilsvarande 12,4 timar seinare).
Atmosfærisk CO-konsentrasjon viser både langsiktig auke og sesongvariasjon. Data frå Mauna Loa viser:
- 1960: ca. 317 ppm
- 2020: ca. 414 ppm
- Årleg variasjon: ca. ppm med maksimum i mai
a) Sett opp ein modell som inkluderer både trend og sesongvariasjon.
b) Rekn ut venta verdi i desember 2025.
a) Lat vere år etter 1960.
Trend: Tilnærma eksponentiell, men ofte modellert lineært for kortare periodar:
(Vekst ca. ppm/år)
Sesongvariasjon: Periode 1 år, maksimum i mai (månad 5):
Kombinert modell:
b) Desember 2025 svarar til (65 år + 11/12):
Validere modellar
Ein modell må testast mot røynda før han kan brukast til prediksjon.
- 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
- Gjennomsnittleg kvadratisk avvik (RMSE)
4. Sjekke grenseverdiar
- Gir modellen fornuftige verdiar for , ?
5. Kryss-validering
- Del data i trenings- og testdatasett
- Tilpass modell på trening, valider på test
Vi har tilpassa modellen til følgjande data:
| 1 | 2 | 3 | 4 | 5 | |
|---|---|---|---|---|---|
| (målt) | 5 | 8 | 12 | 13 | 16 |
Valider modellen ved å rekne ut avvik og .
Modellverdiar:
| (målt) | (modell) | Avvik | Avvik | |
|---|---|---|---|---|
| 1 | 5 | 5,5 | -0,5 | 0,25 |
| 2 | 8 | 8,0 | 0 | 0 |
| 3 | 12 | 10,5 | 1,5 | 2,25 |
| 4 | 13 | 13,0 | 0 | 0 |
| 5 | 16 | 15,5 | 0,5 | 0,25 |
Sum av kvadratiske avvik (SSE):
Gjennomsnitt av :
Total variasjon (SST):
-verdi:
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.
- 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
Å bruke ein modell utanfor dataområdet (ekstrapolering) kan gi svært upålitelege resultat.
Døme: Ein lineær modell for folkevekst dei siste 10 åra kan ikkje brukast til å forutseie folketalet om 100 år - veksten er ikkje lineær på lang sikt.
Ekstrapolering kan vere nyttig for kortsiktige prediksjonar, men usikkerheita aukar raskt med avstanden frå kjende data.
Modellen beskriv veksten i ein bakteriekoloni der er timar.
Diskuter avgrensingane ved denne modellen.
1. Gyldigheitsområde:
- Modellen gir rimelege verdiar for små
- For store blir tala urealistisk store:
- millionar
- 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:
4. Tidsavhengigheit:
- Eksponentiell vekst gjeld berre i oppstartsfasen
- Modellen bør ha eit oppgitt gyldigheitsintervall, t.d. timar
Konklusjon: Modellen er nyttig for å forstå tidleg vekstdynamikk, men må erstattast med ein meir realistisk modell for langsiktige prediksjonar.
Oppgåver
Kva for funksjonstype passar best for å modellere følgjande situasjonar?
Kostnaden for å leige ein bil der du betaler ei fast døgnavgift pluss ein pris per kilometer.
Verdien av ein aksje som stig med 5% per år.
Høgda på ein ball som blir kasta opp i lufta.
Talet på timar dagslys gjennom året.
Eit mobilabonnement kostar 199 kr/mnd pluss 0,50 kr per MB over inkludert datakvote.
a) Sett opp ein modell for månadleg kostnad som funksjon av ekstra databruk 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?
Ei investering på 50 000 kr gir 4% rente per år.
a) Sett opp ein modell for beløpet etter år.
b) Kva er beløpet etter 10 år?
c) Når har beløpet dobla seg?
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 etter timar.
b) Kor mykje er igjen etter 15 timar?
c) Når er det mindre enn 50 mg igjen?
Sett opp modellen.
Rekn ut .
Finn når mg.
Djupnetemperaturen i ein innsjø gjennom året varierer mellom (februar) og (august). Lat vere månadsnummer ( for januar).
a) Bestem amplitude, middelverdi og periode for modellen.
b) Sett opp modellen .
c) Kva er modellert temperatur i mai ()?
Finn parametrane.
Sett opp modellen.
Rekn ut .
Følgjande data viser samanhengen mellom farten til ein bil (km/t) og stopplengd (meter):
| Fart | 30 | 50 | 70 | 90 |
|---|---|---|---|---|
| Stopplengd | 13 | 28 | 50 | 80 |
a) Plott dataa og avgjer om ein lineær eller kvadratisk modell passar best.
b) Tilpass modellen og finn .
c) Rekn ut venta stopplengd ved 110 km/t.
Vurder modelltype.
Finn .
Rekn ut .
Folket i ein by har vakse slik dei siste åra (i tusen):
| År | 2010 | 2015 | 2020 |
|---|---|---|---|
| Folketal | 45 | 52 | 60 |
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.
Lineær modell.
Eksponentiell modell.
Samanlikn for 2030 ().
Ei suppe med temperatur blir sett i eit rom med temperatur . Etter 5 minutt er suppetemperaturen .
a) Sett opp modellen etter Newtons avkjølingslov.
b) Kva er temperaturen etter 15 minutt?
c) Når kan du ete suppa (ved )?
Finn modellen.
Rekn ut .
Finn når .
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:
a) Bestem , og .
b) Når kjenner halvparten av elevane ryktet?
c) Når spreier ryktet seg raskast?
Finn parametrane.
Finn når .
Finn vendepunktet (maksimal spreiingshastigheit).
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 der er timar etter midnatt.
b) Kva er forbruket kl. 08:00?
c) Når på dagen er forbruket over 3 kW?
Sett opp modellen.
Rekn ut .
Finn når kW.
Ein forskar modellerer samanhengen mellom kroppsvekt (kg) og slagfrekvensen til hjartet (slag/min) hos pattedyr med potensmodellen .
Data:
| Dyr | Vekt (kg) | Puls (slag/min) |
|---|---|---|
| Mus | 0,03 | 600 |
| Kanin | 2 | 200 |
| Menneske | 70 | 70 |
a) Ta logaritmen og vis at .
b) Bruk to datapunkt til å estimere og .
c) Rekn ut venta puls for ein elefant (5000 kg).
Logtransformer.
Finn og .
Rekn ut puls for elefant.
Ein fabrikk produserer varer med kostnad kroner for einingar.
a) Finn gjennomsnittskostnaden per eining .
b) Finn produksjonsnivået som minimerer gjennomsnittskostnaden.
c) Vis at ved dette nivået er gjennomsnittskostnad lik marginalkostnad.
Finn .
Minimer .
Samanlikn med marginalkostnad.
Havnivået i ein fjord blir påverka av både tidvatn (periode 12,4 timar) og ein dagleg variasjon (periode 24 timar).
Modell:
der er i meter og er timar etter midnatt.
a) Kva er havnivået ved midnatt ()?
b) Finn tidspunkt dei første 12 timane der .
c) Kva er maksimalt og minimalt havnivå i løpet av eit døgn (tilnærma)?
Rekn ut .
Finn ekstremalpunkt.
Finn ekstremverdiar.
Ein modell for global gjennomsnittstemperatur (relativt til 1900) er:
der 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.
Rekn ut og .
Finn gjennomsnittleg auke per tiår.
Diskuter avgrensingar.
Du skal lage ein modell for effekten til eit vindkraftverk. Effekten er avhengig av vindhastigheita og følgjer tilnærma:
Vindturbinen har makseffekt kW ved m/s.
a) Bestem konstanten .
b) Kva er effekten ved 8 m/s?
c) Diskuter kvifor modellen er delt opp slik.
Finn .
Rekn ut .
Forklar strukturen til modellen.
I ein tidleg fase av ein epidemi blei følgjande data registrert (smittetilfelle per dag):
| Dag | 1 | 5 | 10 | 15 | 20 | 25 | 30 |
|---|---|---|---|---|---|---|---|
| Tilfelle | 10 | 30 | 120 | 400 | 800 | 900 | 850 |
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.
Kvifor ikkje eksponentiell?
Tilpass logistisk modell.
Finn toppen.
Diskuter usikkerheiter.
Oppsummering
I dette kapittelet har du lært:
- Modelleringsprosessen: Forenkle problemet, vel modelltype, bestem parametrar, bruk modellen, vurder gyldigheit.
- Modelltypar: Lineær (), eksponentiell (), polynom, potens (), trigonometrisk () 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
| Omgrep | Forklaring |
|---|---|
| Lineær modell | Konstant endring, |
| Eksponentiell modell | Konstant vekstfaktor, |
| Trigonometrisk modell | Periodiske fenomen |
| Logistisk modell | Vekst som flatar ut mot ei bereevne |
Viktige formlar
- Lineær:
- Eksponentiell:
- Trigonometrisk:
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.
