8.1 Matematisk modellering | Matematikk S1

Bygge, analysere og vurdere matematiske modeller for virkelige problemer.

60 min

17 oppgaver

Matematisk modelleringModellbyggingValideringForutsetningerBegrensninger

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 17 oppgaver

Kapitlets plass i kurset

Brukes videre i

8.2Lineær programmering 8.4Modellering med reelle datasett

Kva er matematisk modellering?

Matematisk modellering er prosessen der vi bruker matematikk til a beskrive, forutsjå og forstå verkelege fenomen. Ein modell er ein forenkla matematisk representasjon av verkelegheita.

Eksempel pa modellar du allereie kjenner:
- Lineær modell for bilpris som funksjon av alder
- Eksponentiell modell for bakterievekst
- Regresjonsmodell for samanheng mellom variablar

Modelleringsprosessen

Matematisk modellering følgjer ein syklisk prosess:

1. Problemformulering: Kva skal beskrivast? Kva for variablar er relevante?

2. Forenkling og antakingar: Kva for faktorar er viktigast? Kva kan vi sjå bort frå?

3. Matematisk formulering: Vel modelltype (lineær, eksponentiell, osv.) og bestem parametrar.

4. Løysing: Bruk modellen til utrekningar og prediksjonar.

5. Validering: Samanlikn med verkelegheita. Passar modellen?

6. Forbetring: Juster modellen basert pa validering, eller ga tilbake til steg 2.

Prosessen er iterativ: vi forbetrar modellen trinnvis.

Vanlege modelltypar i S1

f(x) = ax + b

Modell	Formel	Typisk bruk
Lineær	$f(x) = ax + b$	Jamn vekst/nedgang
Kvadratisk	$f(x) = ax^2 + bx + c$	Kastkurver, optimering
Eksponentiell	$f(x) = a \cdot b^x$	Befolkning, renter, radioaktivitet
Potens	$f(x) = a \cdot x^b$	Naturvitskap
Logistisk	$\displaystyle f(x) = \frac{K}{1 + ce^{-bx}}$	Avgrensa vekst

✏️Eksempel 1: Velje modell frå data

Ein bakteriekultur blir mált over tid:

$t$ (timar)	0	2	4	6	8
Tal	100	195	410	790	1620

Vel ein passande modell og bestem parametrane.

Analyse: Talet ser ut til a doble seg omtrent annankvar time. Dette tyder pa eksponentiell vekst.

Modell: $f(t) = 100 \cdot b^t$

Fra $f(2) = 195$ : $b^2 = 1{,}95$ , $b = \sqrt{1{,}95} \approx 1{,}396$

$f(t) \approx 100 \cdot 1{,}40^t$

Validering:
- $f(4) = 100 \cdot 1{,}40^4 \approx 384$ (data: 410, avvik 6 %)
- $f(8) = 100 \cdot 1{,}40^8 \approx 1475$ (data: 1620, avvik 9 %)

Modellen passar rimeleg godt, men undervurderer litt for store $t$ .

Validering av modellar

For a vurdere om ein modell er god, bruker vi:

Residual: $e_i = y_i - \hat{y}_i$ . Sma og tilfeldig spreidde residual tyder pa god modell.

$R^2$ -verdi: Del av forklart variasjon. $R^2 > 0{,}9$ blir vanlegvis rekna som god tilpassing.

Grafisk kontroll: Teikn modellen saman med datapunkta.

Ekstrapolasjon: Vurder om modellen gir rimelege svar utanfor dataomradet.

Avgrensingane til modellen

Ingen modell er perfekt. Viktige avgrensingar:

- Ekstrapolasjon: Modellen gjeld berre i nærleiken av datapunkta
- Forenkling: Viktige faktorar kan vere utelatne
- Gyldigheitsomrade: Angi alltid for kva for verdiar modellen er rimeleg

Ein eksponentiell vekstmodell for bakteriar gjeld t.d. berre sa lenge næringstilgangen er god.

✏️Eksempel 2: Sensitivitetsanalyse

Ei bedrift modellerer inntekt med $I(x) = 500x - 2x^2$ der $x$ er pris (kr). Analyser sensitiviteten til modellen: kva skjer nar koeffisienten til $x^2$ blir endra frå $-2$ til $-2{,}5$ og $-1{,}5$ ?

Optimal pris:

I'(x) = 500 - 4x = 0 \Rightarrow x = 125

I(125) = 31\,250

kr.

Med $-2{,}5$ : $I'(x) = 500 - 5x = 0 \Rightarrow x = 100$ , $I(100) = 25\,000$ kr.

Med $-1{,}5$ : $I'(x) = 500 - 3x = 0 \Rightarrow x \approx 167$ , $I(167) \approx 41\,667$ kr.

Konklusjon: Ei endring pa 25 % i koeffisienten gir 20-33 % endring i optimal inntekt. Modellen er moderat sensitiv for denne parameteren.

Sensitivitetsanalyse

\pm 10\,\%

- Start med den enklaste modellen som kan vere rimeleg
- Bruk fagkunnskap til a velje modelltype, ikkje berre $R^2$
- Angi alltid antakingar og gyldigheitsomrade
- Samanlikn gjerne fleire modelltypar
- Vurder om modellen gir rimelege svar for ekstremverdiar

📝Oppgave 1

Talet på brukarar av ein app var 500 i januar og 650 i februar. Set opp ein lineær modell $f(x) = ax + b$ der $x$ er manader etter januar, og estimer talet på brukarar i juni.

📝Oppgave 2

Rekn ut residuala for modellen $\hat{y} = 2x + 1$ med datapunkta $(1, 4)$ , $(2, 4)$ , $(3, 8)$ . Passar modellen godt?

📝Oppgave 3

Kva for antakingar gjer du nar du bruker ein lineær modell for a beskrive prisutvikling pa bustader over tid? Nemn minst tre.

📝Oppgave 4

Ei investering pa 10 000 kr veks til 12 500 kr pa 3 ar. Set opp ein eksponentiell modell og finn den arlege vekstfaktoren. Estimer verdien etter 10 ar.

📝Oppgave 5

Forklar kva det tyder at ein modell har $R^2 = 0{,}95$ . Gi eit eksempel pa ein situasjon der modellen likevel er darleg.

📝Oppgave 6

Befolkninga i ein by blir mált:

Ar	2000	2005	2010	2015	2020
Befolkning	50 000	54 000	57 500	60 200	62 000

Passar ein lineær eller eksponentiell modell best? Grunngi.

📝Oppgave 7

Ein modelleringsprosess har 6 steg. Skildra kort kvart steg med eit konkret eksempel (vel sjølv tema).

📝Oppgave 8

Inntekta til ei bedrift blir modellert med $I(x) = 800x - 3x^2$ der $x$ er pris i kr. Utfør sensitivitetsanalyse: kva skjer med optimal pris og inntekt nar koeffisienten til $x^2$ blir endra til $-2{,}5$ og $-3{,}5$ ?

📝Oppgave 9

Kaffi blir avkjølt etter Newtons lov: $T(t) = T_r + (T_0 - T_r)e^{-kt}$ . Malepunkt: $T(0) = 90°$ C, $T(5) = 72°$ C, romtemp $T_r = 22°$ C. Finn $k$ og estimer temperaturen etter 15 minutt. Valider mot $T(10) = 58°$ C.

📝Oppgave 10

Eit legemiddel blir brote ned i kroppen. Konsentrasjonen (mg/L) blir mált:

$t$ (timar)	0	1	2	4	6	8
$C$	100	82	67	45	30	20

Set opp ein eksponentiell modell, valider han og vurder nar konsentrasjonen er under 10 mg/L.

📝Oppgave 11

Ein logistisk vekstmodell er $\displaystyle f(t) = \frac{1000}{1 + 9e^{-0{,}5t}}$ . Finn $f(0)$ , $f(10)$ og bæreevna $K$ . Nar nar populasjonen 500?

📝Oppgave 12

Du skal modellere mengda plast i havet. Data viser 50 millionar tonn i 2000 og 150 millionar tonn i 2020. Set opp bade ein lineær og ein eksponentiell modell, og diskuter kva for ein som er mest realistisk pa lang sikt. Kva er svakheita ved begge?

Oppsummering

I dette kapittelet har du lært:

- Modelleringsprosessen: Verkeleg problem → matematisk modell → løysing → tolking → validering — og gjerne fleire rundar.
- Modellval: Lineær (fast absolutt endring), eksponentiell (fast prosentvis endring), kvadratisk (med topp-/botnpunkt), logistisk (vekst som flatar ut).
- Validering: Samanlikn prediksjonane til modellen med observasjonar; vurder avvik og gyldigheitsområde.
- Sensitivitetsanalyse: Undersøk kor mykje resultatet endrar seg når føresetnadene endrar seg litt.

Nøkkelomgrep

Omgrep	Forklaring
Modell	Forenkla matematisk skildring
Validering	Test av modellen mot verkelegheita
Gyldigheitsområde	Kvar modellen kan brukast
Sensitivitetsanalyse	Følsemd for endra føresetnader

Viktige formlar

- Lineær:

y = ax + b

- Eksponentiell:

y = a \cdot b^x

- Relativt avvik

= \dfrac{|\text{observert} - \text{modell}|}{\text{observert}}

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.