8.1 Matematisk modellering | Matematikk S1

Byggje, analysere og vurdere matematiske modellar for verkelege problem.

60 min

17 oppgaver

Matematisk modelleringModellbyggingValideringFøresetnaderAvgrensingar

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 17 oppgaver

Kapitlets plass i kurset

Brukes videre i

8.4Modellering med reelle datasett

Kva er matematisk modellering?

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

Eksempel på 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 på validering, eller gå tilbake til punkt 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 (S2, fordjuping)	$\displaystyle f(x) = \frac{K}{1 + ce^{-bx}}$	Avgrensa vekst

✏️Eksempel 1: Velje modell frå data

Ein bakteriekultur blir mált over tid:

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

Vel ein passande modell og bestem parametrane.

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

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

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

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

Validering:
- $f(4) = 100 \cdot 1{,}40^4 \approx 384$ (data: 410, avvik 6 %)
- $f(8) = 100 \cdot 1{,}40^8 \approx 1476$ (data: 1620, avvik 9 %)

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

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

Validering av modellar

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

Residual: $e_i = y_i - \hat{y}_i$ . Små og tilfeldig spreidde residual tyder på 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 så 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 når 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.

Svar: Ei endring på 25 % i koeffisienten gir 20–33 % endring i maksimal inntekt. Modellen er moderat sensitiv for denne parameteren.

Sensitivitetsanalyse

\pm 10\,\%

- Start med den enklaste modellen som kan vere rimeleg
- Bruk fagkunnskap til å 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 månader 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 når du bruker ein lineær modell for å beskrive prisutvikling på bustader over tid? Nemn minst tre.

📝Oppgave 4

Ei investering på 10 000 kr veks til 12 500 kr på 3 år. Set opp ein eksponentiell modell og finn den årlege vekstfaktoren. Estimer verdien etter 10 år.

📝Oppgave 5

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

📝Oppgave 6

Befolkninga i ein by blir mált:

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

Passar ein lineær eller eksponentiell modell best? Grunngi.

📝Oppgave 7

Ein modelleringsprosess har 6 steg. Beskriv 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 når koeffisienten til $x^2$ blir endra til $-2{,}5$ og $-3{,}5$ ?

📝Oppgave 9

Kaffi blir avkjølt etter Newtons lov: $T(t) = T_r + (T_0 - T_r)e^{-kt}$ . Målepunkt: $T(0) = 90°$ 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)	$C$
0	100
1	82
2	67
4	45
6	30
8	20

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

📝Oppgave 11

(Fordjuping, S2) Ein logistisk vekstmodell er $\displaystyle f(t) = \frac{1000}{1 + 9e^{-0{,}5t}}$ . Finn $f(0)$ , $f(10)$ og bæreevna $K$ . Når når 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 både ein lineær og ein eksponentiell modell, og diskuter kva for ein som er mest realistisk på 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.