Modellere reelle situasjoner med funksjoner.
Matematisk modellering
Matematisk modellering handler om å bruke matematikk til å beskrive, analysere og forutsi fenomener i den virkelige verden. En matematisk modell er en forenklet representasjon av virkeligheten uttrykt gjennom matematiske uttrykk, likninger eller funksjoner.
Modellering er sentralt i mange fagfelt:
- Fysikk: Bevegelse, elektrisitet, bølger
- Biologi: Populasjonsvekst, spredning av sykdommer
- Økonomi: Renter, markedsutvikling, kostnader
- Miljø: Klimaendringer, forurensning
- Medisin: Nedbrytning av medisiner, tumorvekst
Modelleringsprosessen
Matematisk modellering følger en systematisk prosess med flere steg:
- Forstå situasjonen og hva vi vil undersøke
- Identifisere relevante variabler og sammenhenger
2. Velge modelltype
- Bestemme hvilken type funksjon som passer best
- Basert på hvordan variablene endrer seg
3. Bestemme parametere
- Bruke data til å finne konstanter i modellen
- Tilpasse modellen til observasjoner
4. Validere modellen
- Sjekke om modellen gir fornuftige resultater
- Sammenligne med eksisterende data
5. Tolke og anvende
- Bruke modellen til prediksjon
- Vurdere begrensninger
Velge riktig funksjonstype
Valget av funksjonstype avhenger av hvordan den avhengige variabelen endrer seg med den uavhengige. Her er de viktigste typene:
Kjennetegn:
- Konstant endringsrate (stigningstall )
- Rett linje i grafisk framstilling
- er proporsjonal med
Brukes når:
- Jevn vekst eller nedgang
- Kostnad med fast sats og variabel del
- Avstand ved konstant fart
Kjennetegn:
- Prosentvis vekst eller nedgang per tidsenhet
- Vekstfaktoren der er vekstraten
- Derivert proporsjonal med funksjonen selv:
Brukes når:
- Befolkningsvekst
- Radioaktiv nedbrytning
- Renters rente
- Temperaturendring (Newtons avkjølingslov)
Kjennetegn:
- Kan ha vendepunkter og ekstremalpunkter
- Andregradspolynomer gir parabelform
- Høyere grader gir mer komplekse kurver
Brukes når:
- Kastebevegelse (andregradsfunksjon)
- Optimering av areal/volum
- Tilnærming av komplekse sammenhenger
Parametere:
- = amplitude (halvparten av variasjonsbredden)
- der er perioden
- = faseforskyvning
- = vertikal forskyvning (middelverdi)
Brukes når:
- Periodiske fenomener
- Temperaturer gjennom året
- Tidevann
- Vekselstrøm
Kjennetegn:
- Skaleres med potenser av
- Dobbelt-logaritmisk plott gir rett linje
Brukes når:
- Geometriske størrelser (areal, volum)
- Allometriske sammenhenger i biologi
- Fysiske lover (gravitasjon, intensitet)
Parametere:
- = bæreevne (øvre grense)
- = vekstrate
- = konstant basert på startverdi
Brukes når:
- Begrenset vekst
- Spredning av sykdommer/rykter
- Adopsjon av ny teknologi
- Populasjonsvekst med begrensede ressurser
Eksempler fra virkeligheten
La oss se på hvordan vi modellerer ulike situasjoner med passende funksjonstyper.
En taxi tar 50 kr i startgebyr og 15 kr per kilometer.
a) Sett opp en modell for totalkostnaden som funksjon av kjørt distanse kilometer.
b) Hva koster en tur på 8 km?
c) Hvor langt kan man kjøre for 200 kr?
a) Kostnaden består av fast del (startgebyr) og variabel del (pris per km):
b) For km:
c) Løser :
Svar: a) b) 170 kr c) 10 km
En bakteriekoloni dobler seg hver 3. time. Ved tidspunkt er det 1000 bakterier.
a) Sett opp en modell for antall bakterier etter timer.
b) Hvor mange bakterier er det etter 12 timer?
c) Når er det 1 million bakterier?
a) Bakteriene dobler seg hver 3. time, så vekstfaktoren per time er:
Modellen blir:
eller ekvivalent:
b) Etter 12 timer:
c) Løser :
Svar: a) b) 16 000 bakterier c) etter ca. 29,9 timer
Karbon-14 har en halveringstid på 5730 år. Et fossilt bein inneholder 25 % av den opprinnelige mengden C-14.
a) Sett opp en modell for gjenværende mengde C-14 som funksjon av tid.
b) Hvor gammelt er fossilet?
a) Med halveringstid år får vi:
eller med -form: der
b) Når :
Svar: a) b) Fossilet er ca. 11 500 år gammelt.
a) Når er ballen på topp?
b) Hva er maksimalhøyden?
c) Når treffer ballen bakken?
a) Toppen nås når :
b) Maksimalhøyden:
c) Ballen treffer bakken når :
Svar: a) etter ca. 2,04 s b) ca. 20,4 m c) etter ca. 4,08 s
Gjennomsnittstemperaturen i en by varierer mellom i januar og i juli. La være månedsnummer ( for januar).
a) Bestem parameterne , , og for modellen .
b) Hva er modellert temperatur i april ()?
a)
- Middelverdi:
- Amplitude:
- Periode: 12 måneder, så
- Faseforskyvning: Minimum i januar (), så:
- For sinus: minimum når argumentet er
-
-
Modellen:
b) I april ():
Svar: a) , , , b)
Keplers tredje lov sier at kvadratet av en planets omløpstid er proporsjonalt med kuben av gjennomsnittlig avstand fra solen: .
For jorden er år og AU (astronomisk enhet).
a) Sett opp modellen for som funksjon av .
b) Mars har gjennomsnittlig avstand 1,52 AU fra solen. Finn omløpstiden.
a) Fra og jordens data (, ):
Altså: , som gir:
b) For Mars med AU:
(Faktisk omløpstid for Mars er 1,88 år - modellen stemmer godt!)
Svar: a) b) ca. 1,87 år
a) Hvor mange var smittet ved ?
b) Når er halvparten av befolkningen smittet?
c) Hva er veksthastigheten ved dager?
a) Ved :
b) Halvparten smittet betyr :
c) Veksthastigheten er . Ved :
For logistisk vekst:
Svar: a) 50 personer b) etter ca. 23 dager c) ca. 3070 nye smittede per dag
En biolog måler veksten til en plantepopulasjon og får følgende data:
| Tid (uker) | 0 | 2 | 4 | 6 |
|---|---|---|---|---|
| Antall | 100 | 180 | 320 | 580 |
Anta eksponentiell vekst .
a) Bestem og .
b) Hvor mange planter forventes etter 10 uker?
a) Fra :
For å finne , bruk to datapunkter. Med :
Sjekk med :
Dette stemmer bra med målt verdi 580.
Modellen:
b) Etter 10 uker:
Svar: a) og b) ca. 1820 planter
En kopp kaffe med temperatur plasseres i et rom med temperatur . Etter 10 minutter er kaffetemperaturen .
Newtons avkjølingslov:
a) Bestem konstanten .
b) Hva er temperaturen etter 30 minutter?
c) Når er kaffen ?
a) Vi har og , så:
Med :
b) Etter 30 minutter:
c) Når :
Svar: a) b) ca. c) etter ca. 37 minutter
Ved 50 km/t er bremselengden 12 meter.
a) Bestem konstanten .
b) Finn bremselengden ved 80 km/t.
c) Med hvilken fart kan man kjøre hvis bremselengden ikke skal overstige 50 meter?
a) Med m:
Modellen:
b) Ved 80 km/t:
c) Med :
Svar: a) b) ca. 30,7 m c) høyst ca. 102 km/t
Ved en kystby varierer vannstanden mellom 0,5 m og 3,5 m over referansenivået. Perioden er ca. 12,4 timer (halvt månedøgn). Høyvann inntreffer kl. 03:00.
a) Sett opp en modell for vannstanden der er timer etter midnatt.
b) Når er det lavvann?
c) Når kan en båt som trenger minst 2 m dybde, seile inn?
a)
- Middelverdi: m
- Amplitude: m
- Periode: timer, så
- Høyvann kl. 03:00, så cosinus med forskyvning:
b) Lavvann når , altså:
Lavvann er ca. kl. 09:12.
c) Trenger :
Dette er oppfylt når argumentet er i :
Svar: a) b) ca. kl. 09:12 c) fra ca. kl. 00:00 til kl. 06:00 (og tilsvarende 12,4 timer senere)
Atmosfærisk CO-konsentrasjon viser både langsiktig økning og sesongvariasjon. Data fra Mauna Loa viser:
- 1960: ca. 317 ppm
- 2020: ca. 414 ppm
- Årlig variasjon: ca. ppm med maksimum i mai
a) Sett opp en modell som inkluderer både trend og sesongvariasjon.
b) Beregn forventet verdi i desember 2025.
a) La være år etter 1960.
Trend: Tilnærmet eksponentiell, men ofte modellert lineært for kortere perioder:
(Vekst ca. ppm/år)
Sesongvariasjon: Periode 1 år, maksimum i mai (måned 5):
Kombinert modell:
b) Desember 2025 tilsvarer (65 år + 11/12):
Svar: a) b) ca. 421 ppm
Validere modeller
En modell må testes mot virkeligheten før den kan brukes til prediksjon.
- Beregn modellverdier for kjente datapunkter
- Finn avvik (residualer)
2. Grafisk validering
- Plott modell og data i samme diagram
- Se etter systematiske avvik
3. Statistiske mål
- Bestemmelseskoeffisienten
- Gjennomsnittlig kvadratisk avvik (RMSE)
4. Sjekke grenseverdier
- Gir modellen fornuftige verdier for , ?
5. Kryss-validering
- Del data i trenings- og testdatasett
- Tilpass modell på trening, valider på test
Vi har tilpasset modellen til følgende data:
| (målt) | |
|---|---|
| 1 | 5 |
| 2 | 8 |
| 3 | 12 |
| 4 | 13 |
| 5 | 16 |
Valider modellen ved å beregne avvik og .
Modellverdier:
| (målt) | (modell) | |
|---|---|---|
| 1 | 5 | 5,5 |
| 2 | 8 | 8,0 |
| 3 | 12 | 10,5 |
| 4 | 13 | 13,0 |
| 5 | 16 | 15,5 |
| Avvik | Avvik | |
| 1 | -0,5 | 0,25 |
| 2 | 0 | 0 |
| 3 | 1,5 | 2,25 |
| 4 | 0 | 0 |
| 5 | 0,5 | 0,25 |
Sum av kvadratiske avvik (SSE):
Gjennomsnitt av :
Total variasjon (SST):
-verdi:
Svar: . Modellen forklarer 96 % av variasjonen i dataene, og det er meget bra.
Begrensninger ved modeller
Alle modeller er forenklinger av virkeligheten og har begrensninger som må vurderes.
- Modeller gjelder bare innenfor et visst intervall
- Ekstrapolering (prediksjon utenfor dataområdet) er risikabelt
2. Forenklinger
- Modeller ignorerer ofte sekundære faktorer
- F.eks. luftmotstand, friksjon, forstyrrelser
3. Antakelser
- Eksponentiell vekst forutsetter ubegrensede ressurser
- Lineær modell forutsetter konstant endringsrate
4. Måleusikkerhet
- Data inneholder alltid målefeil
- Modellparametrene blir usikre
5. Endrede betingelser
- Forutsetningene kan endre seg over tid
- Modellen må oppdateres
Å bruke en modell utenfor dataområdet (ekstrapolering) kan gi svært upålitelige resultater.
Eksempel: En lineær modell for befolkningsvekst de siste 10 år kan ikke brukes til å forutsi befolkningen om 100 år - veksten er ikke lineær på lang sikt.
Ekstrapolering kan være nyttig for kortsiktige prediksjoner, men usikkerheten øker raskt med avstanden fra kjente data.
Modellen beskriver veksten i en bakteriekoloni der er timer.
Diskuter begrensningene ved denne modellen.
Gyldighetsområde:
- Modellen gir rimelige verdier for små
- For store blir tallene urealistisk store:
- millioner
- milliarder
Fysiske begrensninger:
- Bakterier trenger næring og plass
- Avfallsstoffer hoper seg opp
- Ressurser er endelige
Bedre modell:
Logistisk vekst tar hensyn til bæreevne:
Tidsavhengighet:
- Eksponentiell vekst gjelder bare i oppstartsfasen
- Modellen bør ha et angitt gyldighetsintervall, f.eks. timer
Svar: Modellen er nyttig for å forstå tidlig vekstdynamikk, men må erstattes med en mer realistisk modell for langsiktige prediksjoner.
Når øker det raskest?
I modeller spør vi ofte ikke bare hvor mye en størrelse er, men når den endrer seg raskest: når vannstanden stiger raskest, når datatrafikken øker mest, når akselerasjonen er størst.
Den momentane vekstfarten er . Spørsmålet «når øker raskest?» er derfor spørsmålet «når har sitt toppunkt?».
- Toppunktet til finner vi der og skifter fortegn fra til . Det er et vendepunkt på grafen til .
- Endepunktene i definisjonsmengden må også kontrolleres: der kan være større enn i toppunktet.
- På samme måte er akselerasjonen størst i toppunktet til , som vi finner der eller i et endepunkt. I det høyeste punktet på en bane er den vertikale farten .
I GeoGebra: Ekstremalpunkt(f', <start>, <slutt>) gir toppunktet til direkte.
der er målt i meter og er antall timer etter midnatt.
a) Når stiger vannstanden raskest?
b) Hvor raskt stiger vannstanden da?
a) Vekstfarten er
Vi finner toppunktet til :
:
:
For litt mindre enn er , så . For litt større er . Altså har et toppunkt i .
I skifter fortegn fra til , så der har et bunnpunkt: der synker vannstanden raskest.
Endepunktene: og , begge mindre enn .
timer er 1 time og 34 minutter.
b)
I GeoGebra: Ekstremalpunkt(h', 0, 12) gir .
Svar: a) Vannstanden stiger raskest om lag kl. 01:34. b) Da stiger den med om lag meter per time.
Oppgaver
Hvilken funksjonstype passer best for å modellere følgende situasjoner?
Kostnaden for å leie en bil der du betaler en fast døgnavgift pluss en pris per kilometer.
Verdien av en aksje som stiger med 5 % per år.
Høyden på en ball som kastes opp i luften.
Antall timer dagslys gjennom året.
Et mobilabonnement koster 199 kr/mnd pluss 0,50 kr per MB over inkludert datakvote.
a) Sett opp en modell for månedlig kostnad som funksjon av ekstra databruk MB.
b) Hva blir kostnaden hvis du bruker 500 MB over kvoten?
c) Du har budsjett på 350 kr/mnd. Hvor mye ekstra data kan du bruke?
En investering på 50 000 kr gir 4 % rente per år.
a) Sett opp en modell for beløpet etter år.
b) Hva er beløpet etter 10 år?
c) Når har beløpet doblet seg?
Et stoff brytes ned i kroppen slik at halvparten er borte etter 6 timer. Startdosen er 400 mg.
Sett opp en modell for gjenværende mengde etter timer.
Hvor mye er igjen etter 15 timer?
Når er det mindre enn 50 mg igjen?
Dybdetemperaturen i en innsjø gjennom året varierer mellom (februar) og (august). La være månedsnummer ( for januar).
Bestem amplitude, middelverdi og periode for modellen.
Sett opp modellen .
Hva er modellert temperatur i mai ()?
Følgende data viser sammenhengen mellom en bils fart (km/t) og stopplengde (meter):
| Fart | 30 | 50 | 70 | 90 |
|---|---|---|---|---|
| Stopplengde | 13 | 28 | 50 | 80 |
Plott dataene og avgjør om en lineær eller kvadratisk modell passer best.
Bestem i modellen ut fra målingen ved km/t, og vurder hvor godt modellen passer med de andre målingene.
Beregn forventet stopplengde ved 110 km/t.
Populasjonen i en by har vokst slik de siste årene (i tusen):
| År | 2010 | 2015 | 2020 |
|---|---|---|---|
| Befolkning | 45 | 52 | 60 |
Anta lineær vekst og finn modellen.
Anta eksponentiell vekst og finn modellen.
Sammenlign prediksjonene for 2030 med begge modeller.
En suppe med temperatur settes i et rom med temperatur . Etter 5 minutter er suppetemperaturen .
Sett opp modellen etter Newtons avkjølingslov.
Hva er temperaturen etter 15 minutter?
Når kan du spise suppen (ved )?
Et rykte sprer seg i en skole med 800 elever. I starten kjenner 5 elever ryktet. Etter 3 dager kjenner 100 elever det.
Bruk logistisk modell:
Bestem , og .
Når kjenner halvparten av elevene ryktet?
Når sprer ryktet seg raskest?
Strømforbruket i en husholdning varierer gjennom døgnet. Måledata viser:
- Minimumsforbruk: 0,5 kW (kl. 04:00)
- Maksimumsforbruk: 4,5 kW (kl. 16:00)
Sett opp en trigonometrisk modell for forbruket der er timer etter midnatt.
Hva er forbruket kl. 08:00?
Når på dagen er forbruket over 3 kW?
En forsker modellerer sammenhengen mellom kroppsvekt (kg) og hjertets slagfrekvens (slag/min) hos pattedyr med potensmodellen .
Data:
| Dyr | Vekt (kg) | Puls (slag/min) |
|---|---|---|
| Mus | 0,03 | 600 |
| Kanin | 2 | 200 |
| Menneske | 70 | 70 |
Ta logaritmen og vis at .
Bruk to datapunkter til å estimere og .
Beregn forventet puls for en elefant (5000 kg).
En fabrikk produserer varer med kostnad kroner for enheter.
Finn gjennomsnittskostnaden per enhet .
Finn produksjonsnivået som minimerer gjennomsnittskostnaden.
Vis at ved dette nivået er gjennomsnittskostnad lik marginalkostnad.
Havnivået i en fjord påvirkes av både tidevann (periode 12,4 timer) og en daglig variasjon (periode 24 timer).
Modell:
der er i meter og er timer etter midnatt.
Hva er havnivået ved midnatt ()?
Finn tidspunktene de første 12 timene der .
Hva er maksimalt og minimalt havnivå i løpet av et døgn (tilnærmet)?
En modell for global gjennomsnittstemperatur (relativt til 1900) er:
der er år etter 1900. Sinusleddet representerer solsyklusen.
Hva predikerer modellen for år 2000 og 2050?
Finn gjennomsnittlig temperaturøkning per tiår for perioden 2000-2050.
Diskuter minst to begrensninger ved denne modellen.
Du skal lage en modell for vindkraftverk-effekt. Effekten avhenger av vindhastigheten og følger tilnærmet:
Vindturbinen har makseffekt kW ved m/s.
Bestem konstanten .
Hva er effekten ved 8 m/s?
Diskuter hvorfor modellen er delt opp slik.
Under en epidemi ble det samlede antallet registrerte smittetilfeller talt hver femte dag:
| Dag | Tilfeller totalt |
|---|---|
| 0 | 23 |
| 5 | 100 |
| 10 | 420 |
| 15 | 1430 |
| 20 | 3080 |
| 25 | 4140 |
| 30 | 4490 |
Forklar hvorfor en ren eksponentiell modell ikke passer for hele datasettet.
Bruk logistisk regresjon til å finne en modell for det samlede antallet tilfeller.
Når var antallet nye tilfeller per dag størst ifølge modellen, og hvor mange nye tilfeller per dag var det da?
Diskuter minst tre faktorer som kan gjøre modellen upålitelig.
der er målt i gigabyte (GB) og er antall timer etter kl. 08:00.
Bestem og forklar hva betyr i denne sammenhengen.
Når øker datatrafikken raskest, og hvor raskt øker den da?
der er målt i meter per sekund og i sekunder.
Bestem akselerasjonen .
Når er akselerasjonen størst, og når er den minst? Hvor stor er den da?
der koordinatene er målt i meter.
Bestem fartsvektoren .
Når er ballen i sitt høyeste punkt, og hvor høyt er den da?
Bestem banefarten i det høyeste punktet. Forklar hvorfor banefarten er minst her.
Oppsummering
I dette kapittelet har du lært:
- Modelleringsprosessen: Forenkle problemet, velg modelltype, bestem parametere, bruk modellen, vurder gyldighet.
- Modelltyper: Lineær (), eksponentiell (), polynom, potens (), trigonometrisk () og logistisk modell.
- Valg av modell: Konstant endring per enhet → lineær; konstant prosentvis endring → eksponentiell; periodisk fenomen → trigonometrisk; vekst med metning → logistisk.
- Parametere fra data: Bruk kjente punkter til å sette opp likninger for parameterne.
- Vurdering: En modell gjelder bare innenfor sitt gyldighetsområde — vurder alltid svarene mot virkeligheten.
Nøkkelbegreper
| Begrep | Forklaring |
|---|---|
| Lineær modell | Konstant endring, |
| Eksponentiell modell | Konstant vekstfaktor, |
| Trigonometrisk modell | Periodiske fenomener |
| Logistisk modell | Vekst som flater ut mot en bæreevne |
Viktige formler
- 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.
