6.4
Matematisk modellering

6.4 Matematisk modellering

Modellere reelle situasjoner med funksjoner.

55 min
21 oppgaver
ModelleringFunksjonsvalgValideringTolkning
Du leser den tradisjonelle versjonen
Din fremgang i kapitlet
0 / 21 oppgaver
Kapitlets plass i kurset

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:

De fem stegene i modelleringsprosessen
1. Identifisere problemet
- 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:

Lineær modell
f(x)=ax+bf(x) = ax + b

Kjennetegn:
- Konstant endringsrate (stigningstall aa)
- Rett linje i grafisk framstilling
- Δy\Delta y er proporsjonal med Δx\Delta x

Brukes når:
- Jevn 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}

Kjennetegn:
- Prosentvis vekst eller nedgang per tidsenhet
- Vekstfaktoren b=1+rb = 1 + r der rr er vekstraten
- Derivert proporsjonal med funksjonen selv: f′(x)=k⋅f(x)f'(x) = k \cdot f(x)

Brukes når:
- Befolkningsvekst
- Radioaktiv nedbrytning
- 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

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

Trigonometrisk modell
f(t)=Asin⁡(ωt+φ)+Df(t) = A \sin(\omega t + \varphi) + D

Parametere:
- AA = amplitude (halvparten av variasjonsbredden)
- ω=2πT\displaystyle \omega = \frac{2\pi}{T} der TT er perioden
- φ\varphi = faseforskyvning
- DD = vertikal forskyvning (middelverdi)

Brukes når:
- Periodiske fenomener
- Temperaturer gjennom året
- Tidevann
- Vekselstrøm

Potensmodell
f(x)=a⋅xnf(x) = a \cdot x^n

Kjennetegn:
- Skaleres med potenser av xx
- Dobbelt-logaritmisk plott gir rett linje

Brukes når:
- Geometriske størrelser (areal, volum)
- Allometriske sammenhenger i biologi
- Fysiske lover (gravitasjon, intensitet)

Logistisk modell
f(t)=K1+Ce−rtf(t) = \frac{K}{1 + Ce^{-rt}}

Parametere:
- KK = bæreevne (øvre grense)
- rr = vekstrate
- CC = 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.

✏️Eksempel 1: Taxikostnad (lineær modell)

En taxi tar 50 kr i startgebyr og 15 kr per kilometer.

a) Sett opp en modell for totalkostnaden K(x)K(x) som funksjon av kjørt distanse xx kilometer.
b) Hva koster en tur på 8 km?
c) Hvor langt kan man kjøre for 200 kr?

Løsning:

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) Løser 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

✏️Eksempel 2: Bakterievekst (eksponentiell modell)

En bakteriekoloni dobler seg hver 3. time. Ved tidspunkt t=0t = 0 er det 1000 bakterier.

a) Sett opp en modell for antall bakterier N(t)N(t) etter tt timer.
b) Hvor mange bakterier er det etter 12 timer?
c) Når er det 1 million bakterier?

Løsning:

a) Bakteriene dobler seg hver 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 timer:
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) Løser 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 timert \approx 29{,}9 \text{ timer}

Svar: a) N(t)=1000⋅2t/3N(t) = 1000 \cdot 2^{t/3} b) 16 000 bakterier c) etter ca. 29,9 timer

✏️Eksempel 3: Radioaktiv nedbrytning (eksponentiell modell)

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?

Løsning:

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 gammelt.

✏️Eksempel 4: Kastebevegelse (polynommodell)
En ball kastes rett opp med starthastighet v0=20v_0 = 20 m/s fra bakkenivå. Høyden over bakken etter tt sekunder 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) Hva er maksimalhøyden?
c) Når treffer ballen bakken?

Løsning:

a) Toppen nås 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) Maksimalhøyden:
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 treffer 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

✏️Eksempel 5: Årlig temperaturvariasjon (trigonometrisk modell)

Gjennomsnittstemperaturen i en by varierer mellom −5°C-5°C i januar og +15°C+15°C i juli. La tt være månedsnummer (t=1t = 1 for januar).

a) Bestem parameterne AA, ω\omega, φ\varphi og DD for modellen T(t)=Asin⁡(ωt+φ)+DT(t) = A\sin(\omega t + \varphi) + D.
b) Hva er modellert temperatur i april (t=4t = 4)?

Løsning:

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 måneder, 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

✏️Eksempel 6: Keplers tredje lov (potensmodell)

Keplers tredje lov sier at kvadratet av en planets omløpstid TT er proporsjonalt med kuben av gjennomsnittlig avstand rr fra solen: T2∝r3T^2 \propto r^3.

For jorden er T=1T = 1 år og r=1r = 1 AU (astronomisk enhet).

a) Sett opp modellen for TT som funksjon av rr.
b) Mars har gjennomsnittlig avstand 1,52 AU fra solen. Finn omløpstiden.

Løsning:

a) Fra T2=k⋅r3T^2 = k \cdot r^3 og jordens 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 omløpstid for Mars er 1,88 år - modellen stemmer godt!)

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

✏️Eksempel 7: Epidemispredning (logistisk modell)
I en by med 50 000 innbyggere starter en epidemi. Antall smittede etter tt dager modelleres med:
I(t)=50 0001+999⋅e−0,3tI(t) = \frac{50\,000}{1 + 999 \cdot e^{-0{,}3t}}

a) Hvor mange var smittet ved t=0t = 0?
b) Når er halvparten av befolkningen smittet?
c) Hva er veksthastigheten ved t=20t = 20 dager?

Løsning:

a) Ved t=0t = 0:
I(0)=50 0001+999⋅e0=50 0001000=50 personerI(0) = \frac{50\,000}{1 + 999 \cdot e^0} = \frac{50\,000}{1000} = 50 \text{ personer}

b) Halvparten smittet 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 dagert = \frac{\ln(999)}{0{,}3} \approx \frac{6{,}91}{0{,}3} \approx 23 \text{ dager}

c) Veksthastigheten 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 smittede per dag\begin{aligned} I'(20) &= 0{,}3 \cdot 14\,380 \cdot \left(1 - \frac{14\,380}{50\,000}\right) \\ &\approx 3070 \text{ nye smittede per dag} \end{aligned}

Svar: a) 50 personer b) etter ca. 23 dager c) ca. 3070 nye smittede per dag

✏️Eksempel 8: Bestemme parametere fra måledata

En biolog måler veksten til en plantepopulasjon og får følgende data:

Tid (uker)0246
Antall100180320580

Anta eksponentiell vekst N(t)=N0⋅ektN(t) = N_0 \cdot e^{kt}.
a) Bestem N0N_0 og kk.

b) Hvor mange planter forventes etter 10 uker?

Løsning:

a) Fra t=0t = 0: N0=100N_0 = 100

For å finne kk, bruk to datapunkter. 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 uker:
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 planter

✏️Eksempel 9: Avkjøling av kaffe (Newtons avkjølingslov)

En kopp kaffe med temperatur 90°C90°C plasseres i et rom med temperatur 20°C20°C. Etter 10 minutter er kaffetemperaturen 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) Hva er temperaturen etter 30 minutter?
c) Når er kaffen 40°C40°C?

Løsning:

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 minutter:
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 minuttert = \frac{-\ln(2/7)}{0{,}0336} = \frac{\ln(3{,}5)}{0{,}0336} \approx 37 \text{ minutter}

Svar: a) k≈0,0336k \approx 0{,}0336 b) ca. 45,5 °C45{,}5\,°C c) etter ca. 37 minutter

✏️Eksempel 10: Bremselengde (polynommodell)
Bremselengden ss for en bil er tilnærmet proporsjonal med kvadratet av farten vv:
s(v)=kv2s(v) = kv^2

Ved 50 km/t er bremselengden 12 meter.

a) Bestem konstanten kk.
b) Finn bremselengden ved 80 km/t.
c) Med hvilken fart kan man kjøre hvis bremselengden ikke skal overstige 50 meter?

Løsning:

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) høyst ca. 102 km/t

✏️Eksempel 11: Tidevann (trigonometrisk modell)

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 h(t)h(t) der tt er timer etter midnatt.
b) Når er det lavvann?
c) Når kan en båt som trenger minst 2 m dybde, seile inn?

Løsning:

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 timer, så ω=2π12,4≈0,507\displaystyle \omega = \frac{2\pi}{12{,}4} \approx 0{,}507
- Høyvann 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) Lavvann 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 timert \approx 9{,}2 \text{ timer}

Lavvann er ca. kl. 09:12.

c) Trenger 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) fra ca. kl. 00:00 til kl. 06:00 (og tilsvarende 12,4 timer senere)

✏️Eksempel 12: CO2-konsentrasjon (kombinert modell)

Atmosfærisk CO2_2-konsentrasjon viser både langsiktig økning og sesongvariasjon. Data fra Mauna Loa viser:
- 1960: ca. 317 ppm
- 2020: ca. 414 ppm
- Årlig variasjon: ca. ±3\pm 3 ppm med maksimum i mai

a) Sett opp en modell som inkluderer både trend og sesongvariasjon.
b) Beregn forventet verdi i desember 2025.

Løsning:

a) La tt være år etter 1960.

Trend: Tilnærmet eksponentiell, men ofte modellert lineært for kortere perioder:
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 (måned 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 tilsvarer 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 modeller

En modell må testes mot virkeligheten før den kan brukes til prediksjon.

Valideringsmetoder
1. Sammenligne med data
- 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 R2R^2
- Gjennomsnittlig kvadratisk avvik (RMSE)

4. Sjekke grenseverdier
- Gir modellen fornuftige verdier 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

✏️Eksempel 13: Validering av modell

Vi har tilpasset modellen y=2,5x+3y = 2{,}5x + 3 til følgende data:

xxyy (målt)
15
28
312
413
516

Valider modellen ved å beregne avvik og R2R^2.

Løsning:

Modellverdier:

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 dataene, og det er meget bra.

Begrensninger ved modeller

Alle modeller er forenklinger av virkeligheten og har begrensninger som må vurderes.

Typiske begrensninger
1. Gyldighetsområde
- 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

✏️Eksempel 14: Begrensninger ved modell

Modellen N(t)=1000⋅e0,1tN(t) = 1000 \cdot e^{0{,}1t} beskriver veksten i en bakteriekoloni der tt er timer.

Diskuter begrensningene ved denne modellen.

Løsning:

Gyldighetsområde:
- Modellen gir rimelige verdier for små tt
- For store tt blir tallene urealistisk store:
- N(100)=1000⋅e10≈22N(100) = 1000 \cdot e^{10} \approx 22 millioner
- N(200)=1000⋅e20≈485N(200) = 1000 \cdot e^{20} \approx 485 milliarder

Fysiske begrensninger:
- Bakterier trenger næring og plass
- Avfallsstoffer hoper seg opp
- Ressurser er endelige

Bedre modell:
Logistisk vekst tar hensyn til bæreevne:
N(t)=K1+(K/N0−1)e−rtN(t) = \frac{K}{1 + (K/N_0 - 1)e^{-rt}}

Tidsavhengighet:
- Eksponentiell vekst gjelder bare i oppstartsfasen
- Modellen bør ha et angitt gyldighetsintervall, f.eks. 0≤t≤240 \leq t \leq 24 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 f′(t)f'(t). Spørsmålet «når øker ff raskest?» er derfor spørsmålet «når har f′f' sitt toppunkt?».

- Toppunktet til f′f' finner vi der f′′(t)=0f''(t) = 0 og f′′f'' skifter fortegn fra ++ til −-. Det er et vendepunkt på grafen til ff.
- Endepunktene i definisjonsmengden må også kontrolleres: der kan f′f' være større enn i toppunktet.
- På samme måte er akselerasjonen a(t)=v′(t)a(t) = v'(t) størst i toppunktet til aa, som vi finner der a′(t)=0a'(t) = 0 eller i et endepunkt. I det høyeste punktet på en bane er den vertikale farten 00.

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

✏️Eksempel 15: Når stiger vannstanden raskest?
Vannstanden i en havn 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 antall timer etter midnatt.

a) Når stiger vannstanden raskest?

b) Hvor raskt stiger vannstanden da?

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 finner 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' et toppunkt i t≈1,57t \approx 1{,}57.

I t≈7,73t \approx 7{,}73 skifter h′′h'' fortegn fra −- til ++, så der har h′h' et bunnpunkt: der synker vannstanden raskest.

Endepunktene: 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 timer er 1 time og 34 minutter.

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) Vannstanden stiger raskest om lag kl. 01:34. b) Da stiger den med om lag 0,710{,}71 meter per time.

Oppgaver

📝Oppgave 6.4.1

Hvilken funksjonstype passer best for å modellere følgende situasjoner?

a

Kostnaden for å leie en bil der du betaler en fast døgnavgift pluss en pris per kilometer.

b

Verdien av en aksje som stiger med 5 % per år.

c

Høyden på en ball som kastes opp i luften.

d

Antall timer dagslys gjennom året.

📝Oppgave 6.4.2

Et mobilabonnement koster 199 kr/mnd pluss 0,50 kr per MB over inkludert datakvote.

a) Sett opp en modell for månedlig kostnad K(x)K(x) som funksjon av ekstra databruk xx 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?

📝Oppgave 6.4.3

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

a) Sett opp en modell for beløpet B(t)B(t) etter tt år.
b) Hva er beløpet etter 10 år?
c) Når har beløpet doblet seg?

📝Oppgave 6.4.4

Et stoff brytes ned i kroppen slik at halvparten er borte etter 6 timer. Startdosen er 400 mg.

a

Sett opp en modell for gjenværende mengde M(t)M(t) etter tt timer.

b

Hvor mye er igjen etter 15 timer?

c

Når er det mindre enn 50 mg igjen?

Løs oppgaven
📝Oppgave 6.4.5

Dybdetemperaturen i en innsjø gjennom året varierer mellom 4°C4°C (februar) og 18°C18°C (august). La tt være månedsnummer (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

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

Løs oppgaven
📝Oppgave 6.4.6

Følgende data viser sammenhengen mellom en bils fart (km/t) og stopplengde (meter):

Fart30507090
Stopplengde13285080

a

Plott dataene og avgjør om en lineær eller kvadratisk modell passer best.

b

Bestem kk i modellen s(v)=kv2s(v) = kv^2 ut fra målingen ved 5050 km/t, og vurder hvor godt modellen passer med de andre målingene.

c

Beregn forventet stopplengde ved 110 km/t.

Løs oppgaven
📝Oppgave 6.4.7

Populasjonen i en by har vokst slik de siste årene (i tusen):

År201020152020
Befolkning455260

a

Anta lineær vekst og finn modellen.

b

Anta eksponentiell vekst og finn modellen.

c

Sammenlign prediksjonene for 2030 med begge modeller.

Løs oppgaven
📝Oppgave 6.4.8

En suppe med temperatur 85°C85°C settes i et rom med temperatur 22°C22°C. Etter 5 minutter er suppetemperaturen 70°C70°C.

a

Sett opp modellen etter Newtons avkjølingslov.

b

Hva er temperaturen etter 15 minutter?

c

Når kan du spise suppen (ved 50°C50°C)?

📝Oppgave 6.4.9

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: R(t)=K1+Ce−rt\displaystyle R(t) = \frac{K}{1 + Ce^{-rt}}

a

Bestem KK, CC og rr.

b

Når kjenner halvparten av elevene ryktet?

c

Når sprer ryktet seg raskest?

📝Oppgave 6.4.10

Strømforbruket i en husholdning varierer gjennom døgnet. Måledata viser:
- Minimumsforbruk: 0,5 kW (kl. 04:00)
- Maksimumsforbruk: 4,5 kW (kl. 16:00)

a

Sett opp en trigonometrisk modell for forbruket P(t)P(t) der tt er timer etter midnatt.

b

Hva er forbruket kl. 08:00?

c

Når på dagen er forbruket over 3 kW?

📝Oppgave 6.4.11

En forsker modellerer sammenhengen mellom kroppsvekt WW (kg) og hjertets slagfrekvens 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 datapunkter til å estimere aa og bb.

c

Beregn forventet puls for en elefant (5000 kg).

📝Oppgave 6.4.12

En fabrikk produserer varer med kostnad K(x)=1000+50x+0,1x2K(x) = 1000 + 50x + 0{,}1x^2 kroner for xx enheter.

a

Finn gjennomsnittskostnaden per enhet 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 en fjord påvirkes av både tidevann (periode 12,4 timer) og en daglig variasjon (periode 24 timer).

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 timer etter midnatt.

a

Hva er havnivået ved midnatt (t=0t = 0)?

b

Finn tidspunktene de første 12 timene der h′(t)=0h'(t) = 0.

c

Hva er maksimalt og minimalt havnivå i løpet av et døgn (tilnærmet)?

Løs oppgaven
📝Oppgave 6.4.14

En 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

Hva predikerer modellen for år 2000 og 2050?

b

Finn gjennomsnittlig temperaturøkning per tiår for perioden 2000-2050.

c

Diskuter minst to begrensninger ved denne modellen.

📝Oppgave 6.4.15

Du skal lage en modell for vindkraftverk-effekt. Effekten PP avhenger av vindhastigheten vv og følger tilnærmet:

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

Hva er effekten ved 8 m/s?

c

Diskuter hvorfor modellen er delt opp slik.

Løs oppgaven
📝Oppgave 6.4.16
Prosjektoppgave: Modellering av en epidemi

Under en epidemi ble det samlede antallet registrerte smittetilfeller talt hver femte dag:

DagTilfeller totalt
023
5100
10420
151430
203080
254140
304490
a

Forklar hvorfor en ren eksponentiell modell ikke passer for hele datasettet.

b

Bruk logistisk regresjon til å finne en modell N(t)N(t) for det samlede antallet tilfeller.

c

Når var antallet nye tilfeller per dag størst ifølge modellen, og hvor mange nye tilfeller per dag var det da?

d

Diskuter minst tre faktorer som kan gjøre modellen upålitelig.

📝Oppgave 6.4.17
Datatrafikken i et 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 antall timer etter kl. 08:00.

a

Bestem D′(t)D'(t) og forklar hva D′(t)D'(t) betyr i denne sammenhengen.

b

Når øker datatrafikken raskest, og hvor raskt øker den da?

📝Oppgave 6.4.18
Farten til en modellbil de første 5 sekundene 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 sekunder.

a

Bestem akselerasjonen a(t)a(t).

b

Når er akselerasjonen størst, og når er den minst? Hvor stor er den da?

📝Oppgave 6.4.19
En ball kastes, og posisjonen etter tt sekunder er gitt ved

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

der koordinatene er målt i meter.

a

Bestem fartsvektoren v⃗(t)\vec{v}(t).

b

Når er ballen i sitt høyeste punkt, og hvor høyt er den da?

c

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 (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.
- 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


BegrepForklaring
Lineær modellKonstant endring, f(x)=ax+bf(x) = ax + b
Eksponentiell modellKonstant vekstfaktor, f(x)=a⋅bxf(x) = a \cdot b^x
Trigonometrisk modellPeriodiske fenomener
Logistisk modellVekst som flater ut mot en bæreevne

Viktige formler


- 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
Repetisjonsoppgaver
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.