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

8.4Modellering med reelle datasett

Hva er matematisk modellering?

Matematisk modellering er prosessen der vi bruker matematikk til å beskrive, forutsi og forstå virkelige fenomener. En modell er en forenklet matematisk representasjon av virkeligheten.

Eksempler på modeller du allerede kjenner:
- Lineær modell for bilpris som funksjon av alder
- Eksponentiell modell for bakterievekst
- Regresjonsmodell for sammenheng mellom variabler

Modelleringsprosessen

Matematisk modellering følger en syklisk prosess:

1. Problemformulering: Hva skal beskrives? Hvilke variabler er relevante?

2. Forenkling og antakelser: Hvilke faktorer er viktigst? Hva kan vi se bort fra?

3. Matematisk formulering: Velg modelltype (lineær, eksponentiell, osv.) og bestem parametere.

4. Løsning: Bruk modellen til beregninger og prediksjoner.

5. Validering: Sammenlign med virkeligheten. Passer modellen?

6. Forbedring: Juster modellen basert på validering, eller gå tilbake til punkt 2.

Prosessen er iterativ: vi forbedrer modellen trinnvis.

Vanlige modelltyper i S1

f(x) = ax + b

Modell	Formel	Typisk bruk
Lineær	$f(x) = ax + b$	Jevn vekst/nedgang
Kvadratisk	$f(x) = ax^2 + bx + c$	Kastkurver, optimering
Eksponentiell	$f(x) = a \cdot b^x$	Befolkning, renter, radioaktivitet
Potens	$f(x) = a \cdot x^b$	Naturvitenskap
Logistisk (S2, fordypning)	$\displaystyle f(x) = \frac{K}{1 + ce^{-bx}}$	Begrenset vekst

✏️Eksempel 1: Velge modell fra data

En bakteriekultur måles over tid:

$t$ (timer)	Antall
0	100
2	195
4	410
6	790
8	1620

Velg en passende modell og bestem parameterne.

Analyse: Antallet ser ut til å dobles omtrent annenhver time. Dette tyder på 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 %)
- $f(8) = 100 \cdot 1{,}40^8 \approx 1476$ (data: 1620, avvik 9 %)

Modellen passer rimelig godt, men undervurderer litt for store $t$ .

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

Validering av modeller

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

Residualer: $e_i = y_i - \hat{y}_i$ . Små og tilfeldig spredte residualer tyder på god modell.

$R^2$ -verdi: Andel forklart variasjon. $R^2 > 0{,}9$ regnes vanligvis som god tilpasning.

Grafisk kontroll: Tegn modellen sammen med datapunktene.

Ekstrapolasjon: Vurder om modellen gir rimelige svar utenfor dataområdet.

Modellens begrensninger

Ingen modell er perfekt. Viktige begrensninger:

- Ekstrapolasjon: Modellen gjelder bare i nærheten av datapunktene
- Forenkling: Viktige faktorer kan være utelatt
- Gyldighetsområde: Angi alltid for hvilke verdier modellen er rimelig

En eksponentiell vekstmodell for bakterier gjelder f.eks. bare så lenge næringstilgangen er god.

✏️Eksempel 2: Sensitivitetsanalyse

En bedrift modellerer inntekt med $I(x) = 500x - 2x^2$ der $x$ er pris (kr). Analyser modellens sensitivitet: hva skjer når koeffisienten til $x^2$ endres fra $-2$ 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: En 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 enkleste modellen som kan være rimelig
- Bruk fagkunnskap til å velge modelltype, ikke bare $R^2$
- Angi alltid antakelser og gyldighetsområde
- Sammenlikn gjerne flere modelltyper
- Vurder om modellen gir rimelige svar for ekstremverdier

📝Oppgave 1

Antall brukere av en app var 500 i januar og 650 i februar. Sett opp en lineær modell $f(x) = ax + b$ der $x$ er måneder etter januar, og estimer antall brukere i juni.

📝Oppgave 2

Beregn residualene for modellen $\hat{y} = 2x + 1$ med datapunktene $(1, 4)$ , $(2, 4)$ , $(3, 8)$ . Passer modellen godt?

📝Oppgave 3

Hvilke antakelser gjør du når du bruker en lineær modell for å beskrive prisutvikling på boliger over tid? Nevn minst tre.

📝Oppgave 4

En investering på 10 000 kr vokser til 12 500 kr på 3 år. Sett opp en eksponentiell modell og finn den årlige vekstfaktoren. Estimer verdien etter 10 år.

📝Oppgave 5

Forklar hva det betyr at en modell har $R^2 = 0{,}95$ . Gi et eksempel på en situasjon der modellen likevel er dårlig.

📝Oppgave 6

Befolkningen i en by måles:

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

Passer en lineær eller eksponentiell modell best? Begrunn.

📝Oppgave 7

En modelleringsprosess har 6 steg. Beskriv kort hvert steg med et konkret eksempel (velg selv tema).

📝Oppgave 8

Inntekten til en bedrift modelleres med $I(x) = 800x - 3x^2$ der $x$ er pris i kr. Utfør sensitivitetsanalyse: hva skjer med optimal pris og inntekt når koeffisienten til $x^2$ endres til $-2{,}5$ og $-3{,}5$ ?

📝Oppgave 9

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

📝Oppgave 10

Et legemiddel brytes ned i kroppen. Konsentrasjonen (mg/L) måles:

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

Sett opp en eksponentiell modell, valider den og vurder når konsentrasjonen er under 10 mg/L.

📝Oppgave 11

(Fordypning, S2) En logistisk vekstmodell er $\displaystyle f(t) = \frac{1000}{1 + 9e^{-0{,}5t}}$ . Finn $f(0)$ , $f(10)$ og bæreevnen $K$ . Når når populasjonen 500?

📝Oppgave 12

Du skal modellere mengden plast i havet. Data viser 50 millioner tonn i 2000 og 150 millioner tonn i 2020. Sett opp både en lineær og en eksponentiell modell, og diskuter hvilken som er mest realistisk på lang sikt. Hva er svakheten ved begge?

Oppsummering

I dette kapittelet har du lært:

- Modelleringsprosessen: Virkelig problem → matematisk modell → løsning → tolkning → validering — og gjerne flere runder.
- Modellvalg: Lineær (fast absolutt endring), eksponentiell (fast prosentvis endring), kvadratisk (med topp-/bunnpunkt), logistisk (vekst som flater ut).
- Validering: Sammenlign modellens prediksjoner med observasjoner; vurder avvik og gyldighetsområde.
- Sensitivitetsanalyse: Undersøk hvor mye resultatet endres når forutsetningene endres litt.

Nøkkelbegreper

Begrep	Forklaring
Modell	Forenklet matematisk beskrivelse
Validering	Test av modellen mot virkeligheten
Gyldighetsområde	Hvor modellen kan brukes
Sensitivitetsanalyse	Følsomhet for endrede forutsetninger

Viktige formler

- Lineær:

y = ax + b

- Eksponentiell:

y = a \cdot b^x

- Relativt avvik

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

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.