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

Hva er matematisk modellering?

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

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

Modelleringsprosessen

Matematisk modellering folger 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. Losning: Bruk modellen til beregninger og prediksjoner.

5. Validering: Sammenlign med virkeligheten. Passer modellen?

6. Forbedring: Juster modellen basert pa validering, eller ga tilbake til steg 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	$\displaystyle f(x) = \frac{K}{1 + ce^{-bx}}$	Begrenset vekst

✏️Eksempel 1: Velge modell fra data

En bakteriekultur males over tid:

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

Velg en passende modell og bestem parameterne.

Analyse: Antallet ser ut til a dobles omtrent annenhver 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 passer rimelig godt, men undervurderer litt for store $t$ .

Validering av modeller

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

Residualer: $e_i = y_i - \hat{y}_i$ . Sma og tilfeldig spredte residualer tyder pa 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 dataomradet.

Modellens begrensninger

Ingen modell er perfekt. Viktige begrensninger:

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

En eksponentiell vekstmodell for bakterier gjelder f.eks. bare sa lenge naeringstilgangen 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 nar 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.

Konklusjon: En 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 enkleste modellen som kan være rimelig
- Bruk fagkunnskap til a velge modelltype, ikke bare $R^2$
- Angi alltid antakelser og gyldighetsomrade
- 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 maneder 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 gjor du nar du bruker en lineær modell for a beskrive prisutvikling pa boliger over tid? Nevn minst tre.

📝Oppgave 4

En investering pa 10 000 kr vokser til 12 500 kr pa 3 ar. Sett opp en eksponentiell modell og finn den arlige vekstfaktoren. Estimer verdien etter 10 ar.

📝Oppgave 5

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

📝Oppgave 6

Befolkningen i en by males:

Ar	2000	2005	2010	2015	2020
Befolkning	50 000	54 000	57 500	60 200	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. Utfor sensitivitetsanalyse: hva skjer med optimal pris og inntekt nar koeffisienten til $x^2$ endres til $-2{,}5$ og $-3{,}5$ ?

📝Oppgave 9

Kaffe avkjoles etter Newtons lov: $T(t) = T_r + (T_0 - T_r)e^{-kt}$ . Malepunkter: $T(0) = 90°$ 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) males:

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

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

📝Oppgave 11

En logistisk vekstmodell er $\displaystyle f(t) = \frac{1000}{1 + 9e^{-0{,}5t}}$ . Finn $f(0)$ , $f(10)$ og bæreevnen $K$ . Nar nar 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 bade en lineær og en eksponentiell modell, og diskuter hvilken som er mest realistisk pa 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.