Skip to main content

6  Modellering

En matematisk modell er en forenklet beskrivelse av virkeligheten med matematikk. Modeller brukes til å forutsi folketall, beregne lånekostnader, planlegge strømforbruk og forstå sammenhenger i naturen. I dette kapittelet lærer du hvordan modeller lages, hvordan vi tilpasser dem til målinger med regresjon, og hvordan vi vurderer om en modell er god og hvor langt vi kan stole på den.

Last ned oppgaveheftet for kapittel 6 (PDF): formelark, gjennomregnede eksempler og oppgaver med fasit, til arbeid uten PC.

Læringsmål

Etter å ha arbeidet med kapittelet skal du kunne

  • forklare hva en matematisk modell er, og hvilke premisser den bygger på,
  • vurdere gyldighetsområdet til en modell, og lese og vurdere modeller i tekster,
  • tilpasse lineære, polynom-, eksponentielle og potensmodeller til data med Python, og tolke resultatet,
  • velge mellom modeller og vurdere hvor godt de passer,
  • gjennomføre, drøfte og presentere en enkel modellering.

6.1 Matematiske modeller

Seksjonen handler om hva en matematisk modell er, hvilke antakelser den bygger på, og når den kan brukes.

6.1.1 Matematiske modeller

En kommune har \(20\,000\) innbyggere, og folketallet har økt med \(2\ \%\) per år i ti år. Kommunen bruker modellen \(F(t) = 20\,000 \cdot 1{,}02^t\) til å planlegge nye skoler. Men vil folketallet fortsette å øke med \(2\ \%\) i \(50\) år? Det avhenger av boligbygging, jobber og mye annet. En modell er alltid en forenkling, og den er bare så god som antakelsene den bygger på. I dette delkapittelet ser vi på hvordan modeller lages og vurderes.

Læringsmål

Etter dette delkapittelet skal du kunne

  • forklare hva en matematisk modell er,
  • finne premissene en modell bygger på,
  • vurdere gyldighetsområdet til en modell, og forklare hva ekstrapolasjon er,
  • lese og vurdere bruk av modeller i tekster.

Modell og premisser

DefinisjonMatematisk modell

En matematisk modell er en matematisk beskrivelse, ofte en funksjon, av en sammenheng i virkeligheten. Premissene er antakelsene modellen bygger på.

Når vi lager en modell, velger vi hvilke størrelser som skal være med, og hvordan de henger sammen. Alt annet ser vi bort fra. Modellen for folketallet bygger for eksempel på premisset at veksten er like stor i prosent hvert år.

En taxi koster \(P(x) = 50 + 15x\) kroner for \(x\) kilometer. Hvilke premisser bygger modellen på?

Hva må være likt for alle turer, for at prisen bare skal avhenge av antall kilometer?

Startprisen er alltid \(50\ \text{kr}\), og hver kilometer koster det samme, uansett tid på døgnet, ventetid, kø eller antall passasjerer. I virkeligheten har mange taxier også tidstakst og helgetillegg, så modellen er en forenkling.

Gyldighetsområde

En modell gjelder bare innenfor et visst område, gyldighetsområdet. Ofte er modellen laget fra målinger i et bestemt område. Å bruke den langt utenfor dette kalles ekstrapolasjon, og det kan gi helt urimelige svar.

RegelVurdere en modell
  • Hvilke premisser bygger modellen på, og er de rimelige?
  • Hva er gyldighetsområdet? Brukes modellen innenfor det?
  • Gir modellen rimelige svar? Sjekk med det du vet om situasjonen.

Høyden til en jente fra hun var \(6\) til \(12\) år kan beskrives med \(h(x) = 6x + 80\) cm, der \(x\) er alderen. Bruk modellen til å finne høyden når hun er \(10\) år og \(40\) år. Kommenter svarene.

Vokser mennesker like mye hvert år hele livet?

\(h(10) = 140\ \text{cm}\), som er rimelig. \(h(40) = 320\ \text{cm}\), som er helt urimelig. Mennesker slutter å vokse i tenårene, så modellen gjelder bare i området den er laget for, omtrent \(6 \leq x \leq 12\).

Modeller i tekster

Når du leser om tall og prognoser i nyheter eller rapporter, er det lurt å spørre: Hvilken modell ligger bak? Hvilke premisser? Er det ekstrapolasjon?

En avis skriver: «Salget av elsykler har økt med \(50\ \%\) per år de siste tre årene. Fortsetter veksten, vil det om \(20\) år selges over \(3000\) ganger så mange elsykler som i dag.» Vurder påstanden.

Regn ut \(1{,}5^{20}\) omtrent, og tenk på om veksten kan fortsette.

Regningen er riktig: \(1{,}5^{20} \approx 3325\). Men modellen ekstrapolerer en eksponentiell vekst fra bare tre år til tjue år frem. Markedet blir mettet, og det er et begrenset antall mennesker som kan kjøpe sykler. Påstanden er matematisk riktig, men bygger på et urimelig premiss.

Programmet bruker folketallsmodellen. Hva skriver det ut?

def F(t):
    return 20000 * 1.02**t

for t in [0, 10, 50]:
    print(t, round(F(t)))

\(1{,}02^{10} \approx 1{,}22\).

def F(t):
    return 20000 * 1.02**t

for t in [0, 10, 50]:
    print(t, round(F(t)))
0 20000
10 24380
50 53832

Om \(10\) år er det omtrent \(24\,000\) innbyggere, og om \(50\) år over \(53\,000\). Det siste er usikkert, fordi premisset om \(2\ \%\) vekst neppe holder så lenge.

AdvarselVanlige feil
  • Presentere et svar fra en modell som en sannhet, uten å si hva det bygger på.
  • Bruke modellen langt utenfor området den er laget for.
  • Blande opplysninger (fakta) og premisser (valg og antakelser).
  • Glemme å sjekke om svaret er rimelig.

Oppgaver

Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.

Nivå 1

En mobil mister verdi etter modellen \(V(t) = 8000 \cdot 0{,}75^t\) kroner, der \(t\) er antall år.

Hva var mobilen verdt som ny?
Hva er den verdt etter \(2\) år?
Hvor mange prosent taper den i verdi hvert år?

En modell for temperaturen i en kopp te er \(T(t) = 80 - 2t\) grader, der \(t\) er minutter. Er svaret fra modellen rimelig?

\(T(10) = 60\)
\(T(50) = -20\)
Nivå 2

Et selskap regner ut strømkostnaden med \(K(x) = 49 + 1{,}5x\) kroner per måned, der \(x\) er antall kWh. Hvilke premisser bygger modellen på? Nevn minst to.

En modell for antall solgte is per dag er \(I(T) = 20T - 100\), der \(T\) er temperaturen i grader. Modellen er laget fra målinger mellom \(10\ ^\circ\text{C}\) og \(30\ ^\circ\text{C}\).

Hvor mange is selges ifølge modellen når det er \(20\ ^\circ\text{C}\)?
Hva gir modellen for \(0\ ^\circ\text{C}\), og er det rimelig?

Et barn veide \(3{,}5\ \text{kg}\) ved fødselen og \(7\ \text{kg}\) etter \(5\) måneder. Ola lager en lineær modell og sier: «Barnet veier \(87{,}5\ \text{kg}\) når det er \(10\) år.» Hva er feil?

Kodeoppgaver

Denne oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.

Programmet bruker modellen for teen.

for t in range(0, 60, 10):
    T = 80 - 2*t
    if T < 20:
        print("urimelig fra", t)
        break

Romtemperaturen er \(20\ ^\circ\text{C}\). Hva skriver programmet ut? Skriv tallet.

Utfordringer

To modeller for folketallet i en by er \(L(t) = 50\,000 + 1000t\) og \(E(t) = 50\,000 \cdot 1{,}02^t\). Begge gir omtrent det samme de første årene. Hvilken vil gi størst folketall om \(50\) år, og hvorfor er det viktig å vite hvilken som passer best?

Oppsummering

Modell

\[ \text{forenklet matematisk beskrivelse} \]

Premisser

\[ \text{antakelsene modellen bygger på} \]

Ekstrapolasjon

\[ \text{bruk utenfor gyldighetsområdet} \]

  • Si alltid hva svaret bygger på, og sjekk om det er rimelig.

6.2 Regresjon

Seksjonen handler om å finne den funksjonen som passer best til målinger. Vi bruker regresjon i Python, tolker resultatet og velger mellom ulike modeller.

6.2.1 Regresjon med Python

Målinger ligger nesten aldri nøyaktig på en rett linje eller en pen kurve. Det er målefeil, og virkeligheten er mer komplisert enn modellen. Regresjon er å finne den funksjonen av en valgt type som passer best med målingene. På eksamen har du ikke PC, men du må kunne lese utskriften fra et regresjonsprogram og bruke modellen.

Læringsmål

Etter dette delkapittelet skal du kunne

  • forklare hva regresjon er,
  • lese og forstå Python-kode som gjør lineær, polynom-, eksponentiell og potensregresjon,
  • skrive opp modellen fra utskriften, og bruke den til å regne ut verdier,
  • tolke konstantene i modellen.

Tilpasse en modell

DefinisjonRegresjon

Regresjon er å finne den funksjonen av en valgt type som passer best med målingene. Python (np.polyfit) velger konstantene som gjør summen av kvadratene av avvikene minst mulig. Et avvik er forskjellen mellom målt verdi og modellverdi.

Før vi bruker Python, kan du prøve selv. Juster \(a\) og \(b\) slik at linja passer med målingene.

Lineær og polynomregresjon

np.polyfit(x, y, 1) gir \(a\) og \(b\) i den rette linja \(y = ax + b\) som passer best. Med 2 i stedet for 1 får vi en andregradsfunksjon \(y = ax^2 + bx + c\).

Tabellen viser (tenkte) målinger. Hva skriver programmet ut, og hva er modellen?

import numpy as np
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([2.1, 4.0, 5.9, 8.2, 9.9, 12.1])
a, b = np.polyfit(x, y, 1)
print(round(a, 2), round(b, 2))

Det første tallet er stigningstallet, det andre konstantleddet.

import numpy as np
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([2.1, 4.0, 5.9, 8.2, 9.9, 12.1])
a, b = np.polyfit(x, y, 1)
print(round(a, 2), round(b, 2))
2.0 2.03

Modellen er \(y = 2{,}00x + 2{,}03\). Den øker med omtrent \(2\) for hver enhet \(x\), og starter på omtrent \(2\).

En ball kastes opp, og høyden måles hvert halve sekund. Hva er modellen, og hvor høyt går ballen?

t = np.array([0, 0.5, 1, 1.5, 2, 2.5, 3])
h = np.array([1.0, 7.4, 11.2, 12.4, 10.9, 6.8, 0.9])
a, b, c = np.polyfit(t, h, 2)
print(round(a, 2), round(b, 2), round(c, 2))

Toppunktet er i \(t = -\frac{b}{2a}\).

t = np.array([0, 0.5, 1, 1.5, 2, 2.5, 3])
h = np.array([1.0, 7.4, 11.2, 12.4, 10.9, 6.8, 0.9])
a, b, c = np.polyfit(t, h, 2)
print(round(a, 2), round(b, 2), round(c, 2))
-5.07 15.07 1.09

Modellen er \(h(t) = -5{,}07t^2 + 15{,}07t + 1{,}09\). Toppunktet er i \(t = -\frac{15{,}07}{2 \cdot (-5{,}07)} \approx 1{,}49\), og \(h(1{,}49) \approx 12{,}3\). Ballen går omtrent \(12{,}3\) meter opp.

Eksponentiell regresjon og potensregresjon

For eksponentielle modeller \(y = a \cdot b^x\) og potensmodeller \(y = a \cdot x^b\) bruker vi et triks med logaritmer, slik at Python kan bruke np.polyfit med grad \(1\). Du trenger ikke kunne logaritmer i 1T. Det viktige er å lese utskriften: Programmene under skriver ut \(a\) og \(b\) direkte.

En bakteriekultur telles hver time. Hva er modellen, og hvor mange prosent øker kulturen per time?

x = np.array([0, 1, 2, 3, 4])
y = np.array([100, 152, 224, 341, 506])
k, m = np.polyfit(x, np.log(y), 1)
print(round(np.exp(m), 1), round(np.exp(k), 3))

Det første tallet er startverdien \(a\), det andre er vekstfaktoren \(b\).

x = np.array([0, 1, 2, 3, 4])
y = np.array([100, 152, 224, 341, 506])
k, m = np.polyfit(x, np.log(y), 1)
print(round(np.exp(m), 1), round(np.exp(k), 3))
100.5 1.499

Modellen er \(y = 100{,}5 \cdot 1{,}499^x \approx 100 \cdot 1{,}5^x\). Kulturen øker med omtrent \(50\ \%\) per time.

Hva er modellen?

x = np.array([1, 2, 4, 8, 16])
y = np.array([3.0, 4.3, 6.0, 8.4, 12.1])
k, m = np.polyfit(np.log(x), np.log(y), 1)
print(round(np.exp(m), 2), round(k, 2))

Det første tallet er \(a\), det andre er eksponenten \(b\).

x = np.array([1, 2, 4, 8, 16])
y = np.array([3.0, 4.3, 6.0, 8.4, 12.1])
k, m = np.polyfit(np.log(x), np.log(y), 1)
print(round(np.exp(m), 2), round(k, 2))
3.01 0.5

Modellen er \(y = 3{,}01 \cdot x^{0{,}5} \approx 3\sqrt{x}\). Når \(x\) firedobles, dobles \(y\).

AdvarselVanlige feil
  • Bytte om \(a\) og \(b\) når utskriften leses. Sjekk rekkefølgen i koden.
  • Tro at modellen går gjennom alle punktene. Den passer best i gjennomsnitt.
  • Tro at regresjon velger funksjonstypen. Det gjør du, ut fra dataene og situasjonen.

Oppgaver

Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere. Oppgavene skal løses uten PC.

Nivå 1

Et program gjør lineær regresjon med a, b = np.polyfit(x, y, 1) og print(a, b). Utskriften er 1.5 4.2.

Skriv opp modellen.
Bruk modellen til å regne ut \(y\) når \(x = 10\).

En eksponentiell regresjon gir utskriften 250.0 0.9, der det første tallet er \(a\) og det andre er \(b\).

Vokser eller avtar størrelsen?
Med hvor mange prosent endres den per steg?
Hva er modellverdien for \(x = 2\)?
Nivå 2

Bruk modellen din til å anslå antallet etter \(5\) timer.

En andregradsregresjon for høyden til en ball gir \(h(t) = -4{,}9t^2 + 19{,}6t + 1{,}5\).

Når er ballen høyest?
Hvor høyt går den?

Sara gjør eksponentiell regresjon, og utskriften er 80.0 1.25. Hun skriver modellen \(y = 1{,}25 \cdot 80^x\). Hva er riktig modell?

Kodeoppgaver

Denne oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.

import numpy as np
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([2.1, 4.0, 5.9, 8.2, 9.9, 12.1])
a, b = np.polyfit(x, y, 1)
print(round(a * 8 + b, 1))

Regresjonen gir \(a \approx 2{,}00\) og \(b \approx 2{,}03\). Hva skriver programmet ut?

Utfordringer

En potensregresjon gir modellen \(y = 2 \cdot x^{1{,}5}\). Hvor mange ganger så stor blir \(y\) når \(x\) firedobles?

Oppsummering

Lineær

a, b = np.polyfit(x, y, 1)

Andregrad

a, b, c = np.polyfit(x, y, 2)

Eksponentiell og potens

\[ y = a \cdot b^x \qquad y = a \cdot x^b \]

  • Les rekkefølgen på konstantene i koden.
  • Modellen går ikke gjennom alle punktene. Den passer best i gjennomsnitt.

6.2.2 Velge og vurdere modell

Python kan tilpasse både en linje og en eksponentialfunksjon til de samme målingene. Begge gir et svar, men bare én av dem beskriver situasjonen godt. Hvordan velger vi? Vi ser på formen på dataene, hvor godt modellene passer, og hva vi vet om situasjonen.

Læringsmål

Etter dette delkapittelet skal du kunne

  • kjenne igjen lineær og eksponentiell vekst fra en tabell,
  • vurdere hvor godt en modell passer ved å se på avvikene,
  • velge modell ut fra data og kunnskap om situasjonen,
  • vurdere om svarene fra en modell er rimelige.

Formen på dataene

Er avstandene mellom \(x\)-verdiene like, kan vi se på differansene og forholdene mellom \(y\)-verdiene som følger etter hverandre.

RegelKjenne igjen modelltypen
  • Omtrent like differanser: lineær modell.
  • Omtrent like forhold: eksponentiell modell.
  • Differansene endrer seg jevnt: andregradsmodell.

Tabellen viser bakterietellingen fra 6.2.1. Er veksten lineær eller eksponentiell?

\(x\) \(0\) \(1\) \(2\) \(3\) \(4\)
\(y\) \(100\) \(152\) \(224\) \(341\) \(506\)

Regn ut differansene og forholdene.

Differansene er \(52\), \(72\), \(117\) og \(165\), som øker. Forholdene er \(1{,}52\), \(1{,}47\), \(1{,}52\) og \(1{,}48\), omtrent like. Veksten er eksponentiell, med vekstfaktor omtrent \(1{,}5\).

Avvik

Et avvik er målt verdi minus modellverdi. En god modell har små avvik, og avvikene er tilfeldig spredt rundt null, uten et mønster.

Programmet tilpasser en lineær modell og bruker den eksponentielle modellen \(100 \cdot 1{,}5^x\), og regner ut summen av avvikene i andre for begge. Hvilken modell passer best?

x = np.array([0, 1, 2, 3, 4])
y = np.array([100, 152, 224, 341, 506])
a, b = np.polyfit(x, y, 1)
lin = a*x + b
eks = 100 * 1.5**x
print(round(sum((y - lin)**2)))
print(round(sum((y - eks)**2)))

En liten sum betyr små avvik.

x = np.array([0, 1, 2, 3, 4])
y = np.array([100, 152, 224, 341, 506])
a, b = np.polyfit(x, y, 1)
lin = a*x + b
eks = 100 * 1.5**x
print(round(sum((y - lin)**2)))
print(round(sum((y - eks)**2)))
5331
17

Den eksponentielle modellen har mye mindre avvik (\(17\) mot \(5331\)). Avvikene fra den lineære modellen har også et mønster: positive i endene og negative i midten. Det viser at dataene krummer, og at en rett linje ikke passer.

Bakterietellingene som prikker, med den eksponentielle modellen som følger punktene tett, og den lineære modellen som ligger under punktene i midten og over i endene.

Kunnskap om situasjonen

Avvikene er ikke alt. Vi må også spørre om modellen gir mening. En lineær modell for en temperatur kan gi minusgrader i et rom med ovn. En eksponentiell modell for salg vil til slutt gi urimelig store tall. En andregradsmodell for en ball gir negative høyder etter at ballen har landet.

AdvarselVanlige feil
  • Velge modell bare fordi den har minst avvik, uten å tenke på situasjonen.
  • Velge en polynommodell av høy grad som treffer alle punktene, men gir urimelige svar mellom og utenfor dem.
  • Bruke modellen langt utenfor området dataene dekker.

Oppgaver

Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere. Oppgavene skal løses uten PC.

Nivå 1

Hvilken modelltype passer best?

\(x\): \(0, 1, 2, 3\) og \(y\): \(5, 8, 11, 14\)
\(x\): \(0, 1, 2, 3\) og \(y\): \(5, 10, 20, 40\)
\(x\): \(0, 1, 2, 3\) og \(y\): \(0, 1, 4, 9\)

En modell gir verdien \(48\), og den målte verdien er \(45\). Hva er avviket (målt minus modell)?

Nivå 2

Avvikene fra en lineær modell er \(5\), \(-2\), \(-6\), \(-3\) og \(6\). Hva tyder mønsteret på?

En høyde-modell for en ball er \(h(t) = -5t^2 + 15t + 1\). Hva gir modellen for \(t = 4\), og hva betyr det?

Antall følgere på en ny konto er \(200\), \(310\), \(480\), \(750\) og \(1160\) de første fem ukene.

Er veksten omtrent lineær eller eksponentiell?
Hvorfor bør man være forsiktig med å bruke modellen til å anslå antall følgere om ett år?
Kodeoppgaver

Denne oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.

y = [5, 10, 20, 40]
for i in range(3):
    print(y[i+1] / y[i])

Hva skriver programmet ut, og hva betyr det?

Utfordringer

Gjennom fem punkter går det alltid et polynom av grad \(4\) som treffer alle punktene nøyaktig. Hvorfor er det likevel ofte en dårlig modell?

Oppsummering

Lineær

\[ \text{like differanser} \]

Eksponentiell

\[ \text{like forhold} \]

Avvik

\[ \text{målt} - \text{modell} \]

  • Små avvik uten mønster betyr at modellen passer godt.
  • Tenk alltid på om modellen gir mening i situasjonen.

6.3 Modellering i praksis

Seksjonen handler om hele modelleringsprosessen, fra et spørsmål i virkeligheten til et svar som er drøftet og presentert.

6.3.1 Modellering i praksis

Er det billigere å kjøpe én stor pizza enn to små? Prisen øker med størrelsen, men arealet, altså hvor mye pizza du får, øker med kvadratet av diameteren. For å svare må vi lage en modell for prisen, sammenligne med arealet og vurdere svaret. Det er modellering i praksis: Vi starter med et spørsmål fra virkeligheten og ender med et begrunnet svar.

Læringsmål

Etter dette delkapittelet skal du kunne

  • beskrive stegene i modelleringsprosessen,
  • lage en modell fra en praktisk situasjon og data,
  • drøfte, presentere og forklare resultatene,
  • vurdere om modellen er gyldig, og hva som skjer om premissene endres.

Modelleringsprosessen

RegelModelleringsprosessen
  1. Formuler spørsmålet.
  2. Velg variabler, og gjør antakelser (premisser) som forenkler situasjonen.
  3. Lag en matematisk modell, for eksempel med regresjon.
  4. Løs det matematiske problemet.
  5. Tolk svaret i situasjonen.
  6. Vurder modellen: Er svaret rimelig? Hva skjer om premissene endres?
  7. Presenter resultatet, med premissene og begrensningene.

En pizzeria har disse prisene (tenkte tall):

Diameter (cm) \(20\) \(25\) \(30\) \(35\) \(40\)
Pris (kr) \(89\) \(129\) \(169\) \(229\) \(289\)

Lønner det seg å kjøpe store pizzaer?

Regn ut prisen per kvadratcentimeter for hver pizza. Arealet er \(\pi r^2\) med \(r = \frac{d}{2}\).

Spørsmål og premisser. Vi antar at alle pizzaene har samme tykkelse og fyll, slik at mengden pizza er proporsjonal med arealet.

Modell. Potensregresjon gir omtrent \(P(d) = 0{,}55 \cdot d^{1{,}7}\). Eksponenten \(1{,}7\) er mindre enn \(2\), så prisen vokser langsommere enn arealet.

Løsning. Prisen per \(\text{cm}^2\) er \(0{,}28\ \text{kr}\) for \(20\) cm og \(0{,}23\ \text{kr}\) for \(40\) cm. En \(40\) cm pizza har fire ganger så stort areal som en \(20\) cm, men koster bare litt over tre ganger så mye.

Tolkning og vurdering. Store pizzaer gir mest pizza for pengene. Men svaret bygger på at tykkelse og fyll er likt, og at du klarer å spise opp. Kjøper du for mye, blir det dyrere uansett.

Programmet regner ut prisen per kvadratcentimeter. Hva er den siste linja i utskriften?

import math
d = [20, 25, 30, 35, 40]
p = [89, 129, 169, 229, 289]
for i in range(5):
    areal = math.pi * (d[i] / 2)**2
    print(d[i], round(p[i] / areal, 3))

En \(40\) cm pizza har areal \(\pi \cdot 20^2 \approx 1257\ \text{cm}^2\).

import math
d = [20, 25, 30, 35, 40]
p = [89, 129, 169, 229, 289]
for i in range(5):
    areal = math.pi * (d[i] / 2)**2
    print(d[i], round(p[i] / areal, 3))
20 0.283
25 0.263
30 0.239
35 0.238
40 0.23

Den siste linja er 40 0.23. Prisen per \(\text{cm}^2\) synker når pizzaen blir større.

AdvarselVanlige feil
  • Hoppe rett til regningen uten å si hva modellen bygger på.
  • Presentere et tall uten å tolke det i situasjonen.
  • Glemme å drøfte hva som skjer om premissene endres.

Oppgaver

Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.

Nivå 1

En pizza med diameter \(30\) cm koster \(150\ \text{kr}\). En med diameter \(40\) cm koster \(240\ \text{kr}\). Hvilken gir mest pizza per krone? Bruk at arealet er proporsjonalt med \(d^2\).

I hvilket steg av modelleringsprosessen spør du «Er svaret rimelig?»

Nivå 2

En familie bruker en panelovn på \(1000\ \text{W}\) i gjennomsnitt \(8\) timer per døgn. Strømmen koster \(1{,}20\ \text{kr}\) per kWh.

Lag en modell for kostnaden \(K(d)\) i kroner etter \(d\) døgn.
Hva koster det i en måned med \(30\) døgn?
Nevn ett premiss, og hva som skjer om det endres.

Emil har målt at et glass vann blir kaldere slik: \(60\ ^\circ\text{C}\), \(45\ ^\circ\text{C}\), \(35\ ^\circ\text{C}\) og \(28\ ^\circ\text{C}\), hvert tiende minutt. Han lager en lineær modell og sier at vannet er \(-20\ ^\circ\text{C}\) etter to timer. Drøft modellen hans.

Kodeoppgaver

Denne oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.

pris = 1.2
kwh_per_dag = 8
for d in [1, 7, 30]:
    print(d, round(pris * kwh_per_dag * d, 1))

Hva er den siste linja i utskriften? Skriv kostnaden.

Utfordringer

Velg et spørsmål fra hverdagen eller samfunnet, for eksempel «Lønner det seg å kjøpe elbil?» eller «Hvor mye vann bruker vi på dusjing i et år?». Beskriv kort hvordan du ville gått fram, med stegene i modelleringsprosessen.

Oppsummering

Modelleringsprosessen

\[ \text{spørsmål} \to \text{premisser} \to \text{modell} \to \text{løsning} \]

Etterpå

\[ \text{tolke} \to \text{vurdere} \to \text{presentere} \]

  • Presenter alltid svaret sammen med premissene.
  • Drøft hva som skjer om premissene endres.

6.4 Oppgaver

En plante var \(12\) cm høy etter \(2\) uker og \(20\) cm etter \(6\) uker. Lag en lineær modell \(h(t) = at + b\).

Et hus til \(3\ \text{millioner}\) kroner øker i verdi med \(4\ \%\) per år. Hvilken modell beskriver verdien i millioner kroner etter \(t\) år?

En andregradsregresjon gir utskriften -2.0 12.0 5.0 for \(a\), \(b\) og \(c\). Finn \(x\)-verdien til toppunktet.

En modell for antall besøkende på et badeland gjennom en sommerdag er \(B(t) = -20t^2 + 240t\), der \(t\) er timer etter åpning. Hva er et rimelig gyldighetsområde?

6.5 Oppsummering

Modeller

Premisser

\[ \text{antakelsene modellen bygger på} \]

Ekstrapolasjon

\[ \text{bruk utenfor gyldighetsområdet} \]

Modelleringsprosessen

\[ \text{spørsmål} \to \text{modell} \to \text{svar} \to \text{vurdering} \]

  • Presenter svaret sammen med premissene, og sjekk om det er rimelig.

Regresjon og valg av modell

Modelltyper

\[ ax + b \qquad ax^2 + bx + c \qquad a \cdot b^x \qquad a \cdot x^b \]

Like differanser

\[ \text{lineær modell} \]

Like forhold

\[ \text{eksponentiell modell} \]

Avvik

\[ \text{målt} - \text{modell} \]

  • Les rekkefølgen på konstantene i Python-koden.
  • Små avvik uten mønster betyr at modellen passer godt.