Skip to main content

4  Modeller

En matematisk modell er en forenkling av virkeligheten som vi kan regne på. Når vi har målinger, for eksempel av karbondioksid i lufta, temperaturen gjennom året eller en befolkning som vokser, kan vi lete etter en funksjon som passer til målingene. Funksjonen kan vi bruke til å forstå utviklingen, regne ut verdier mellom målingene og vurdere hva som kan skje videre. I dette kapittelet lager vi modeller av reelle datasett med Python, analyserer modellene med derivasjon og integrasjon, studerer vekstmodeller og differensiallikninger, og ser på svingninger.

Last ned oppgaveheftet for kapittel 4 (PDF): formelark, gjennomregnede eksempler og oppgaver med fasit, til arbeid uten PC.

Læringsmål

Etter å ha arbeidet med kapittelet skal du kunne

  • lage lineære, kvadratiske, eksponentielle og trigonometriske modeller av reelle datasett med regresjon,
  • vurdere en modell og forklare hva parametrene betyr,
  • bruke derivasjon og integrasjon til å analysere og tolke en modell,
  • bruke modeller for eksponentiell, begrenset og logistisk vekst, og løse enkle differensiallikninger,
  • modellere frie svingninger.

4.1 Modeller av reelle datasett

Et datasett er en tabell med \(x\)-verdier og \(y\)-verdier. En modell er en funksjon \(f\) slik at \(f(x)\) ligger nær målingene. Vi skal lære hvordan vi finner den funksjonen som passer best, og hvordan vi vurderer om modellen er god.

4.1.1 Modeller og regresjon

Siden 1958 har man målt hvor mye karbondioksid, \(\text{CO}_2\), det er i lufta på Mauna Loa på Hawaii. Tabellen under viser omtrentlige årsgjennomsnitt, avrundet, i ppm (deler per million) for noen år.

År \(1960\) \(1970\) \(1980\) \(1990\) \(2000\) \(2010\) \(2020\)
ppm \(316{,}9\) \(325{,}7\) \(338{,}8\) \(354{,}4\) \(369{,}7\) \(389{,}9\) \(414{,}2\)

Konsentrasjonen stiger, og den ser ut til å stige stadig fortere. Kan vi finne en funksjon som beskriver utviklingen, og som vi kan bruke til å anslå verdier mellom målingene?

Læringsmål

Etter dette delkapittelet skal du kunne

  • forklare hva en modell og regresjon er,
  • finne lineære, kvadratiske og eksponentielle modeller med Python,
  • regne ut avvik (residualer) og vurdere hvor godt en modell passer,
  • tolke parametrene i en modell,
  • forklare hvorfor man må være forsiktig med å bruke en modell utenfor måleområdet.

Regresjon

Vi lar \(x\) være antall år siden \(1960\). Da er målingene punktene \((0, 316{,}9)\), \((10, 325{,}7)\), og så videre. For en modell \(f\) er avviket (residualen) i punktet \((x_i, y_i)\) differansen \(r_i = y_i - f(x_i)\). En god modell har små avvik.

DefinisjonMinste kvadraters metode

Regresjon med minste kvadraters metode finner den funksjonen i en valgt type (for eksempel lineær eller kvadratisk) som gjør summen av kvadratene av avvikene så liten som mulig:

\[ \text{SSE} = r_1^2 + r_2^2 + \dots + r_n^2 \]

Hvor godt modellen passer, måles ofte med determinasjonskoeffisienten

\[ R^2 = 1 - \frac{\text{SSE}}{\sum\left(y_i - \bar{y}\right)^2} \]

Verdien \(R^2\) ligger mellom \(0\) og \(1\), og er nær \(1\) når modellen følger målingene tett.

Animasjonen viser CO\(_2\)-målingene og en rett linje. Hvert avvik \(r_i\) er en rødbrun strek, og kvadratet \(r_i^2\) er tegnet som et kvadrat. Når linja flyttes, endres kvadratene og summen SSE. Regresjonslinja er den linja som gir minst SSE.

Vi kan regne ut regresjon med Python-funksjonen numpy.polyfit, som finner polynomet av en gitt grad.

Lineær og kvadratisk modell

Finn den lineære modellen \(f(x) = ax + b\) for CO\(_2\)-dataene, der \(x\) er år siden \(1960\). Hva betyr stigningstallet?

Bruk np.polyfit(x, y, 1). Den gir først \(a\) og så \(b\).

import numpy as np

x = np.array([0, 10, 20, 30, 40, 50, 60])
y = np.array([316.9, 325.7, 338.8, 354.4,
              369.7, 389.9, 414.2])
a, b = np.polyfit(x, y, 1)
print(round(a, 3), round(b, 1))
1.611 310.2

Modellen er \(f(x) = 1{,}611x + 310{,}2\). Stigningstallet \(a = 1{,}611\) betyr at konsentrasjonen i gjennomsnitt har økt med omtrent \(1{,}6\) ppm per år. Konstantleddet \(310{,}2\) er modellens verdi i \(1960\).

Finn den kvadratiske modellen \(g(x) = ax^2 + bx + c\) for de samme dataene, og sammenlign den med den lineære.

Bruk np.polyfit(x, y, 2), og regn ut SSE og \(R^2\) for begge modellene.

import numpy as np

x = np.array([0, 10, 20, 30, 40, 50, 60])
y = np.array([316.9, 325.7, 338.8, 354.4,
              369.7, 389.9, 414.2])

for grad in [1, 2]:
    p = np.polyfit(x, y, grad)
    r = y - np.polyval(p, x)
    sse = np.sum(r**2)
    r2 = 1 - sse / np.sum((y - y.mean())**2)
    print(grad, np.round(p, 4), round(sse, 1),
          round(r2, 4))
1 [  1.6114 310.1714] 154.4 0.9792
2 [1.340000e-02 8.086000e-01 3.168619e+02] 4.0 0.9995

Den lineære modellen har \(\text{SSE} \approx 154\) og \(R^2 \approx 0{,}979\). Den kvadratiske modellen \(g(x) = 0{,}0134x^2 + 0{,}809x + 316{,}86\) har \(\text{SSE} \approx 4\) og \(R^2 \approx 0{,}9995\). Den kvadratiske modellen passer langt bedre. Det passer med at økningen blir raskere: Den positive koeffisienten \(0{,}0134\) foran \(x^2\) betyr at stigningen i seg selv øker.

Eksponentiell modell

En eksponentiell modell \(f(x) = a \cdot b^x\) har konstant prosentvis vekst. Tar vi logaritmen, får vi \(\ln f(x) = \ln a + x\ln b\), en rett linje. Det betyr at vi kan finne \(a\) og \(b\) ved å tilpasse en rett linje til \(\ln y\).

Finn en eksponentiell modell \(h(x) = a\cdot b^x\) for CO\(_2\)-dataene. Hva er den årlige prosentvise veksten?

Tilpass en rett linje til \((x, \ln y)\). Stigningstallet er \(\ln b\) og konstantleddet er \(\ln a\).

import numpy as np

x = np.array([0, 10, 20, 30, 40, 50, 60])
y = np.array([316.9, 325.7, 338.8, 354.4,
              369.7, 389.9, 414.2])
lnb, lna = np.polyfit(x, np.log(y), 1)
a, b = np.exp(lna), np.exp(lnb)
print(round(a, 1), round(b, 5))
312.3 1.00448

Modellen er \(h(x) = 312{,}3 \cdot 1{,}00448^x\). Vekstfaktoren \(1{,}00448\) betyr at konsentrasjonen vokser med omtrent \(0{,}45\ \%\) per år. Modellen har \(\text{SSE} \approx 85\), altså bedre enn den lineære modellen, men dårligere enn den kvadratiske.

Bruke og vurdere modellen

Vi kan bruke en modell til å anslå verdier mellom målepunktene (interpolasjon), eller utenfor målepunktene (ekstrapolasjon). Ekstrapolasjon er mye mer usikkert.

Bruk de tre modellene til å anslå konsentrasjonen i \(2030\) (altså \(x = 70\)). Hva sier forskjellen mellom dem?

Sett \(x = 70\) inn i hver modell.

Lineær: \(1{,}611 \cdot 70 + 310{,}2 \approx 423{,}0\). Kvadratisk: \(0{,}0134 \cdot 70^2 + 0{,}809 \cdot 70 + 316{,}86 \approx 439{,}0\). Eksponentiell: \(312{,}3 \cdot 1{,}00448^{70} \approx 426{,}9\).

Modellene gir svar fra \(423\) til \(439\) ppm. Forskjellen viser at ekstrapolering er usikker, selv når alle modellene passer godt til målingene. Hvilken modell som er riktig utenfor måleområdet, avhenger av hva som egentlig skjer i naturen, ikke bare av hvilken kurve som passer best.

AdvarselVanlige feil
  • Å tro at høy \(R^2\) betyr at modellen er riktig. En høy verdi betyr bare at kurven følger dataene.
  • Å bruke en modell langt utenfor måleområdet uten å vurdere om den er rimelig. Et polynom kan for eksempel gå mot minus uendelig, selv om målingene aldri blir negative.
  • Å bruke polynom av høy grad til å få alle avvik lik \(0\). Modellen passer da også til tilfeldig støy, og er dårlig til å forutsi.
  • Å glemme å definere \(x\). Med \(x\) som antall år siden \(1960\) er \(f(0)\) verdien i \(1960\), ikke i år \(0\).

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

Den lineære modellen for CO\(_2\) er \(f(x) = 1{,}61x + 310\), der \(x\) er år siden \(1960\). Hva sier modellen at konsentrasjonen var i \(2010\)? Svar med én desimal.

I \(1990\) (\(x = 30\)) var målingen \(354{,}4\). Modellen \(f(x) = 1{,}6x + 310\) gir \(f(30) = 358\). Hva er avviket \(r = y - f(x)\)?

Verdiene \(2\), \(4\), \(8\), \(16\), \(32\) svarer til \(x = 1, 2, 3, 4, 5\). Hvilken modelltype passer best?

Nivå 2

Fra \(316{,}9\) ppm i \(1960\) til \(414{,}2\) ppm i \(2020\) er det \(60\) år. Hva er den årlige prosentvise veksten hvis veksten er konstant? Svar i prosent med to desimaler.

Den kvadratiske modellen er \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\). Hva gir den for \(2030\) (\(x = 70\))? Svar med tall uten desimaler.

I \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\) er koeffisienten foran \(x^2\) positiv. Hva betyr det?

Kari sier at siden \(R^2 = 0{,}98\) for den lineære modellen, må modellen være riktig, og at vi trygt kan bruke den til å spå for \(2100\). Hva er galt?

Kodeoppgaver

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

Punktene ligger nøyaktig på en rett linje. Hva skriver programmet ut?

import numpy as np
x = np.array([0, 1, 2, 3])
y = np.array([1, 3, 5, 7])
a, b = np.polyfit(x, y, 1)
print(round(a, 2), round(b, 2))

Skriv stigningstallet \(a\).

Utfordringer

Du vil tilpasse en modell \(y = ax\) (en linje gjennom origo) til punktene \((1; 2{,}1)\), \((2; 3{,}9)\) og \((3; 6{,}2)\). Minste kvadraters metode gir \(a = \dfrac{\sum x_i y_i}{\sum x_i^2}\). Regn ut \(a\) med to desimaler.

Forklar hvorfor en eksponentiell modell \(y = a\cdot b^x\) kan tilpasses med lineær regresjon på \(\ln y\).

Oppsummering

Avvik

\[ r_i = y_i - f(x_i) \]

Summen av kvadratavvik

\[ \text{SSE} = \sum r_i^2 \]

Determinasjonskoeffisient

\[ R^2 = 1 - \frac{\text{SSE}}{\sum\left(y_i - \bar{y}\right)^2} \]

Eksponentiell modell

\[ \ln y = \ln a + x\ln b \]

  • Definér \(x\) nøye, for eksempel som år siden en startverdi.
  • Vær forsiktig med ekstrapolering.

4.1.2 Periodiske modeller

Lengden på dagen i Oslo varierer fra rundt \(6\) timer i desember til nesten \(19\) timer i juni, og så gjentar det seg neste år. Tabellen viser beregnet dagslengde midt i hver måned (astronomisk beregning uten korreksjon for lysbrytning, avrundet til én desimal). Tallet \(t\) er dagnummer i året.

Måned jan feb mar apr mai jun jul aug sep okt nov des
\(t\) \(15\) \(46\) \(74\) \(105\) \(135\) \(166\) \(196\) \(227\) \(258\) \(288\) \(319\) \(349\)
Timer \(6{,}4\) \(8{,}9\) \(11{,}4\) \(14{,}3\) \(16{,}9\) \(18{,}4\) \(17{,}7\) \(15{,}2\) \(12{,}4\) \(9{,}6\) \(7{,}0\) \(5{,}6\)

Et lineært, kvadratisk eller eksponentielt forløp passer ikke her. Dataene svinger, og vi vet at perioden er et år. En sinusmodell er det naturlige valget.

Læringsmål

Etter dette delkapittelet skal du kunne

  • tilpasse en sinusmodell \(f(t) = A\sin(ct + \varphi) + d\) til et datasett med kjent periode,
  • tolke amplitude, likevektslinje og faseforskyvning i en praktisk situasjon,
  • bruke modellen til å finne når en verdi nås, og hvor fort den endrer seg,
  • vurdere hvor godt modellen passer.

Regresjon for sinus

Perioden er kjent, så \(c = \dfrac{2\pi}{T}\) er kjent. Det som gjenstår er \(A\), \(\varphi\) og \(d\). Fra delkapittel 3.4.2 vet vi at

\[ A\sin(ct + \varphi) = a\sin(ct) + b\cos(ct), \qquad a = A\cos\varphi,\quad b = A\sin\varphi \]

Modellen \(f(t) = a\sin(ct) + b\cos(ct) + d\) er lineær i parametrene \(a\), \(b\) og \(d\). Da kan vi finne dem ved lineær minste kvadraters metode med np.linalg.lstsq. Etterpå finner vi

\[ A = \sqrt{a^2 + b^2}, \qquad \varphi = \operatorname{atan2}(b, a) \]

RegelSinusregresjon når perioden er kjent
  1. Regn ut \(c = \dfrac{2\pi}{T}\).
  2. Lag en matrise med kolonnene \(\sin(ct_i)\), \(\cos(ct_i)\) og \(1\).
  3. Løs \(\text{matrise}\cdot(a, b, d) \approx y\) med lstsq.
  4. Finn \(A = \sqrt{a^2 + b^2}\) og \(\varphi = \operatorname{atan2}(b, a)\).

Tilpass en sinusmodell til dataene i tabellen. Perioden er \(365\) dager.

Sett \(c = \dfrac{2\pi}{365}\) og lag en matrise med kolonnene \(\sin(ct)\), \(\cos(ct)\) og \(1\).

import numpy as np

t = np.array([15, 46, 74, 105, 135, 166,
              196, 227, 258, 288, 319, 349])
y = np.array([6.4, 8.9, 11.4, 14.3, 16.9, 18.4,
              17.7, 15.2, 12.4, 9.6, 7.0, 5.6])
c = 2 * np.pi / 365
M = np.column_stack([np.sin(c*t), np.cos(c*t),
                     np.ones_like(t)])
(a, b, d), *_ = np.linalg.lstsq(M, y, rcond=None)
A = np.sqrt(a**2 + b**2)
phi = np.arctan2(b, a)
print(round(A, 2), round(phi, 3), round(d, 2))
6.15 -1.375 11.99

Modellen er omtrent

\[ D(t) = 6{,}14\sin\!\left(\frac{2\pi}{365}t - 1{,}377\right) + 12{,}0 \]

Amplituden \(6{,}14\) timer sier at dagslengden varierer \(6{,}14\) timer opp og ned fra likevektslinja på \(12{,}0\) timer. Modellen har \(R^2 \approx 0{,}998\).

Punktene viser dagslengden midt i hver måned i Oslo, med størst verdi rundt 18,4 timer i juni og minst rundt 5,6 timer i desember. En sinuskurve passer tett til punktene.

Bruke modellen

Bruk modellen \(D(t) = 6{,}14\sin\!\left(\dfrac{2\pi}{365}t - 1{,}377\right) + 12{,}0\) til å finne hvilke dager dagslengden er minst \(16\) timer.

Løs \(D(t) = 16\). Sett \(u = \dfrac{2\pi}{365}t - 1{,}377\) og bruk to løsninger av \(\sin u = \dfrac{4}{6{,}14}\).

\(D(t) = 16\) gir \(\sin u = \dfrac{16 - 12}{6{,}14} \approx 0{,}6515\), så \(u \approx 0{,}7095\) eller \(u \approx \pi - 0{,}7095 \approx 2{,}4321\). Da er \(t = \dfrac{365}{2\pi}(u + 1{,}377)\):

\[ t \approx 121 \qquad \text{og} \qquad t \approx 221 \]

Dagene \(121\) til \(221\) har dagslengde minst \(16\) timer, altså fra \(1\). mai til \(9\). august, omtrent \(100\) dager.

Hvor fort øker dagslengden som mest, og når skjer det?

Deriver modellen. Den deriverte er størst når cosinus er \(1\).

\(D'(t) = 6{,}14\cdot\dfrac{2\pi}{365}\cos\!\left(\dfrac{2\pi}{365}t - 1{,}377\right)\). Størst verdi er \(6{,}14\cdot\dfrac{2\pi}{365} \approx 0{,}106\) timer per dag, altså omtrent \(6{,}3\) minutter per dag. Det skjer når cosinus er \(1\), altså når \(\dfrac{2\pi}{365}t = 1{,}377\), som er \(t \approx 80\) (rundt vårjevndøgn). Da er dagslengden \(12\) timer og øker raskest.

AdvarselVanlige feil
  • Å bruke feil periode. Perioden må være i samme enhet som \(t\): Er \(t\) dagnummer, er perioden \(365\), ikke \(12\).
  • Å glemme at \(A\) er \(\sqrt{a^2 + b^2}\) og ikke \(a + b\).
  • Å bruke arctan i stedet for arctan2: Da kan vinkelen \(\varphi\) havne i feil kvadrant.
  • Å tro at en sinusmodell alltid passer. Data som ikke gjentar seg, trenger en annen modell.

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

Modellen for dagslengden er \(D(t) = 6{,}14\sin\!\left(\dfrac{2\pi}{365}t - 1{,}377\right) + 12{,}0\). Hva er

amplituden
likevektslinja
største dagslengde

Regresjonen ga \(a = 1{,}183\) og \(b = -6{,}024\) i \(a\sin(ct) + b\cos(ct) + d\). Finn amplituden \(A = \sqrt{a^2 + b^2}\) med to desimaler.

Dataene er månedsgjennomsnitt, og \(t\) er måned nummer (\(1\) til \(12\)). Hva skal perioden være i modellen?

Nivå 2

Bruk \(D(t) = 6{,}14\sin\!\left(\dfrac{2\pi}{365}t - 1{,}377\right) + 12{,}0\). Hva er dagslengden på dag \(355\)? Svar med to desimaler.

Når er dagslengden \(12\) timer første gang, ifølge modellen? Svar med dagnummer uten desimaler.

Hvor mange minutter øker dagslengden som mest per dag? Svar med én desimal.

Per bruker \(T = 12\) som periode i en sinusmodell for dagslengde med \(t\) som dagnummer, og får en dårlig tilpasning. Hva er galt?

Kodeoppgaver

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

Punktene ligger nøyaktig på \(y = \sin x + 1\). Hva skriver programmet ut? Skriv det siste tallet.

import numpy as np
x = np.array([0, np.pi/2, np.pi, 3*np.pi/2])
y = np.array([1, 2, 1, 0])
M = np.column_stack([np.sin(x), np.cos(x),
                     np.ones_like(x)])
koef = np.linalg.lstsq(M, y, rcond=None)[0]
print(round(koef[0], 2), round(koef[2], 2))
Utfordringer

Forklar hvorfor \(f(t) = a\sin(ct) + b\cos(ct) + d\) er lineær i \(a\), \(b\) og \(d\), men \(f(t) = A\sin(ct + \varphi) + d\) ikke er lineær i \(\varphi\).

Bruk modellen \(D(t) = 6{,}14\sin\!\left(\dfrac{2\pi}{365}t - 1{,}377\right) + 12{,}0\) til å finne omtrent hvilke dager dagslengden er under \(8\) timer. Svar med dagnummer.

Oppsummering

Sinusmodell

\[ f(t) = A\sin(ct + \varphi) + d, \quad c = \frac{2\pi}{T} \]

Lineær form

\[ f(t) = a\sin(ct) + b\cos(ct) + d \]

Amplitude og fase

\[ A = \sqrt{a^2 + b^2}, \quad \varphi = \operatorname{atan2}(b, a) \]

Størst endring

\[ D'_{\max} = A\cdot c \]

  • Perioden må ha samme enhet som \(t\).
  • Bruk lstsq med kolonnene \(\sin(ct)\), \(\cos(ct)\) og \(1\).

4.2 Analyse og tolkning av modeller

En modell er ikke bare en kurve, men et verktøy. Med derivasjon finner vi hvor fort noe endrer seg, og med integrasjon finner vi den samlede endringen og gjennomsnittet. Det er også viktig å vite hvor modellen gjelder, og hva tallene betyr i den virkelige situasjonen.

4.2.1 Derivasjon og integrasjon i modeller

I forrige seksjon fant vi den kvadratiske modellen \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\) for CO\(_2\)-konsentrasjonen, der \(x\) er år siden \(1960\). Hvor fort stiger konsentrasjonen i \(2020\)? Hvor mye har den steget til sammen fra \(2000\) til \(2020\)? Hva var gjennomsnittet? Slike spørsmål besvarer vi med den deriverte og det bestemte integralet.

Læringsmål

Etter dette delkapittelet skal du kunne

  • tolke den deriverte av en modell som endringsfart, med riktig enhet,
  • regne ut og tolke samlet endring og gjennomsnittsverdi med integral,
  • finne når en modell når en bestemt verdi eller endringsfart,
  • vurdere for hvilke verdier en modell er rimelig.

Endringsfart

Den deriverte \(g'(x)\) er endringsfarten til modellen i \(x\). Enheten er enheten til \(g\) delt på enheten til \(x\). Er \(g\) målt i ppm og \(x\) i år, er \(g'\) målt i ppm per år.

CO\(_2\)-konsentrasjonen er modellert som \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\) ppm, der \(x\) er år siden \(1960\). Finn \(g'(x)\), og regn ut endringsfarten i \(1960\), \(1990\) og \(2020\). Hvor stor er den relative veksten i \(2020\)?

Deriver ledd for ledd. Den relative veksten er \(\dfrac{g'(x)}{g(x)}\).

\(g'(x) = 0{,}0268x + 0{,}8086\).

I \(1960\) (\(x = 0\)): \(g'(0) = 0{,}81\) ppm per år. I \(1990\) (\(x = 30\)): \(g'(30) = 1{,}61\) ppm per år. I \(2020\) (\(x = 60\)): \(g'(60) = 2{,}42\) ppm per år.

Stigningen har altså tredoblet seg på \(60\) år. I \(2020\) er \(g(60) \approx 413{,}6\), så den relative veksten er \(\dfrac{2{,}42}{413{,}6} \approx 0{,}0058\), altså omtrent \(0{,}58\ \%\) per år.

Samlet endring

Siden \(g\) er en antiderivert til \(g'\), gir analysens fundamentalteorem at den samlede endringen fra \(x = a\) til \(x = b\) er

\[ \int_a^b g'(x)\,\mathrm{d}x = g(b) - g(a) \]

CO\(_2\)-konsentrasjonen er modellert som \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\) ppm, der \(x\) er år siden \(1960\). Hvor mye økte konsentrasjonen fra \(2000\) til \(2020\) ifølge modellen? Hva var gjennomsnittlig endringsfart?

Regn ut \(g(60) - g(40)\). Gjennomsnittlig endringsfart er den samlede endringen delt på tiden.

\(g(60) = 413{,}6\) og \(g(40) = 370{,}6\), så økningen er \(413{,}6 - 370{,}6 = 43{,}0\) ppm. Gjennomsnittlig endringsfart er \(\dfrac{43{,}0}{20} = 2{,}15\) ppm per år. Det er mellom \(g'(40) = 1{,}88\) og \(g'(60) = 2{,}42\), som det skal være for en voksende endringsfart.

Gjennomsnitt og summer over tid

Gjennomsnittsverdien til en modell \(g\) på \([a, b]\) er \(\dfrac{1}{b - a}\displaystyle\int_a^b g(x)\,\mathrm{d}x\).

CO\(_2\)-konsentrasjonen er modellert som \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\) ppm, der \(x\) er år siden \(1960\). Finn gjennomsnittlig konsentrasjon fra \(1960\) til \(2020\), altså gjennomsnittet av \(g\) på \([0, 60]\).

Finn antideriverten til \(g\) og regn ut integralet.

En antiderivert er \(G(x) = 0{,}0134\cdot\dfrac{x^3}{3} + 0{,}8086\cdot\dfrac{x^2}{2} + 316{,}86x\). Da er \(G(60) - G(0) = 964{,}8 + 1455{,}5 + 19\,011{,}6 \approx 21\,431{,}9\), så gjennomsnittet er \(\dfrac{21\,431{,}9}{60} \approx 357{,}2\) ppm.

Daglengden i Oslo er modellert som \(D(t) = 6{,}14\sin\!\left(\dfrac{2\pi}{365}t - 1{,}377\right) + 12\) timer. Hvor mange timer med dagslys er det i løpet av et år?

Regn ut \(\displaystyle\int_0^{365} D(t)\,\mathrm{d}t\). Hva er integralet av sinus over en hel periode?

Over en hel periode er integralet av sinusleddet \(0\), fordi de positive og negative delene er like store. Det som er igjen, er \(\displaystyle\int_0^{365} 12\,\mathrm{d}t = 12\cdot 365 = 4380\). Det er \(4380\) timer med dagslys, altså gjennomsnittlig \(12\) timer per døgn. Det er likevektslinja som bestemmer gjennomsnittet.

Når nås en verdi?

CO\(_2\)-konsentrasjonen er modellert som \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\) ppm, der \(x\) er år siden \(1960\). Når er endringsfarten i modellen \(3\) ppm per år?

Løs \(g'(x) = 3\).

\(0{,}0268x + 0{,}8086 = 3\) gir \(x = \dfrac{3 - 0{,}8086}{0{,}0268} \approx 81{,}8\). Det er omtrent år \(2042\). Husk at dette er ekstrapolering: Modellen forutsetter at utviklingen fortsetter som før.

Gyldighetsområde

En modell passer bare for noen verdier av \(x\). Vi kaller dem modellens gyldighetsområde. Utenfor det kan modellen gi urimelige svar.

En bestand er modellert som \(B(x) = -0{,}5x^2 + 4x + 1\) (i tusen individer), der \(x\) er år. For hvilke \(x\) gir modellen en rimelig bestand?

Bestanden kan ikke være negativ. Finn nullpunktene til \(B\).

\(B(x) = 0\) gir \(x^2 - 8x - 2 = 0\), så \(x = 4 \pm \sqrt{18}\), altså \(x \approx -0{,}24\) og \(x \approx 8{,}24\). Bestanden er positiv for \(0 \leq x < 8{,}24\). Etter omtrent \(8{,}2\) år gir modellen en negativ bestand, som er urimelig. Gyldighetsområdet er \(0 \leq x \leq 8{,}2\).

CO\(_2\)-konsentrasjonen er modellert som \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\) ppm, der \(x\) er år siden \(1960\). Den deriverte er \(g'(60) = 2{,}42\) ppm per år. Kontroller dette ved å regne ut den symmetriske differensen i \(x = 60\).

Bruk \(h = 0{,}01\) og \(\dfrac{g(60 + h) - g(60 - h)}{2h}\).

g = lambda x: 0.0134*x**2 + 0.8086*x + 316.86
h = 0.01
d = (g(60 + h) - g(60 - h)) / (2*h)
print(round(d, 2))
2.42

Svaret er \(2{,}42\) ppm per år.

AdvarselVanlige feil
  • Å forveksle \(g(x)\) og \(g'(x)\). Verdien til modellen har enhet ppm. Den deriverte har enhet ppm per år.
  • Å glemme at gjennomsnittsverdien er integralet delt på lengden av intervallet.
  • Å bruke modellen utenfor gyldighetsområdet. Sjekk alltid om svaret er rimelig.
  • Å tolke en økning som prosent uten å dele på startverdien: \(2{,}42\) ppm per år er ikke \(2{,}42\ \%\).

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

Modellen er \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\). Hva er endringsfarten i \(2020\) (\(x = 60\))? Svar i ppm per år med to desimaler.

Hvor mye økte konsentrasjonen fra \(2000\) til \(2020\) ifølge modellen? Svar med én desimal.

Hva er enheten til \(g'(x)\) når \(g\) er målt i ppm og \(x\) i år?

Nivå 2

Når er endringsfarten \(3\) ppm per år ifølge modellen? Svar i antall år etter \(1960\), avrundet til hele år.

Hva er gjennomsnittet av modellen \(g\) på \([0, 60]\)? Svar med én desimal.

Daglengden er \(D(t) = 6{,}14\sin\!\left(\dfrac{2\pi}{365}t - 1{,}377\right) + 12\) timer. Hvor mange timer med dagslys er det i løpet av et år?

En bestand er \(B(x) = -0{,}5x^2 + 4x + 1\) tusen individer. Etter omtrent hvor mange år blir modellen urimelig? Svar med én desimal.

Kari sier at siden \(g'(60) = 2{,}42\), er konsentrasjonen \(2{,}42\) ppm i \(2020\). Hva er galt?

Kodeoppgaver

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

Hva skriver programmet ut?

g = lambda x: x**2
h = 0.01
d = (g(3 + h) - g(3 - h)) / (2*h)
print(round(d, 2))
Utfordringer

Vis at for \(f(x) = a\cdot b^x\) er den relative veksten \(\dfrac{f'(x)}{f(x)}\) konstant, og finn den. Hva blir den for \(b = 1{,}00448\)?

Hvilket år når konsentrasjonen \(500\) ppm ifølge den kvadratiske modellen? Kommenter svaret.

Oppsummering

Endringsfart

\[ g'(x), \quad \text{enhet: enheten til } g \text{ per enhet av } x \]

Samlet endring

\[ \int_a^b g'(x)\,\mathrm{d}x = g(b) - g(a) \]

Gjennomsnittsverdi

\[ \bar{g} = \frac{1}{b - a}\int_a^b g(x)\,\mathrm{d}x \]

Relativ vekst

\[ \frac{g'(x)}{g(x)} \]

  • Oppgi alltid enhet.
  • Vurder gyldighetsområdet før du bruker modellen.

4.3 Vekstmodeller

En bakterie deler seg, og de to nye deler seg igjen. En virus sprer seg fra en person til flere. Kapitalen på en konto vokser med renter. Slik vekst kalles eksponentiell, og den kan ikke fortsette for alltid, for det er grenser for hvor mye plass og mat det finnes. I denne seksjonen ser vi på tre modeller for vekst: eksponentiell, begrenset og logistisk. Vi lærer også hvordan de henger sammen med differensiallikninger.

4.3.1 Eksponentiell, begrenset og logistisk vekst

Du legger \(50\) bakterier i en petriskål med næring. Først fordobles antallet gang på gang. Men skålen har plass til omtrent \(1200\) bakterier, og etter hvert som den fylles, går veksten av seg selv saktere, til antallet nesten ikke øker lenger. Vekstkurven ser ut som en strukket S. Denne kurven kalles logistisk, og vi skal se hvordan vi finner formelen for den.

Læringsmål

Etter dette delkapittelet skal du kunne

  • skille mellom eksponentiell, begrenset og logistisk vekst, og velge modell ut fra situasjonen,
  • bruke formlene for de tre modellene og finne verdier og tidspunkter,
  • finne vendepunktet og tidspunktet for størst vekstfart i en logistisk modell,
  • tilpasse en logistisk modell til data med Python.

Tre modeller

Vi tenker oss en størrelse \(N(t)\) som en funksjon av tiden \(t\).

RegelTre vekstmodeller

Eksponentiell vekst har konstant relativ vekst:

\[ N(t) = N_0\,\mathrm{e}^{kt} \qquad (k > 0) \]

Begrenset vekst nærmer seg en grense \(L\) uten å overskride den:

\[ N(t) = L - (L - N_0)\,\mathrm{e}^{-kt} \qquad (k > 0) \]

Logistisk vekst starter som eksponentiell, men flater ut mot grensen \(L\):

\[ N(t) = \frac{L}{1 + a\,\mathrm{e}^{-kt}}, \qquad a = \frac{L - N_0}{N_0} \]

Tre vekstkurver fra null til ti: En eksponentiell som stiger stadig brattere, en begrenset kurve som stiger raskt først og flater ut mot en grense, og en logistisk kurve formet som en S, som flater ut mot den samme grensen.

I den eksponentielle modellen vokser \(N\) over alle grenser. I de to andre er \(L\) en øvre grense, og \(N\) går mot \(L\) når \(t\) vokser, fordi \(\mathrm{e}^{-kt} \to 0\).

En kopp kaffe på \(80\) grader står i et rom på \(20\) grader. Temperaturen følger modellen \(T(t) = 20 + 60\,\mathrm{e}^{-0{,}1t}\), der \(t\) er minutter. Hva er temperaturen etter \(10\) minutter, og når er den \(30\) grader?

Sett inn \(t = 10\). For den siste delen løser du \(20 + 60\mathrm{e}^{-0{,}1t} = 30\) med logaritmer.

\(T(10) = 20 + 60\,\mathrm{e}^{-1} \approx 20 + 22{,}07 = 42{,}1\) grader.

\(20 + 60\,\mathrm{e}^{-0{,}1t} = 30\) gir \(\mathrm{e}^{-0{,}1t} = \dfrac{10}{60} = \dfrac{1}{6}\), så \(-0{,}1t = -\ln 6\) og \(t = 10\ln 6 \approx 17{,}9\) minutter.

Modellen nærmer seg romtemperaturen \(20\) grader, som er grensen \(L\).

Logistisk vekst

I den logistiske modellen er \(N(0) = N_0\), og \(N(t) \to L\) når \(t \to \infty\). Veksten er raskest når \(N\) er halvparten av \(L\), og kurven har vendepunkt der.

En bestand er modellert som \(N(t) = \dfrac{1000}{1 + 9\,\mathrm{e}^{-0{,}5t}}\). Finn startverdien, bestanden etter \(4\) år, og når bestanden er \(500\).

Sett inn \(t = 0\) og \(t = 4\). For \(N(t) = 500\) er nevneren \(2\).

\(N(0) = \dfrac{1000}{1 + 9} = 100\). \(N(4) = \dfrac{1000}{1 + 9\mathrm{e}^{-2}} \approx \dfrac{1000}{2{,}218} \approx 450{,}9\).

\(\dfrac{1000}{1 + 9\mathrm{e}^{-0{,}5t}} = 500\) gir \(1 + 9\mathrm{e}^{-0{,}5t} = 2\), altså \(\mathrm{e}^{-0{,}5t} = \dfrac{1}{9}\), så \(t = 2\ln 9 \approx 4{,}39\) år.

Siden \(500\) er halvparten av grensen \(1000\), er \(t \approx 4{,}39\) også tidspunktet der veksten er raskest.

For modellen \(N(t) = \dfrac{1000}{1 + 9\,\mathrm{e}^{-0{,}5t}}\): Hvor stor er vekstfarten ved størst, og hvor mye vokser bestanden da per år?

Du kan bruke at \(N'(t) = 0{,}5\,N\left(1 - \dfrac{N}{1000}\right)\) (se neste delkapittel). Prøv \(N = 500\).

Med \(N = 500\) er \(N' = 0{,}5\cdot 500\cdot\left(1 - \dfrac{500}{1000}\right) = 125\). Bestanden vokser med \(125\) per år når den er størst. Generelt er den største vekstfarten \(\dfrac{kL}{4}\), her \(\dfrac{0{,}5\cdot 1000}{4} = 125\).

Tilpasse logistisk modell til data

Anta at vi kjenner grensen \(L\). Da gir omskriving av \(N = \dfrac{L}{1 + a\mathrm{e}^{-kt}}\) at \(\ln\!\left(\dfrac{L}{N} - 1\right) = \ln a - kt\). Det er en rett linje i \(t\), så vi kan bruke lineær regresjon.

En bakteriekultur har gitt disse målingene (konstruert eksempel):

\(t\) (timer) \(0\) \(2\) \(4\) \(6\) \(8\) \(10\) \(12\)
\(N\) \(50\) \(130\) \(300\) \(590\) \(860\) \(1030\) \(1120\)

Skålen har plass til omtrent \(L = 1200\) bakterier. Tilpass en logistisk modell.

Lag \(z = \ln\!\left(\dfrac{L}{N} - 1\right)\) og tilpass en rett linje til \((t, z)\). Stigningstallet er \(-k\) og konstantleddet er \(\ln a\).

import numpy as np

t = np.array([0, 2, 4, 6, 8, 10, 12])
N = np.array([50, 130, 300, 590, 860, 1030, 1120])
L = 1200
z = np.log(L / N - 1)
m, c = np.polyfit(t, z, 1)
k, a = -m, np.exp(c)
print(round(k, 3), round(a, 1))
0.485 21.2

Modellen er \(N(t) = \dfrac{1200}{1 + 21{,}2\,\mathrm{e}^{-0{,}485t}}\). Starter vi med \(N_0 = 50\), ville vi fått \(a = \dfrac{1200 - 50}{50} = 23\), så modellen er nær det vi forventer.

AdvarselVanlige feil
  • Å bruke eksponentiell modell for lang tid. Ingen størrelse i naturen kan vokse eksponentielt for alltid.
  • Å forveksle begrenset og logistisk vekst. Begrenset vekst er raskest i begynnelsen, logistisk vekst er raskest i midten.
  • Å glemme at \(a = \dfrac{L - N_0}{N_0}\) avhenger av startverdien.
  • Å tro at \(L\) er verdien etter en bestemt tid. Grensen \(L\) nås aldri, bare nærmet seg.

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

Hvilken modell passer til hver situasjon?

Kaffe som kjøles ned mot romtemperatur.
Et rykte som sprer seg i en skole med \(500\) elever, og nesten alle har hørt det til slutt.

Temperaturen er \(T(t) = 20 + 60\,\mathrm{e}^{-0{,}1t}\). Hva er temperaturen etter \(10\) minutter? Svar med én desimal.

Bestanden er \(N(t) = \dfrac{1000}{1 + 9\mathrm{e}^{-0{,}5t}}\). Hva er \(N(0)\)?

Nivå 2

Når er \(T(t) = 20 + 60\mathrm{e}^{-0{,}1t} = 30\)? Svar i minutter med én desimal.

Når er bestanden \(N(t) = \dfrac{1000}{1 + 9\mathrm{e}^{-0{,}5t}}\) lik \(500\)? Svar i år med to desimaler.

Størst vekstfart i en logistisk modell er \(\dfrac{kL}{4}\). Hva er den for \(k = 0{,}5\) og \(L = 1000\)?

Per sier at i en logistisk modell er veksten raskest i begynnelsen. Hva er galt?

Kodeoppgaver

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

Hva skriver programmet ut?

from math import exp
N = lambda t: 1000 / (1 + 9*exp(-0.5*t))
print(round(N(4), 1))
Utfordringer

Vis at \(N(t) = \dfrac{L}{1 + a\mathrm{e}^{-kt}}\) går mot \(L\) når \(t \to \infty\), og at \(N(0) = \dfrac{L}{1 + a}\).

Vis at \(\ln\!\left(\dfrac{L}{N} - 1\right) = \ln a - kt\) for \(N = \dfrac{L}{1 + a\mathrm{e}^{-kt}}\).

Oppsummering

Eksponentiell vekst

\[ N(t) = N_0\,\mathrm{e}^{kt} \]

Begrenset vekst

\[ N(t) = L - (L - N_0)\mathrm{e}^{-kt} \]

Logistisk vekst

\[ N(t) = \frac{L}{1 + a\mathrm{e}^{-kt}}, \quad a = \frac{L - N_0}{N_0} \]

Størst vekstfart (logistisk)

\[ \frac{kL}{4} \text{ ved } N = \frac{L}{2} \]

  • Begrenset vekst er raskest i begynnelsen, logistisk vekst i midten.
  • Omskriving: \(\ln\!\left(\frac{L}{N} - 1\right) = \ln a - kt\).

4.3.2 Vekstmodeller og differensiallikninger

I en bakteriekultur deler hver bakterie seg like ofte, så jo flere bakterier, jo raskere vokser kulturen. Vekstfarten \(N'(t)\) er proporsjonal med antallet: \(N'(t) = k\,N(t)\). Dette er en differensiallikning: en likning der den ukjente er en funksjon, og der den deriverte av funksjonen inngår. Å løse den betyr å finne alle funksjonene som oppfyller likningen. Fra eksponentialfunksjonene vet vi at \(N(t) = C\mathrm{e}^{kt}\) gjør det. Her skal vi se hvordan alle tre vekstmodellene kommer ut av enkle differensiallikninger.

Læringsmål

Etter dette delkapittelet skal du kunne

  • kontrollere at en funksjon er en løsning av en differensiallikning,
  • bestemme løsningen ut fra en startverdi,
  • løse separable differensiallikninger,
  • utlede modellene for eksponentiell, begrenset og logistisk vekst fra differensiallikninger,
  • løse en differensiallikning numerisk med Eulers metode i Python.

Differensiallikninger og løsninger

En differensiallikning av første orden har formen \(y' = F(x, y)\). En løsning er en funksjon \(y(x)\) som gjør likningen sann for alle \(x\). Som regel finnes det uendelig mange løsninger, med en konstant som kan velges fritt. Gir vi i tillegg en startverdi (initialbetingelse), for eksempel \(y(0) = 5\), blir løsningen entydig.

Vis at \(y = C\mathrm{e}^{2x}\) løser \(y' = 2y\) for en vilkårlig konstant \(C\), og finn løsningen med \(y(0) = 3\).

Deriver \(y\) og sammenlign med \(2y\). Bruk startverdien til å finne \(C\).

Fra \(y = C\mathrm{e}^{2x}\) får vi \(y' = 2C\mathrm{e}^{2x} = 2y\). Det stemmer for alle \(C\).

Fra \(y(0) = C\mathrm{e}^0 = C = 3\) får vi løsningen \(y = 3\mathrm{e}^{2x}\).

Separable differensiallikninger

En differensiallikning er separabel hvis vi kan skrive den som \(y' = g(x)\,h(y)\). Da kan vi samle alle \(y\) på én side og alle \(x\) på den andre og integrere begge sider.

RegelSeparasjon av variable

For \(\dfrac{\mathrm{d}y}{\mathrm{d}x} = g(x)\,h(y)\) med \(h(y) \neq 0\) er

\[ \int \frac{1}{h(y)}\,\mathrm{d}y = \int g(x)\,\mathrm{d}x \]

Etter integrasjonen løser vi for \(y\), og bruker startverdien til å bestemme konstanten.

Løs \(N' = kN\) med \(N(0) = N_0\), der \(N > 0\).

Skriv \(\dfrac{\mathrm{d}N}{\mathrm{d}t} = kN\) og separér: \(\dfrac{1}{N}\,\mathrm{d}N = k\,\mathrm{d}t\).

\(\displaystyle\int \dfrac{1}{N}\,\mathrm{d}N = \int k\,\mathrm{d}t\) gir \(\ln N = kt + C_1\). Opphøyer vi med \(\mathrm{e}\), får vi \(N = \mathrm{e}^{C_1}\mathrm{e}^{kt} = C\mathrm{e}^{kt}\) med \(C = \mathrm{e}^{C_1}\). Fra \(N(0) = N_0\) får vi \(C = N_0\):

\[ N(t) = N_0\,\mathrm{e}^{kt} \]

Newtons avkjølingslov sier at temperaturen \(T\) til en gjenstand endrer seg proporsjonalt med forskjellen til omgivelsene: \(T' = -k(T - T_{\text{o}})\), der \(T_{\text{o}}\) er romtemperaturen. Løs likningen med \(T(0) = T_0\).

Separér: \(\dfrac{1}{T - T_{\text{o}}}\,\mathrm{d}T = -k\,\mathrm{d}t\).

Integrasjon gir \(\ln|T - T_{\text{o}}| = -kt + C_1\), altså \(T - T_{\text{o}} = C\mathrm{e}^{-kt}\). Fra \(T(0) = T_0\) er \(C = T_0 - T_{\text{o}}\):

\[ T(t) = T_{\text{o}} + \left(T_0 - T_{\text{o}}\right)\mathrm{e}^{-kt} \]

Det er den begrensede veksten fra forrige delkapittel, med grense \(T_{\text{o}}\).

Løs \(y' = x\,y\) med \(y(0) = 2\), der \(y > 0\).

Separér: \(\dfrac{1}{y}\,\mathrm{d}y = x\,\mathrm{d}x\).

\(\ln y = \dfrac{x^2}{2} + C_1\), så \(y = C\mathrm{e}^{x^2/2}\). Fra \(y(0) = C = 2\) får vi \(y = 2\mathrm{e}^{x^2/2}\). Kontroll: \(y' = 2\cdot x\mathrm{e}^{x^2/2} = x\,y\).

Logistisk vekst

I den logistiske modellen er veksten proporsjonal både med antallet \(N\) og med hvor mye plass som er igjen, \(1 - \dfrac{N}{L}\):

\[ N' = kN\left(1 - \frac{N}{L}\right) \]

Løs \(N' = kN\left(1 - \dfrac{N}{L}\right)\) med \(0 < N < L\) og \(N(0) = N_0\).

Separér og bruk delbrøkoppspalting: \(\dfrac{1}{N\left(1 - N/L\right)} = \dfrac{1}{N} + \dfrac{1/L}{1 - N/L}\).

Separasjon gir \(\displaystyle\int \dfrac{1}{N\left(1 - N/L\right)}\,\mathrm{d}N = \int k\,\mathrm{d}t\). Delbrøkene gir

\[ \int\left(\frac{1}{N} + \frac{1}{L - N}\right)\mathrm{d}N = \ln N - \ln(L - N) = \ln\frac{N}{L - N} = kt + C_1 \]

Opphøyer vi med \(\mathrm{e}\): \(\dfrac{N}{L - N} = C\mathrm{e}^{kt}\). Løser vi for \(N\), får vi \(N = \dfrac{L\,C\mathrm{e}^{kt}}{1 + C\mathrm{e}^{kt}} = \dfrac{L}{1 + \frac{1}{C}\mathrm{e}^{-kt}}\). Med \(a = \dfrac{1}{C} = \dfrac{L - N_0}{N_0}\) er

\[ N(t) = \frac{L}{1 + a\,\mathrm{e}^{-kt}} \]

Numerisk løsning med Eulers metode

Mange differensiallikninger har ingen løsning i formler. Da kan vi regne ut løsningen i små skritt. Fra \(y' = F(x, y)\) følger at \(y(x + h) \approx y(x) + h\,F(x, y(x))\) for liten \(h\). Vi starter i startverdien og tar ett skritt av gangen.

RegelEulers metode

For \(y' = F(x, y)\) med \(y(x_0) = y_0\) og skrittlengde \(h\) er

\[ x_{n+1} = x_n + h, \qquad y_{n+1} = y_n + h\,F(x_n, y_n) \]

Bruk Eulers metode på \(N' = 0{,}5N\left(1 - \dfrac{N}{1000}\right)\) med \(N(0) = 100\), og regn ut \(N(4)\) med \(h = 0{,}1\). Sammenlign med den eksakte verdien \(N(4) \approx 450{,}9\).

Gjør \(40\) skritt med \(h = 0{,}1\).

def F(t, N):
    return 0.5 * N * (1 - N / 1000)

t, N, h = 0, 100, 0.1
for i in range(40):
    N = N + h * F(t, N)
    t = t + h
print(round(N, 1))
444.6

Eulers metode gir \(444{,}6\), litt under det eksakte svaret \(450{,}9\). Med \(h = 0{,}01\) blir svaret \(450{,}2\). Mindre skritt gir bedre nøyaktighet.

AdvarselVanlige feil
  • Å glemme integrasjonskonstanten. Den må med, og bestemmes av startverdien.
  • Å dele på \(y\) uten å sjekke at \(y \neq 0\). Konstante løsninger som \(y = 0\) kan mistes.
  • Å glemme absoluttverdien i \(\ln|y|\). Sjekk fortegnet til \(y\).
  • Å bruke for stor skrittlengde i Eulers metode. Feilen er proporsjonal med \(h\).

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

Er \(y = 5\mathrm{e}^{-3x}\) en løsning av \(y' = -3y\)?

Løs \(N' = 0{,}3N\) med \(N(0) = 5\), og finn \(N(10)\) med to desimaler.

Bruk Eulers metode på \(y' = y\) med \(y(0) = 1\) og \(h = 0{,}5\). Hva er \(y(1)\) (to skritt)?

Nivå 2

Løs \(y' = 0{,}2(100 - y)\) med \(y(0) = 20\), og finn \(y(5)\) med én desimal.

Løs \(y' = x\,y\) med \(y(0) = 2\), og finn \(y(2)\) med to desimaler.

Løs \(N' = 0{,}5N\left(1 - \dfrac{N}{1000}\right)\) med \(N(0) = 100\) og finn \(N(4)\) med én desimal.

Ola løser \(y' = 2y\) med \(y(0) = 3\) og skriver \(y = 3\mathrm{e}^{x}\). Hva er galt?

Kodeoppgaver

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

Hva skriver programmet ut?

y, h = 1, 0.25
for i in range(4):
    y = y + h * y
print(round(y, 3))
Utfordringer

Vis at \(T(t) = L - (L - N_0)\mathrm{e}^{-kt}\) løser \(T' = k(L - T)\) med \(T(0) = N_0\).

Bruk likningen \(N' = kN\left(1 - \dfrac{N}{L}\right)\) til å vise at vekstfarten er størst når \(N = \dfrac{L}{2}\), og finn den største verdien.

Oppsummering

Eksponentiell vekst

\[ N' = kN \ \Rightarrow \ N = N_0\mathrm{e}^{kt} \]

Begrenset vekst

\[ N' = k(L - N) \ \Rightarrow \ N = L - (L - N_0)\mathrm{e}^{-kt} \]

Logistisk vekst

\[ N' = kN\left(1 - \tfrac{N}{L}\right) \ \Rightarrow \ N = \frac{L}{1 + a\mathrm{e}^{-kt}} \]

Eulers metode

\[ y_{n+1} = y_n + h\,F(x_n, y_n) \]

  • Separabel: \(\int \frac{1}{h(y)}\,\mathrm{d}y = \int g(x)\,\mathrm{d}x\).
  • Bruk startverdien til å bestemme konstanten.

4.4 Frie svingninger

En kloss på ei fjær, et pendel og en stemmegaffel svinger fram og tilbake. Når ingenting påvirker dem utenfra etter at de er satt i gang, kalles det en fri svingning. Disse systemene følger en differensiallikning der akselerasjonen er proporsjonal med utslaget, og løsningen er en sinusfunksjon.

4.4.1 Harmoniske svingninger

En kloss med masse \(m\) henger i ei fjær med fjærkonstant \(k\). Trekker vi klossen ned og slipper, svinger den opp og ned. Kraften fra fjæra er \(F = -kx\), der \(x\) er utslaget fra likevektsposisjonen: Jo lenger ut, jo sterkere trekker fjæra tilbake. Newtons andre lov, \(F = ma\), gir \(m\,x'' = -kx\), altså

\[ x''(t) = -\omega^2\,x(t), \qquad \omega = \sqrt{\frac{k}{m}} \]

Det er en differensiallikning der den andrederiverte av \(x\) er proporsjonal med \(x\), med motsatt fortegn. Vi kjenner funksjoner som har dette trekket: sinus og cosinus.

Læringsmål

Etter dette delkapittelet skal du kunne

  • vise at \(x(t) = R\sin(\omega t + \varphi)\) løser \(x'' = -\omega^2 x\),
  • finne løsningen ut fra startutslag og starthastighet,
  • regne ut periode, frekvens, amplitude, største fart og største akselerasjon,
  • bruke modellen på fjær og pendel,
  • beskrive en dempet svingning og simulere en svingning med Python.

Løsningen av svingelikningen

La \(x(t) = A\cos(\omega t) + B\sin(\omega t)\). Da er

\[ x'(t) = -A\omega\sin(\omega t) + B\omega\cos(\omega t), \qquad x''(t) = -A\omega^2\cos(\omega t) - B\omega^2\sin(\omega t) = -\omega^2\,x(t) \]

Altså løser \(x\) svingelikningen for alle tall \(A\) og \(B\). Med den harmoniske summen fra delkapittel 3.4.2 kan vi skrive \(A\cos(\omega t) + B\sin(\omega t) = R\sin(\omega t + \varphi)\) med \(R = \sqrt{A^2 + B^2}\).

RegelHarmonisk svingning

Differensiallikningen \(x'' = -\omega^2 x\) har løsningene

\[ x(t) = R\sin(\omega t + \varphi) = A\cos(\omega t) + B\sin(\omega t) \]

  • Amplituden er \(R = \sqrt{A^2 + B^2}\).
  • Perioden er \(T = \dfrac{2\pi}{\omega}\) og frekvensen er \(f = \dfrac{1}{T} = \dfrac{\omega}{2\pi}\).
  • Farten er \(v = x'\) og akselerasjonen er \(a = x'' = -\omega^2 x\).
  • Startvilkår: \(x(0) = A\) og \(x'(0) = B\omega\).

Største fart er \(R\omega\) (når \(x = 0\)) og største akselerasjon er \(R\omega^2\) (når utslaget er størst). For en fjær er \(\omega = \sqrt{\dfrac{k}{m}}\), så perioden er \(T = 2\pi\sqrt{\dfrac{m}{k}}\). Merk at perioden ikke avhenger av amplituden.

En kloss på \(0{,}5\) kg henger i ei fjær med \(k = 50\) N/m. Finn \(\omega\), perioden og frekvensen.

Bruk \(\omega = \sqrt{\dfrac{k}{m}}\) og \(T = \dfrac{2\pi}{\omega}\).

\(\omega = \sqrt{\dfrac{50}{0{,}5}} = \sqrt{100} = 10\) rad/s. Perioden er \(T = \dfrac{2\pi}{10} \approx 0{,}628\) s, og frekvensen er \(f = \dfrac{1}{T} \approx 1{,}59\) Hz.

Klossen trekkes \(0{,}1\) m ned og slippes uten fart. Finn \(x(t)\), største fart og største akselerasjon.

\(x(0) = A = 0{,}1\) og \(x'(0) = B\omega = 0\), så \(B = 0\).

\(x(t) = 0{,}1\cos(10t)\) (med utslaget positivt nedover). Amplituden er \(R = 0{,}1\) m. Største fart er \(R\omega = 0{,}1\cdot 10 = 1\) m/s, og største akselerasjon er \(R\omega^2 = 0{,}1\cdot 100 = 10\) m/s².

For en svingning med \(\omega = 6\) er \(x(0) = 0{,}05\) m og \(x'(0) = 0{,}3\) m/s. Finn \(x(t)\), amplituden og skriv løsningen som \(R\sin(\omega t + \varphi)\).

\(A = x(0)\) og \(B = \dfrac{x'(0)}{\omega}\). Bruk \(R = \sqrt{A^2 + B^2}\) og \(\varphi = \operatorname{atan2}(A, B)\) for sinusformen.

\(A = 0{,}05\) og \(B = \dfrac{0{,}3}{6} = 0{,}05\). Da er \(x(t) = 0{,}05\cos(6t) + 0{,}05\sin(6t)\). Amplituden er \(R = 0{,}05\sqrt{2} \approx 0{,}0707\) m.

Skriver vi \(x = R\sin(\omega t + \varphi)\), er \(R\sin\varphi = A = 0{,}05\) og \(R\cos\varphi = B = 0{,}05\) (siden \(\sin(\omega t + \varphi) = \sin\omega t\cos\varphi + \cos\omega t\sin\varphi\)). Det gir \(\varphi = \dfrac{\pi}{4}\), så

\[ x(t) = 0{,}0707\sin\!\left(6t + \frac{\pi}{4}\right) \]

Pendel

Et pendel med lengde \(L\) og små utsving oppfører seg tilnærmet som en harmonisk svingning med \(\omega = \sqrt{\dfrac{g}{L}}\), der \(g \approx 9{,}81\) m/s². Perioden er

\[ T = 2\pi\sqrt{\frac{L}{g}} \]

Hvor lang periode har et pendel på \(1{,}00\) m? Hvor langt må pendelet være for at perioden skal bli \(2{,}00\) s?

Løs \(T = 2\pi\sqrt{\dfrac{L}{g}}\) for \(L\) i andre del.

\(T = 2\pi\sqrt{\dfrac{1}{9{,}81}} \approx 2{,}01\) s. For \(T = 2\) er \(L = \dfrac{gT^2}{4\pi^2} = \dfrac{9{,}81\cdot 4}{4\pi^2} \approx 0{,}994\) m, altså nesten en meter.

Demping

I virkeligheten dør en svingning ut, fordi friksjon tar energi. En dempet svingning kan modelleres som \(x(t) = R\,\mathrm{e}^{-\gamma t}\cos(\omega t)\), der amplituden \(R\mathrm{e}^{-\gamma t}\) avtar eksponentielt.

Utslaget er \(x(t) = 0{,}1\,\mathrm{e}^{-0{,}5t}\cos(10t)\). Etter hvor lang tid er amplituden halvert?

Amplituden er \(0{,}1\mathrm{e}^{-0{,}5t}\). Løs \(\mathrm{e}^{-0{,}5t} = \dfrac{1}{2}\).

\(\mathrm{e}^{-0{,}5t} = \dfrac{1}{2}\) gir \(t = \dfrac{\ln 2}{0{,}5} \approx 1{,}39\) s. Etter \(1{,}39\) s er amplituden \(0{,}05\) m.

Simulering med Python

Vi kan løse svingelikningen numerisk. Med \(v = x'\) er \(x' = v\) og \(v' = -\omega^2 x\). Vi oppdaterer først farten, så posisjonen (Euler–Cromer-metoden).

Simuler \(x'' = -100x\) med \(x(0) = 0{,}1\) og \(v(0) = 0\) i \(1\) sekund med \(\Delta t = 0{,}001\), og sammenlign med \(0{,}1\cos 10\).

I hvert steg: \(v \mathrel{+}= -\omega^2 x\,\Delta t\), og så \(x \mathrel{+}= v\,\Delta t\).

from math import cos

w, x, v, dt = 10, 0.1, 0.0, 0.001
for i in range(1000):
    v = v - w**2 * x * dt
    x = x + v * dt
print(round(x, 4), round(0.1 * cos(10), 4))
-0.0836 -0.0839

Simuleringen gir \(-0{,}0836\) og den eksakte verdien er \(-0{,}0839\). De stemmer godt, og blir enda bedre med mindre \(\Delta t\).

AdvarselVanlige feil
  • Å tro at perioden avhenger av amplituden. For en harmonisk svingning gjør den ikke det.
  • Å bruke \(\omega = \dfrac{k}{m}\) i stedet for \(\omega = \sqrt{\dfrac{k}{m}}\).
  • Å forveksle \(\omega\) (rad/s) med frekvensen \(f\) (Hz). Husk \(\omega = 2\pi f\).
  • Å bruke grader i modellen. Argumentet til sinus og cosinus er i radianer.

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 kloss på \(0{,}5\) kg henger i ei fjær med \(k = 50\) N/m. Hva er \(\omega\) i rad/s?

Hva er perioden i sekunder med tre desimaler for svingningen med \(\omega = 10\)?

En svingning er \(x(t) = 0{,}1\cos(10t)\) meter. Hva er største fart i m/s?

Nivå 2

En svingning med \(\omega = 6\) har \(x(0) = 0{,}05\) m og \(x'(0) = 0{,}3\) m/s. Hva er amplituden? Svar med fire desimaler.

Hvor lang periode har et pendel på \(2{,}5\) m? Svar i sekunder med to desimaler.

Massen på klossen i en fjærsvingning firedobles, men fjæra er den samme. Hva skjer med perioden?

Kari sier at hvis vi drar klossen dobbelt så langt ut, blir perioden dobbelt så lang. Hva er galt?

Kodeoppgaver

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

Programmet simulerer \(x'' = -4x\) med \(\Delta t = 0{,}1\). Hva skriver det ut?

from math import cos
w, x, v, dt = 2, 1.0, 0.0, 0.1
for i in range(5):
    v = v - w**2 * x * dt
    x = x + v * dt
print(round(x, 3), round(cos(w * 0.5), 3))

Skriv det første tallet.

Utfordringer

Vis at for \(x = R\sin(\omega t + \varphi)\) er \(v^2 + \omega^2 x^2 = R^2\omega^2\), der \(v = x'\), og forklar hva det betyr for farten i likevektsposisjonen.

Utslaget er \(x(t) = 0{,}1\mathrm{e}^{-0{,}5t}\cos(10t)\). Hvor mange svingninger har klossen gjort når amplituden er halvert?

Oppsummering

Svingelikningen

\[ x'' = -\omega^2 x \]

Løsning

\[ x = R\sin(\omega t + \varphi) = A\cos\omega t + B\sin\omega t \]

Periode og frekvens

\[ T = \frac{2\pi}{\omega}, \quad f = \frac{1}{T} \]

Fjær og pendel

\[ \omega = \sqrt{\tfrac{k}{m}}, \qquad \omega = \sqrt{\tfrac{g}{L}} \]

Startvilkår

\[ A = x(0), \quad B = \frac{x'(0)}{\omega} \]

  • Største fart er \(R\omega\) og største akselerasjon er \(R\omega^2\).
  • Perioden avhenger ikke av amplituden.

4.5 Oppgaver

Tabellen viser verdier av en størrelse \(y\) for \(x = 0, 1, 2, 3\).

\(x\) \(0\) \(1\) \(2\) \(3\)
\(y\) \(5\) \(8\) \(13\) \(20\)
Hvilken modelltype passer?
Hva gir modellen for \(x = 5\)?

Månedlig gjennomsnittstemperatur er modellert som \(T(m) = 8\sin\!\left(\dfrac{2\pi}{12}(m - 4)\right) + 6\), der \(m = 1\) er januar. Hva er gjennomsnittstemperaturen over et år?

CO\(_2\)-modellen er \(g(x) = 0{,}0134x^2 + 0{,}8086x + 316{,}86\), der \(x\) er år siden \(1960\). Hva er endringsfarten i \(2000\) (\(x = 40\)) i ppm per år? Svar med to desimaler.

En bestand er \(N(t) = \dfrac{500}{1 + 4\mathrm{e}^{-0{,}6t}}\). Når er bestanden \(250\)? Svar med to desimaler.

Løs \(y' = 0{,}5(80 - y)\) med \(y(0) = 20\), og finn \(y(4)\) med to desimaler.

En kloss på \(0{,}2\) kg henger i ei fjær med \(k = 20\) N/m. Den trekkes \(0{,}05\) m ut og slippes uten fart. Hva er største fart i m/s?

Bruk Eulers metode på \(y' = -y\) med \(y(0) = 1\) og \(h = 0{,}5\). Hva er \(y(1)\)?

Forklar med egne ord hvorfor en modell som passer svært godt til dataene, likevel kan gi dårlige prognoser langt utenfor dataene. Gi et eksempel.

4.6 Oppsummering

Regresjon og modeller

Avvik

\[ r_i = y_i - f(x_i) \]

Determinasjonskoeffisient

\[ R^2 = 1 - \frac{\text{SSE}}{\sum\left(y_i - \bar{y}\right)^2} \]

Eksponentiell modell

\[ \ln y = \ln a + x\ln b \]

Periodiske modeller og analyse

Sinusmodell

\[ f(t) = A\sin(ct + \varphi) + d, \quad c = \frac{2\pi}{T} \]

Samlet endring

\[ \int_a^b g'(x)\,\mathrm{d}x = g(b) - g(a) \]

Gjennomsnittsverdi

\[ \bar{g} = \frac{1}{b - a}\int_a^b g(x)\,\mathrm{d}x \]

Vekstmodeller

Eksponentiell

\[ N = N_0\mathrm{e}^{kt} \]

Begrenset

\[ N = L - (L - N_0)\mathrm{e}^{-kt} \]

Logistisk

\[ N = \frac{L}{1 + a\mathrm{e}^{-kt}}, \quad a = \frac{L - N_0}{N_0} \]

Differensiallikninger

Separabel

\[ \int \frac{1}{h(y)}\,\mathrm{d}y = \int g(x)\,\mathrm{d}x \]

Eulers metode

\[ y_{n+1} = y_n + h\,F(x_n, y_n) \]

Svingninger

Svingelikningen

\[ x'' = -\omega^2 x, \quad x = R\sin(\omega t + \varphi) \]

Periode

\[ T = \frac{2\pi}{\omega}, \quad \omega = \sqrt{\tfrac{k}{m}} \]