Hopp til hovedinnholdet

Universitetseksamen etter tema

Øv på ett tema om gangen med oppgavene fra universitetseksamenene vi har lagt ut, foreløpig NTNU Matematikk 1, NTNU Matematikk 3, OsloMet Matte 2000 og OsloMet Matte 3000. Velg område og tema, så henter vi oppgavene fra alle settene. Prøv selv først – løsningen ligger under oppgaven når du står fast.

Område

Emne

eksponentialfunksjoner

Velger du flere tema, får du oppgavene som har alle sammen.

1 oppgave i OsloMet Matte 2000 om eksponentialfunksjoner

Oppgavene

MEK2000 konteeksamen 2023

Oppgave 2

Tabellen viser temperaturen T T til kaffen i en kaffekopp ved fire ulike tidspunkter:
TidTemperatur(minutter)(°C)578106115472037 \begin{array}{r|r} \text{Tid} & \text{Temperatur} \\ \text{(minutter)} & \text{(°C)} \\ \hline 5 & 78 \\ 10 & 61 \\ 15 & 47 \\ 20 & 37 \end{array}
Vi går ut fra at temperaturen følger Newtons avkjølingslov noenlunde. Den sier at
ΔT(t)=ΔT0 e−kt \Delta T(t) = \Delta T_0\, e^{-kt}
der ΔT(t) \Delta T(t) er temperaturforskjellen mellom kaffen og omgivelsene, målt i celsiusgrader, etter t t minutter. Vi ønsker å bruke lineær regresjon med minste kvadraters metode til å bestemme verdier for ΔT0 \Delta T_0 og k k slik at dataene i tabellen stemmer best mulig med en funksjon på denne formen.
Hvordan kan man bruke lineær regresjon til å estimere parametrene i en eksponentialfunksjon som denne?
Sett opp likninger som bestemmer ΔT0 \Delta T_0 og k k ved minste kvadraters metode. Merk: Det er ikke meningen at du skal løse disse likningene, bare formulere dem.
Vis løsning på oppgave 2

Svar

Vi tar ln⁡ \ln og tilpasser linja ln⁡ΔT=ln⁡ΔT0−kt {\ln \Delta T = \ln \Delta T_0 - kt} til punktene (ti,ln⁡Ti): (t_i, \ln T_i)\text{:}
4ln⁡ΔT0−50k=∑i=14ln⁡Ti50ln⁡ΔT0−750k=∑i=14tiln⁡Ti‾‾ \underline{\underline{\begin{aligned} 4\ln \Delta T_0 - 50k &= \sum_{i=1}^{4} \ln T_i \\ 50\ln \Delta T_0 - 750k &= \sum_{i=1}^{4} t_i \ln T_i \end{aligned}}}
Tar vi \( \ln \) på begge sider, blir modellen en rett linje i \( t\text{.} \) Den linja tilpasser vi til punktene med minste kvadraters metode.
1. Gjør modellen lineær Vi tar \( \ln \) på begge sider av modellen. Logaritmereglene forteller oss at: \[ \begin{aligned} \ln(p \cdot q) &= \ln p + \ln q \\ \ln p^{\,r} &= r \ln p \end{aligned} \]Reglene ser du i videoen Naturlige Logaritmer.
Sammen med \( {\ln e = 1} \) gir de: \[ \begin{aligned} \ln \Delta T &= \ln\left(\Delta T_0 \cdot e^{-kt}\right) \\ &= \ln \Delta T_0 + \ln e^{-kt} \\ &= \ln \Delta T_0 - kt \cdot \ln e \\ &= \textcolor{blue}{\ln \Delta T_0} \textcolor{red}{- k}\,t \end{aligned} \]
Med \( {y = \ln \Delta T} \) er dette en rett linje i \( t\text{:} \) \[ \begin{aligned} y &= \textcolor{blue}{a} + \textcolor{red}{b}\,t \\ \textcolor{blue}{a} &= \textcolor{blue}{\ln \Delta T_0} \\ \textcolor{red}{b} &= \textcolor{red}{-k} \end{aligned} \]
Vi bruker derfor lineær regresjon på punktene \( (t_i, y_i)\text{,} \) der \( {y_i = \ln \Delta T(t_i)}\text{.} \) Når vi har \( \textcolor{blue}{a} \) og \( \textcolor{red}{b}\text{,} \) får vi parametrene tilbake: \[ \Delta T_0 = e^{\textcolor{blue}{a}}, \qquad k = -\textcolor{red}{b} \]
2. Sett opp kvadratsummen Minste kvadraters metode velger \( \textcolor{blue}{a} \) og \( \textcolor{red}{b} \) slik at summen av de kvadrerte avvikene mellom linja og punktene blir minst mulig: \[ S(\textcolor{blue}{a}, \textcolor{red}{b}) = \sum_{i=1}^{4}\left(\textcolor{blue}{a} + \textcolor{red}{b}\,t_i - y_i\right)^2 \]
I et minimum er gradienten null, som i videoen Hva er et kritisk punkt: \[ \dfrac{\partial S}{\partial \textcolor{blue}{a}} = 0 \quad \text{og} \quad \dfrac{\partial S}{\partial \textcolor{red}{b}} = 0 \]
3. Deriver og sett lik null Kjerneregelen forteller oss at: \[ \left(u^2\right)' = 2u \cdot u' \]Hvis du er usikker på regelen, kan du se videoen Kjerneregelen.
Her er kjernen \( {u = \textcolor{blue}{a} + \textcolor{red}{b}\,t_i - y_i}\text{,} \) og: \[ \dfrac{\partial u}{\partial \textcolor{blue}{a}} = 1, \qquad \dfrac{\partial u}{\partial \textcolor{red}{b}} = t_i \]
Plugger vi dette inn, får vi: \[ \begin{aligned} \sum 2\left(\textcolor{blue}{a} + \textcolor{red}{b}\,t_i - y_i\right) \cdot 1 &= 0 \\ \sum 2\left(\textcolor{blue}{a} + \textcolor{red}{b}\,t_i - y_i\right) \cdot t_i &= 0 \end{aligned} \]
Vi deler på \( 2 \) og deler opp summene. Med fire punkter er \( {\sum \textcolor{blue}{a} = 4\textcolor{blue}{a}}\text{:} \) \[ \begin{aligned} 4\textcolor{blue}{a} + \textcolor{red}{b}\sum t_i &= \sum y_i \\ \textcolor{blue}{a}\sum t_i + \textcolor{red}{b}\sum t_i^2 &= \sum t_i y_i \end{aligned} \]
4. Sett inn tallene Fra tabellen er: \[ \begin{aligned} \sum t_i &= 5 + 10 + 15 + 20 = 50 \\ \sum t_i^2 &= 25 + 100 + 225 + 400 \\ &= 750 \end{aligned} \]
Merk – Tolkning: Oppgaven oppgir ikke temperaturen i omgivelsene, bare temperaturen \( T \) til kaffen. Vi bruker tallene i tabellen som temperaturforskjellene, \( {\Delta T(t_i) = T_i}\text{,} \) som om omgivelsene holder \( 0\,^\circ\text{C}\text{.} \) Tallene følger modellen slik de står: \( \ln T_i \) synker med omtrent \( 0{,}25 \) hvert femte minutt. Med en annen omgivelsestemperatur \( T_\text{o} \) bytter vi \( T_i \) med \( {T_i - T_\text{o}}\text{.} \)
Med \( {y_i = \ln T_i} \) og fire desimaler er: \[ \begin{aligned} y_1 &= \ln 78 \approx 4{,}3567 \\ y_2 &= \ln 61 \approx 4{,}1109 \\ y_3 &= \ln 47 \approx 3{,}8501 \\ y_4 &= \ln 37 \approx 3{,}6109 \end{aligned} \]
Summene på høyre side blir, avrundet til to desimaler: \[ \begin{aligned} \sum y_i &\approx 15{,}93 \\ \sum t_i y_i &= 5y_1 + 10y_2 + 15y_3 + 20y_4 \\ &\approx 192{,}86 \end{aligned} \]
Plugger vi inn summene, \( {\textcolor{blue}{a} = \textcolor{blue}{\ln \Delta T_0}} \) og \( {\textcolor{red}{b} = \textcolor{red}{-k}}\text{,} \) får vi likningene som bestemmer \( \Delta T_0 \) og \( k\text{:} \) \[ \begin{aligned} 4\textcolor{blue}{\ln \Delta T_0} - 50\textcolor{red}{k} &\approx 15{,}93 \\ 50\textcolor{blue}{\ln \Delta T_0} - 750\textcolor{red}{k} &\approx 192{,}86 \end{aligned} \]