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

minste kvadraters metode

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

4 oppgaver i OsloMet Matte 2000 om minste kvadraters metode

Oppgavene

MEK2000 ordinær eksamen 2023

Oppgave 3

Disse tre punktene er gitte:
xy0−21031 \begin{array}{r|r} x & y \\ \hline 0 & -2 \\ 1 & 0 \\ 3 & 1 \end{array}
Figuren viser punktene sammen med et interpolerende polynom og ei regresjonslinje.

Oppgave 3a)

Bestem det polynomet av lavest mulig grad som interpolerer disse punktene.
Dersom du ikke lykkes i å bestemme selve polynomet, vil du likevel få uttelling for å stille opp likningene som bestemmer det.
Vis løsning på oppgave 3a
Svar
p(x)=−12x2+52x−2‾‾ \underline{\underline{p(x) = -\dfrac{1}{2}x^2 + \dfrac{5}{2}x - 2}}
Tre punkter som ikke ligger på én rett linje, trenger et andregradspolynom. Hvert punkt gir én likning for de tre koeffisientene.
1. Finn den laveste graden En rett linje har samme stigning hele veien. Stigningen fra \( {(0, -2)} \) til \( (1, 0)\text{,} \) og fra \( (1, 0) \) til \( (3, 1)\text{,} \) er: \[ \dfrac{0 - (-2)}{1 - 0} = 2, \qquad \dfrac{1 - 0}{3 - 1} = \dfrac{1}{2} \]
Stigningene er ulike, så ingen rett linje går gjennom alle tre punktene. Lavest mulig grad er derfor 2: \[ p(x) = \textcolor{blue}{c_0} + \textcolor{red}{c_1}x + \textcolor{green}{c_2}x^2 \]
2. Sett opp likningene Vi setter inn \( x \) og krever at \( p(x) \) blir \( y\text{,} \) som i videoen Polynom interpolasjon: \[ \begin{aligned} p(0) &= \textcolor{blue}{c_0} = -2 & &\text{(I)} \\ p(1) &= \textcolor{blue}{c_0} + \textcolor{red}{c_1} + \textcolor{green}{c_2} = 0 & &\text{(II)} \\ p(3) &= \textcolor{blue}{c_0} + 3\textcolor{red}{c_1} + 9\textcolor{green}{c_2} = 1 & &\text{(III)} \end{aligned} \]
3. Løs likningssystemet (I) gir \( {\textcolor{blue}{c_0} = -2}\text{.} \) Setter vi det inn i (II) og (III), får vi: \[ \begin{aligned} \textcolor{red}{c_1} + \textcolor{green}{c_2} &= 2 \\ 3\textcolor{red}{c_1} + 9\textcolor{green}{c_2} &= 3 \end{aligned} \]
Vi deler den andre likningen på \( 3 \) og trekker fra den første: \[ \begin{aligned} (\textcolor{red}{c_1} + 3\textcolor{green}{c_2}) - (\textcolor{red}{c_1} + \textcolor{green}{c_2}) &= 1 - 2 \\ 2\textcolor{green}{c_2} &= -1 \\ \textcolor{green}{c_2} &= -\dfrac{1}{2} \end{aligned} \]
Da er: \[ \textcolor{red}{c_1} = 2 - \textcolor{green}{c_2} = 2 + \dfrac{1}{2} = \dfrac{5}{2} \]
Kontroll: \( {p(3) = -2 + \tfrac{15}{2} - \tfrac{9}{2} = 1}\text{.} \)

Oppgave 3b)

Vi kan bruke minste kvadraters metode til å bestemme likninga for ei regresjonslinje for disse punktene. Skriv opp de likningene vi får dersom vi gjør dette.
Her skal du ikke løse disse likningene, bare stille dem opp.
Vis løsning på oppgave 3b
Svar
Med regresjonslinja y=a+bx {y = a + bx} er normallikningene:
3a+4b=−14a+10b=3‾‾ \underline{\underline{\begin{aligned} 3a + 4b &= -1 \\ 4a + 10b &= 3 \end{aligned}}}
Ingen rett linje går gjennom alle tre punktene. Vi setter opp likningssystemet likevel, og minste kvadraters metode gjør det om til normallikningene.
1. Sett opp likningssystemet Vi skriver regresjonslinja som \( {y = \textcolor{blue}{a} + \textcolor{red}{b}x}\text{.} \) Skulle den gått gjennom alle punktene, måtte vi hatt: \[ \begin{aligned} \textcolor{blue}{a} + 0 \cdot \textcolor{red}{b} &= -2 \\ \textcolor{blue}{a} + 1 \cdot \textcolor{red}{b} &= 0 \\ \textcolor{blue}{a} + 3 \cdot \textcolor{red}{b} &= 1 \end{aligned} \]
De to første gir \( {\textcolor{blue}{a} = -2} \) og \( {\textcolor{red}{b} = 2}\text{,} \) men da stemmer ikke den tredje: \[ -2 + 3 \cdot 2 = 4 \neq 1 \]
Systemet har altså ingen løsning. På matriseform er det \( {A\mathbf{x} = \mathbf{y}}\text{:} \) \[ \underbrace{\begin{pmatrix} 1 & 0 \\ 1 & 1 \\ 1 & 3 \end{pmatrix}}_{A}\begin{pmatrix} \textcolor{blue}{a} \\ \textcolor{red}{b} \end{pmatrix} = \underbrace{\begin{pmatrix} -2 \\ 0 \\ 1 \end{pmatrix}}_{\mathbf{y}} \]
2. Sett opp normallikningene Minste kvadraters metode velger \( \textcolor{blue}{a} \) og \( \textcolor{red}{b} \) slik at summen av de kvadrerte avvikene blir minst mulig, og forteller oss at de løser normallikningene: \[ A^T\!A \begin{pmatrix} \textcolor{blue}{a} \\ \textcolor{red}{b} \end{pmatrix} = A^T\mathbf{y} \]
\( A^T \) er den transponerte matrisen, der radene i \( A \) blir kolonner, som i videoen Ligning med matrise.
Vi ganger rad med kolonne, som i videoen Multiplikasjon: \[ \begin{aligned} A^T\!A &= \begin{pmatrix} 1 & 1 & 1 \\ 0 & 1 & 3 \end{pmatrix}\begin{pmatrix} 1 & 0 \\ 1 & 1 \\ 1 & 3 \end{pmatrix} \\ &= \begin{pmatrix} 3 & 4 \\ 4 & 10 \end{pmatrix} \end{aligned} \]
\[ \begin{aligned} A^T\mathbf{y} &= \begin{pmatrix} 1 & 1 & 1 \\ 0 & 1 & 3 \end{pmatrix}\begin{pmatrix} -2 \\ 0 \\ 1 \end{pmatrix} \\ &= \begin{pmatrix} -1 \\ 3 \end{pmatrix} \end{aligned} \]
Skrevet ut gir det likningene: \[ \begin{aligned} 3\textcolor{blue}{a} + 4\textcolor{red}{b} &= -1 \\ 4\textcolor{blue}{a} + 10\textcolor{red}{b} &= 3 \end{aligned} \]
Likningene vi er ute etter i deloppgave b) er bestemt ved at vi minimerer denne funksjonen:
S(a,b)=3a2+8ab+10b2+2a−6b+5 \begin{aligned} S(a, b) &= 3a^2 + 8ab + 10b^2 \\ &\quad + 2a - 6b + 5 \end{aligned}
der likninga for regresjonslinja er y=a+bx. {y = a + bx}\text{.}

Oppgave 3c 1)

Forklar hvordan vi med utgangspunkt i minste kvadraters metode kommer fram til dette funksjonsuttrykket.
Vis løsning på oppgave 3c 1
Svar
S S er summen av de kvadrerte avvikene i de tre punktene:
S(a,b)=(a+2)2+(a+b)2+(a+3b−1)2‾‾ \underline{\underline{\begin{aligned} S(a, b) &= (a + 2)^2 + (a + b)^2 \\ &\quad + (a + 3b - 1)^2 \end{aligned}}}
Minste kvadraters metode gjør summen av de kvadrerte avvikene minst mulig. Vi skriver opp den summen for de tre punktene og ganger ut.
1. Skriv opp summen av kvadratene Linja gir verdien \( {a + bx_i} \) i punktet \( x_i\text{,} \) så avviket fra den gitte \( y_i \) er: \[ a + bx_i - y_i \]
Vi kvadrerer avvikene, så positive og negative ikke opphever hverandre, og legger dem sammen: \[ S(a, b) = \sum_{i=1}^{3} \left(a + bx_i - y_i\right)^2 \]
2. Sett inn punktene Punktene \( {\textcolor{blue}{(0, -2)}}\text{,} \) \( \textcolor{red}{(1, 0)} \) og \( \textcolor{green}{(3, 1)} \) gir hvert sitt kvadrat: \[ \begin{aligned} S(a, b) &= \textcolor{blue}{(a + 2)^2} + \textcolor{red}{(a + b)^2} \\ &\quad + \textcolor{green}{(a + 3b - 1)^2} \end{aligned} \]
Vi ganger ut med kvadratsetningene, som i videoen Kvadratsetningene: \[ (u \pm v)^2 = u^2 \pm 2uv + v^2 \]
I de to første er \( {u = a}\text{,} \) og \( v \) er \( 2 \) og \( b\text{:} \) \[ \begin{aligned} \textcolor{blue}{(a + 2)^2} &= \textcolor{blue}{a^2 + 4a + 4} \\ \textcolor{red}{(a + b)^2} &= \textcolor{red}{a^2 + 2ab + b^2} \end{aligned} \]
I den siste er \( {u = a + 3b} \) og \( {v = 1}\text{:} \) \[ \begin{aligned} &\textcolor{green}{(a + 3b - 1)^2} \\ &= (a + 3b)^2 - 2(a + 3b) + 1 \\ &= \textcolor{green}{a^2 + 6ab + 9b^2 - 2a - 6b + 1} \end{aligned} \]
3. Legg sammen Vi samler ledd av samme slag. Hvert tall har fargen til kvadratet det kommer fra: \[ \begin{aligned} S(a, b) &= (\textcolor{blue}{1} + \textcolor{red}{1} + \textcolor{green}{1})a^2 + (\textcolor{red}{2} + \textcolor{green}{6})ab \\ &\quad + (\textcolor{red}{1} + \textcolor{green}{9})b^2 + (\textcolor{blue}{4} \textcolor{green}{{}- 2})a \\ &\quad \textcolor{green}{{}- 6}b + (\textcolor{blue}{4} + \textcolor{green}{1}) \end{aligned} \]
Det gir funksjonsuttrykket i oppgaven: \[ \begin{aligned} S(a, b) &= 3a^2 + 8ab + 10b^2 \\ &\quad + 2a - 6b + 5 \end{aligned} \]

Oppgave 3c 2)

Vis at a=−11/7, {a = -11/7}\text{,} b=13/14 {b = 13/14} er et stasjonært punkt for S(a,b). S(a, b)\text{.}
Vis løsning på oppgave 3c 2
Svar
Med a=−117 {a = -\tfrac{11}{7}} og b=1314 {b = \tfrac{13}{14}} er:
∂S∂a=0og∂S∂b=0‾‾ \underline{\underline{\dfrac{\partial S}{\partial a} = 0 \quad \text{og} \quad \dfrac{\partial S}{\partial b} = 0}}
Et stasjonært punkt er der begge de partielle deriverte er null. Vi deriverer \( S \) med hensyn på \( a \) og på \( b\text{,} \) og setter inn punktet.
1. Finn de partielle deriverte Når vi deriverer partielt med hensyn på \( a\text{,} \) er \( b \) en konstant, og omvendt, som i videoen Partiell derivasjon, intro med eksempler. Leddet \( 8ab \) gir derfor \( 8b \) og \( 8a\text{:} \) \[ \begin{aligned} \dfrac{\partial S}{\partial a} &= 6a + 8b + 2 \\ \dfrac{\partial S}{\partial b} &= 8a + 20b - 6 \end{aligned} \]
2. Sett inn punktet Punktet er stasjonært når begge er null, som i videoen Hva er et kritisk punkt. Vi skriver \( {\textcolor{blue}{a = -\tfrac{11}{7} = -\tfrac{22}{14}}}\text{,} \) så alt får nevneren \( 14\text{,} \) og setter inn \( {\textcolor{red}{b = \tfrac{13}{14}}}\text{:} \) \[ \begin{aligned} \dfrac{\partial S}{\partial a} &= 6 \cdot \left(\textcolor{blue}{-\dfrac{22}{14}}\right) + 8 \cdot \textcolor{red}{\dfrac{13}{14}} + 2 \\ &= \dfrac{-132 + 104 + 28}{14} = 0 \end{aligned} \]
\[ \begin{aligned} \dfrac{\partial S}{\partial b} &= 8 \cdot \left(\textcolor{blue}{-\dfrac{22}{14}}\right) + 20 \cdot \textcolor{red}{\dfrac{13}{14}} - 6 \\ &= \dfrac{-176 + 260 - 84}{14} = 0 \end{aligned} \]
Begge er null, så punktet er stasjonært.

Oppgave 3c 3)

Vis at dette punktet faktisk er et minimum.
I dette tilfellet har du ikke egentlig bruk for å vite hva det stasjonære punktet faktisk er for å avgjøre dette.
Vis løsning på oppgave 3c 3
Svar
Den dobbelt derivertes test gir K=56>0 {K = 56 > 0} og Saa=6>0: {S_{aa} = 6 > 0}\text{:}
Punktet er et minimum‾‾ \underline{\underline{\text{Punktet er et minimum}}}
Vi bruker den dobbelt derivertes test, med de andrederiverte av \( S\text{.} \)
1. Skriv opp testen Den dobbelt derivertes test forteller oss at vi regner ut: \[ K = \textcolor{blue}{S_{aa}} \cdot \textcolor{red}{S_{bb}} - \left(\textcolor{green}{S_{ab}}\right)^2 \]Er \( {K > 0} \) og \( {\textcolor{blue}{S_{aa}} > 0}\text{,} \) er det stasjonære punktet et minimum. Dette ser du i videoen Dobbelt derivertes test.
2. Finn de andrederiverte De partielle deriverte av \( S \) er: \[ \begin{aligned} S_a &= 6a + 8b + 2 \\ S_b &= 8a + 20b - 6 \end{aligned} \]
Vi deriverer én gang til: \[ \textcolor{blue}{S_{aa}} = \textcolor{blue}{6}, \qquad \textcolor{red}{S_{bb}} = \textcolor{red}{20}, \qquad \textcolor{green}{S_{ab}} = \textcolor{green}{8} \]
Ingen av dem inneholder \( a \) eller \( b\text{,} \) så de er de samme i alle punkter. Derfor trenger vi ikke å vite hva det stasjonære punktet er.
3. Bruk testen Plugger vi dette inn, får vi: \[ K = \textcolor{blue}{6} \cdot \textcolor{red}{20} - \textcolor{green}{8}^2 = 120 - 64 = 56 \]
Her er \( {K > 0} \) og \( {\textcolor{blue}{S_{aa}} = 6 > 0}\text{,} \) så det stasjonære punktet er et minimum.

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 \( k\text{:} \) \[ \begin{aligned} 4\textcolor{blue}{\ln \Delta T_0} - 50\textcolor{red}{k} &\approx 15{,}93 \\ 50\textcolor{blue}{\ln \Delta T_0} - 750\textcolor{red}{k} &\approx 192{,}86 \end{aligned} \]

MEK2000 konteeksamen 2020

Oppgave 2

Vi antar at sammenhengen mellom størrelsene t t og x x kan skrives:
x=x(t)=a t3+b t2+c t+d x = x(t) = a\,t^3 + b\,t^2 + c\,t + d
Vi måler x x for noen verdier av t t og får:
tx−18,1027,3110,52−5,13−1,1420,5 \begin{array}{r|r} t & x \\ \hline -1 & 8{,}1 \\ 0 & 27{,}3 \\ 1 & 10{,}5 \\ 2 & -5{,}1 \\ 3 & -1{,}1 \\ 4 & 20{,}5 \end{array}
Vi ønsker å estimere konstantene a,b,c a, b, c og d d i uttrykket for y y ved å bruke minste kvadraters metode. Vi får:
x=(ATA)−1ATy=[23,1317−1,1212−11,76672,9926] x = (A^T A)^{-1} A^T y = \begin{bmatrix} 23{,}1317 \\ -1{,}1212 \\ -11{,}7667 \\ 2{,}9926 \end{bmatrix}

Oppgave 2a)

Hvilket krav er det beregningene i minste kvadraters metode bygger på?
Vis løsning på oppgave 2a
Svar
Konstantene velges slik at summen av de kvadrerte avvikene blir minst mulig:
∑i=16(xi−x(ti))2 minst mulig‾‾ \underline{\underline{\sum_{i=1}^{6} \big(x_i - x(t_i)\big)^2 \text{ minst mulig}}}
Vi har seks målinger, men bare fire konstanter, så vi kan ikke regne med at kurven går gjennom alle punktene. Metoden velger konstantene som gjør avvikene samlet sett minst mulig.
1. Skriv opp avvikene Når punktene viser en trend, men ingen funksjon i modellen går gjennom alle, finner vi en tilnærmet funksjon med regresjon, som i videoen Oppgave 1A (Del 2) - S1 Eksamen Høst 2023.
For hver måling \( (t_i, x_i) \) er avviket mellom den målte verdien og modellen: \[ \textcolor{red}{e_i} = \textcolor{blue}{x_i} - \textcolor{green}{x(t_i)} \]
Avvikene kan være positive eller negative, så summen av dem kan bli liten selv om kurven ligger langt fra punktene.
2. Skriv opp kravet Minste kvadraters metode kvadrerer avvikene først. Kravet er at summen av kvadratene skal bli minst mulig: \[ \begin{aligned} S &= \sum_{i=1}^{6} \textcolor{red}{e_i}^2 \\ &= \sum_{i=1}^{6} \big(\textcolor{blue}{x_i} - \textcolor{green}{x(t_i)}\big)^2 \end{aligned} \]
Her er \( {\textcolor{green}{x(t_i)} = a\,t_i^3 + b\,t_i^2 + c\,t_i + d}\text{.} \)
Konstantene \( a, b, c \) og \( d \) er de ukjente i \( S\text{.} \) Setter vi de fire partielle deriverte av \( S \) lik \( 0\text{,} \) får vi likningene som formelen \( {(A^TA)^{-1}A^Ty} \) på arket løser.

Oppgave 2b)

Skriv opp matrisen A A og vektoren y. y\text{.}
Vis løsning på oppgave 2b
Svar
Kolonnene i A A hører til d,c,b d, c, b og a: a\text{:}
A=[1−11−110001111124813927141664]‾‾ \underline{\underline{A = \begin{bmatrix} 1 & -1 & 1 & -1 \\ 1 & 0 & 0 & 0 \\ 1 & 1 & 1 & 1 \\ 1 & 2 & 4 & 8 \\ 1 & 3 & 9 & 27 \\ 1 & 4 & 16 & 64 \end{bmatrix}}}
y=[8,127,310,5−5,1−1,120,5]‾‾ \underline{\underline{y = \begin{bmatrix} 8{,}1 \\ 27{,}3 \\ 10{,}5 \\ -5{,}1 \\ -1{,}1 \\ 20{,}5 \end{bmatrix}}}
Hver måling gir én likning der modellen skal treffe den målte verdien. Tallene i vektoren på arket viser hvilken konstant som hører til hvilken kolonne i \( A\text{.} \)
1. Finn rekkefølgen i vektoren Arket sier ikke i hvilken rekkefølge konstantene står i vektoren. Står \( \textcolor{blue}{a} \) først, gir modellen i \( {t = 4}\text{:} \) \[ \begin{aligned} x(4) &= \textcolor{blue}{23{,}1317} \cdot 4^3 - \textcolor{red}{1{,}1212} \cdot 4^2 \\ &\quad - \textcolor{green}{11{,}7667} \cdot 4 + \textcolor{darkorange}{2{,}9926} \\ &\approx 1418 \end{aligned} \]
Det er langt unna den målte verdien \( 20{,}5\text{.} \) Står konstantene i motsatt rekkefølge, \( \textcolor{darkorange}{d}, \textcolor{green}{c}, \textcolor{red}{b}, \textcolor{blue}{a}\text{,} \) treffer modellen godt: \[ \begin{aligned} x(4) &= \textcolor{blue}{2{,}9926} \cdot 4^3 - \textcolor{red}{11{,}7667} \cdot 4^2 \\ &\quad - \textcolor{green}{1{,}1212} \cdot 4 + \textcolor{darkorange}{23{,}1317} \\ &\approx 21{,}9 \end{aligned} \]
Vektoren på arket er altså: \[ \begin{bmatrix} \textcolor{darkorange}{d} \\ \textcolor{green}{c} \\ \textcolor{red}{b} \\ \textcolor{blue}{a} \end{bmatrix} = \begin{bmatrix} 23{,}1317 \\ -1{,}1212 \\ -11{,}7667 \\ 2{,}9926 \end{bmatrix} \]
2. Skriv én likning per måling Skulle kurven gått gjennom alle punktene, måtte \( {x(t_i) = x_i} \) for hver måling. Den første målingen, \( {t = -1} \) og \( {x = 8{,}1}\text{,} \) gir: \[ \begin{aligned} &\textcolor{darkorange}{d} + \textcolor{green}{c} \cdot (-1) + \textcolor{red}{b} \cdot (-1)^2 \\ &\quad + \textcolor{blue}{a} \cdot (-1)^3 = 8{,}1 \end{aligned} \]
Tallene foran \( \textcolor{darkorange}{d}, \textcolor{green}{c}, \textcolor{red}{b} \) og \( \textcolor{blue}{a} \) blir én rad i \( A\text{:} \) \[ \begin{bmatrix} 1 & t_i & t_i^2 & t_i^3 \end{bmatrix} = \begin{bmatrix} 1 & -1 & 1 & -1 \end{bmatrix} \]
Den målte verdien \( 8{,}1 \) blir det første tallet i \( y\text{.} \) Slik samler vi likningene på matriseform i videoen Polynom interpolasjon.
3. Sett opp A og y Én rad per måling, med \( {t = -1, 0, 1, 2, 3, 4}\text{,} \) gir matrisen: \[ A = \begin{bmatrix} 1 & -1 & 1 & -1 \\ 1 & 0 & 0 & 0 \\ 1 & 1 & 1 & 1 \\ 1 & 2 & 4 & 8 \\ 1 & 3 & 9 & 27 \\ 1 & 4 & 16 & 64 \end{bmatrix} \]
De målte verdiene av \( x \) gir vektoren: \[ y = \begin{bmatrix} 8{,}1 \\ 27{,}3 \\ 10{,}5 \\ -5{,}1 \\ -1{,}1 \\ 20{,}5 \end{bmatrix} \]

Oppgave 2c)

Beregn den estimerte verdien av x(1,6). x(1{,}6)\text{.}
Vis løsning på oppgave 2c
Svar
Avrundet til én desimal, som målingene:
x(1,6)≈3,5‾‾ \underline{\underline{x(1{,}6) \approx 3{,}5}}
Vi bruker rekkefølgen \( d, c, b, a \) fra b).
Vi setter konstantene fra vektoren inn i modellen og regner ut \( x \) i \( {t = 1{,}6}\text{.} \)
1. Sett konstantene inn i modellen Med rekkefølgen fra b) er: \[ \begin{aligned} \textcolor{blue}{a} &= \textcolor{blue}{2{,}9926} & \textcolor{red}{b} &= \textcolor{red}{-11{,}7667} \\ \textcolor{green}{c} &= \textcolor{green}{-1{,}1212} & \textcolor{darkorange}{d} &= \textcolor{darkorange}{23{,}1317} \end{aligned} \]
Plugger vi dette inn i modellen, som i videoen Polynom interpolasjon, får vi: \[ \begin{aligned} x(t) = {} &\textcolor{blue}{2{,}9926}\,t^3 - \textcolor{red}{11{,}7667}\,t^2 \\ &- \textcolor{green}{1{,}1212}\,t + \textcolor{darkorange}{23{,}1317} \end{aligned} \]
2. Regn ut x i 1,6 Vi regner ut leddene hver for seg: \[ \begin{aligned} \textcolor{blue}{2{,}9926} \cdot 1{,}6^3 &\approx \textcolor{blue}{12{,}2577} \\ -\textcolor{red}{11{,}7667} \cdot 1{,}6^2 &\approx \textcolor{red}{-30{,}1228} \\ -\textcolor{green}{1{,}1212} \cdot 1{,}6 &\approx \textcolor{green}{-1{,}7939} \end{aligned} \]
Slår vi dette sammen, får vi: \[ \begin{aligned} x(1{,}6) &\approx \textcolor{blue}{12{,}2577} \textcolor{red}{- 30{,}1228} \\ &\quad \textcolor{green}{- 1{,}7939} + \textcolor{darkorange}{23{,}1317} \\ &\approx 3{,}4727 \end{aligned} \]
Målingene har én desimal, så vi runder av til én desimal.

MEK2000 ordinær eksamen 2019

Oppgave 3

Oppgave 3a)

Vis at polynomet
p1(x)=1+2x−3x(x−1) p_1(x) = 1 + 2x - 3x(x - 1)
interpolerer de tre punktene (0,1), (0, 1)\text{,} (1,3) (1, 3) og (2,−1). {(2, -1)}\text{.} Bestem polynomet p2(x) p_2(x) som interpolerer punktene (0,1), (0, 1)\text{,} (1,3), (1, 3)\text{,} (2,−1) {(2, -1)} og (4,2). (4, 2)\text{.}
Vis løsning på oppgave 3a
Svar
p1 p_1 går gjennom de tre punktene, og polynomet gjennom alle fire er:
p2(x)=1+2x−3x(x−1)+2924 x(x−1)(x−2)‾‾ \underline{\underline{\begin{aligned} p_2(x) &= 1 + 2x - 3x(x - 1) \\ &\quad + \dfrac{29}{24}\,x(x - 1)(x - 2) \end{aligned}}}
Et polynom interpolerer punktene når grafen går gjennom alle sammen. Vi setter punktene inn i \( p_1\text{,} \) og bygger \( p_2 \) videre fra \( p_1\text{.} \)
1. Sett inn punktene At \( p_1 \) interpolerer punktene, betyr at grafen går gjennom dem, som i videoen Polynom interpolasjon. Vi setter inn: \[ \begin{aligned} p_1(0) &= 1 + 0 - 3 \cdot 0 \cdot (-1) = 1 \\ p_1(1) &= 1 + 2 - 3 \cdot 1 \cdot 0 = 3 \\ p_1(2) &= 1 + 4 - 3 \cdot 2 \cdot 1 = -1 \end{aligned} \]
Alle tre stemmer, så \( p_1 \) interpolerer punktene.
2. Legg til et ledd Med fire punkter trenger vi et polynom av grad \( 3\text{,} \) én mindre enn antall punkter, som i videoen Polynom interpolasjon. Vi bygger videre på \( p_1 \) og legger til et ledd som er \( 0 \) i \( {x = 0}\text{,} \) \( {x = 1} \) og \( {x = 2}\text{.} \) Da går \( p_2 \) fortsatt gjennom de tre første punktene: \[ p_2(x) = p_1(x) + \textcolor{blue}{c} \cdot x(x - 1)(x - 2) \]
Konstanten \( \textcolor{blue}{c} \) finner vi fra det fjerde punktet, \( {p_2(4) = 2}\text{.} \) Først er: \[ p_1(4) = 1 + 2 \cdot 4 - 3 \cdot 4 \cdot 3 = \textcolor{red}{-27} \]
Plugger vi inn \( {x = 4}\text{,} \) får vi: \[ \begin{aligned} \textcolor{red}{-27} + \textcolor{blue}{c} \cdot 4 \cdot 3 \cdot 2 &= 2 \\ 24\textcolor{blue}{c} &= 29 \\ \textcolor{blue}{c} &= \textcolor{blue}{\dfrac{29}{24}} \end{aligned} \]
Dermed er: \[ \begin{aligned} p_2(x) &= 1 + 2x - 3x(x - 1) \\ &\quad + \textcolor{blue}{\dfrac{29}{24}}\,x(x - 1)(x - 2) \end{aligned} \]
Ganger vi ut parentesene og trekker sammen, får vi det samme polynomet på vanlig form: \[ p_2(x) = \dfrac{29}{24}x^3 - \dfrac{53}{8}x^2 + \dfrac{89}{12}x + 1 \]
Anta at det er en lineær sammenheng mellom x- {x\text{-}} og y-verdiene {y\text{-verdiene}} i de fire punktene i spørsmål a.

Oppgave 3b)

Forklar hvordan du kan bruke matriseregning til å bestemme den funksjonen y=α+β x {y = \alpha + \beta\,x} som «passer best» til de fire punktene. Du skal ikke regne ut α \alpha og β. \beta\text{.}
Vis løsning på oppgave 3b
Svar
Minste kvadraters metode gir normallikningene:
[47721][αβ]=[59]‾‾ \underline{\underline{\begin{bmatrix} 4 & 7 \\ 7 & 21 \end{bmatrix} \begin{bmatrix} \alpha \\ \beta \end{bmatrix} = \begin{bmatrix} 5 \\ 9 \end{bmatrix}}}
Fire punkter gir fire likninger med to ukjente, og de har ingen felles løsning. Vi skriver dem på matriseform og finner minste kvadraters løsning med normallikningene.
1. Tegn en skisse Vi tegner en skisse først. Punktene ligger ikke på én linje, så vi ser etter linjen som ligger nærmest alle fire:
2. Skriv likningene på matriseform Skal linjen gå gjennom et punkt \( (x, y)\text{,} \) må \( {\textcolor{blue}{\alpha} + \textcolor{red}{\beta}\,x = y}\text{.} \) De fire punktene gir fire likninger: \[ \begin{aligned} \textcolor{blue}{\alpha} + 0 \cdot \textcolor{red}{\beta} &= 1 \\ \textcolor{blue}{\alpha} + 1 \cdot \textcolor{red}{\beta} &= 3 \\ \textcolor{blue}{\alpha} + 2 \cdot \textcolor{red}{\beta} &= -1 \\ \textcolor{blue}{\alpha} + 4 \cdot \textcolor{red}{\beta} &= 2 \end{aligned} \]
På matriseform er det, som i videoen Polynom interpolasjon: \[ \underbrace{\begin{bmatrix} 1 & 0 \\ 1 & 1 \\ 1 & 2 \\ 1 & 4 \end{bmatrix}}_{A} \begin{bmatrix} \textcolor{blue}{\alpha} \\ \textcolor{red}{\beta} \end{bmatrix} = \underbrace{\begin{bmatrix} 1 \\ 3 \\ -1 \\ 2 \end{bmatrix}}_{\vec{y}} \]
De to første likningene gir \( {\textcolor{blue}{\alpha} = 1} \) og \( {\textcolor{red}{\beta} = 2}\text{,} \) men da stemmer ikke den tredje: \[ 1 + 2 \cdot 2 = 5 \neq -1 \]Systemet har altså ingen løsning.
3. Sett opp normallikningene Vi velger derfor \( \textcolor{blue}{\alpha} \) og \( \textcolor{red}{\beta} \) slik at summen av kvadratene av avvikene i punktene \( (x_i, y_i) \) blir minst mulig: \[ \sum_{i=1}^{4} \big(y_i - \textcolor{blue}{\alpha} - \textcolor{red}{\beta}\,x_i\big)^2 \]
Dette kalles minste kvadraters metode, og løsningen er den som oppfyller normallikningene: \[ A^T A \begin{bmatrix} \textcolor{blue}{\alpha} \\ \textcolor{red}{\beta} \end{bmatrix} = A^T \vec{y} \]\( A^T \) er den transponerte matrisen, der radene i \( A \) blir kolonner, som i videoen Ligning med matrise.
4. Regn ut matrisene Vi ganger rader med kolonner, som i videoen Multiplikasjon: \[ \begin{aligned} A^T A &= \begin{bmatrix} 1 & 1 & 1 & 1 \\ 0 & 1 & 2 & 4 \end{bmatrix} \begin{bmatrix} 1 & 0 \\ 1 & 1 \\ 1 & 2 \\ 1 & 4 \end{bmatrix} \\ &= \begin{bmatrix} 4 & 7 \\ 7 & 21 \end{bmatrix} \end{aligned} \]
På samme måte for høyresiden: \[ A^T \vec{y} = \begin{bmatrix} 1 & 1 & 1 & 1 \\ 0 & 1 & 2 & 4 \end{bmatrix} \begin{bmatrix} 1 \\ 3 \\ -1 \\ 2 \end{bmatrix} = \begin{bmatrix} 5 \\ 9 \end{bmatrix} \]
Normallikningene er altså to likninger med to ukjente: \[ \begin{bmatrix} 4 & 7 \\ 7 & 21 \end{bmatrix} \begin{bmatrix} \textcolor{blue}{\alpha} \\ \textcolor{red}{\beta} \end{bmatrix} = \begin{bmatrix} 5 \\ 9 \end{bmatrix} \]
Løsningen kan vi skrive med den inverse matrisen, og den gir linjen som passer best. Oppgaven ber oss ikke regne den ut: \[ \begin{bmatrix} \textcolor{blue}{\alpha} \\ \textcolor{red}{\beta} \end{bmatrix} = \begin{bmatrix} 4 & 7 \\ 7 & 21 \end{bmatrix}^{-1} \begin{bmatrix} 5 \\ 9 \end{bmatrix} \]