مدلسازی با تابع: نمایش یک پدیده طبیعی یا واقعی به صورت تابع برای تحلیل رفتار آن
۱. تابع چیست و چرا پدیدهها را با آن نمایش میدهیم؟
تابع در ریاضیات، رابطهای است بین دو مجموعه از اعداد یا کمیتها به طوری که به هر ورودی، دقیقاً یک خروجی نسبت دهد. فرض کنید دمای یک فنجان چای را هر دقیقه اندازه میگیریم. در اینجا زمان ورودی و دما خروجی است. اگر این رابطه را به صورت $T(t)$ نشان دهیم، میتوانیم روند سرد شدن چای را بررسی کنیم. مدلسازی یعنی پیدا کردن فرمول یا قانونی که این جفتهای (زمان، دما) را به بهترین شکل توصیف کند.
۲. انواع توابع پرکاربرد در مدلسازی پدیدههای طبیعی
بسته به نوع پدیده از توابع متفاوتی استفاده میکنیم. در ادامه مهمترین آنها را مرور میکنیم.
۳. مدلسازی گام به گام: رشد جمعیت خرگوشها در یک جزیره
فرض کنید در یک جزیره ابتدا ۵۰ جفت خرگوش رها میشود. هر ماه هر جفت به طور میانگین ۲ جفت جدید متولد میکند. میخواهیم جمعیت را تا ۱۲ ماه بعد مدل کنیم.
مرحله ۱: تشخیص نوع تابع چون نرخ رشد متناسب با جمعیت فعلی است (هر خرگوش فرزندانی به دنیا میآورد)، مدل نمایی مناسب است:
$P(t) = P_0 \times r^{t}$
که در آن $P_0$ جمعیت اولیه، $r$ ضریب رشد ماهانه، $t$ زمان بر حسب ماه.
مرحله ۲: تعیین پارامترها
جمعیت اولیه: $P_0 = 100$ (تعداد کل خرگوشها، چون ۵۰ جفت یعنی ۱۰۰ خرگوش).
ضریب رشد: هر ماه جمعیت در $r = 3$ ضرب میشود (چون هر جفت ۲ جفت جدید یعنی ۴ خرگوش تازه + ۲ خرگوش والد = ۶ خرگوش از هر جفت، یعنی ضریب ۳ برابر).
مرحله ۳: نوشتن تابع
$P(t) = 100 \times 3^{t}$
به عنوان مثال بعد از ۲ ماه: $P(2)=100 \times 3^{2}=900$ خرگوش.
۴. کاربرد عملی: پیشبینی دمای نوشیدنی گرم با قانون سرمایش نیوتن
اگر یک فنجان قهوه با دمای ۹۰ درجه سلسیوس در اتاقی با دمای ۲۵ درجه قرار دهیم، دمای قهوه به طور نمایی کاهش مییابد و به دمای اتاق نزدیک میشود. قانون سرمایش نیوتن میگوید نرخ کاهش دما متناسب با اختلاف دماست که نتیجه آن تابع زیر است:
$T(t) = T_{room} + (T_0 - T_{room}) e^{-kt}$
در اینجا $T_0$ دمای اولیه، $T_{room}$ دمای محیط، $k$ عدد مثبت و وابسته به جنس فنجان و نوشیدنی است. فرض کنید $k = 0.05$ بر دقیقه. بعد از ۲۰ دقیقه داریم:
$T(20)=25+(90-25)e^{-0.05 \times 20}=25+65 \times e^{-1}$
با تقریب $e^{-1} \approx 0.368$ میشود: $T \approx 25 + 65 \times 0.368 \approx 25 + 23.92 \approx 48.92$ درجه سلسیوس. چنین مدلی به ما اجازه میدهد بفهمیم بعد از چه مدت نوشیدنی قابل خوردن میشود.
۵. چالشهای مفهومی در مدلسازی با تابع
پرسش ۱: آیا هر پدیده طبیعی را میتوان با یک تابع ساده مدل کرد؟
پاسخ: خیر. پدیدههای واقعی معمولاً دارای نویز (خطای اندازهگیری) و تأثیر عوامل متعدد هستند. مدلسازی تقریبی از واقعیت است. برای مثال رشد جمعیت واقعی همیشه نمایی خالص نیست و پس از مدتی به دلیل محدودیت منابع، به مدل لجستیک3 تبدیل میشود.
پرسش ۲: چگونه تشخیص دهیم کدام نوع تابع برای دادههای ما مناسب است؟
پاسخ: با رسم نمودار دادهها و مقایسه با شکل توابع شناخته شده. اگر نقاط روی یک خط راست قرار گیرند، تابع خطی مناسب است. اگر نرخ رشد افزایشی باشد (نمودار به سمت بالا خم میشود)، تابع نمایی. اگر خمیدگی به سمت پایین داشته باشد، لگاریتمی یا توانی.
پرسش ۳: چرا گاهی پیشبینی مدل با واقعیت اختلاف زیادی دارد؟
پاسخ: به دلیل سادهسازی بیش از حد. برای مثال مدل خطی رشد بینهایت را مجاز میداند در حالی که در واقعیت محدودیت وجود دارد. همچنین ممکن است پارامترهای مدل نادرست تخمین زده شده باشند یا پدیده شامل نوسانهای تصادفی باشد که در مدل در نظر گرفته نشده است.
مدلسازی با تابع به ما امکان میدهد پدیدههای طبیعی و واقعی را به زبان ریاضی توصیف کنیم، رفتار آنها را تحلیل و رویدادهای آینده را پیشبینی کنیم. توابع خطی، نمایی، لگاریتمی و درجه دوم هر کدام برای گروهی از پدیدهها مناسب هستند. مهم است بدانیم مدل همواره تقریبی از واقعیت است و باید مرزهای اعتبار آن را بشناسیم. با تمرین و مقایسه نمودار دادهها با توابع مختلف، مهارت انتخاب مدل مناسب افزایش مییابد.
پاورقی
1 نمایی (Exponential): تابعی به شکل $f(x)=a \cdot b^{x}$ که در آن $b \gt 0$ و $b \neq 1$ و نرخ تغییر آن با خود تابع متناسب است.
2 لگاریتمی (Logarithmic): تابع معکوس تابع نمایی، به شکل $f(x)=\log_b(x)$ که رشد آن به تدریج کند میشود.
3 مدل لجستیک (Logistic Model): مدل رشد جمعیت با در نظر گرفتن ظرفیت برد محیط، به شکل $P(t)=\frac{K}{1+A e^{-rt}}$ که در آن $K$ ظرفیت برد است.