Hva spør oppgaven om? Vi skal modellere kostnadene med regresjon, tolke marginalkostnad og maksimere overskudd.
Steg 1 — a) Regresjonsmodell
Dataene øker krumt, derfor passer en andregradsmodell. Med andregradsregresjon får vi omtrent
\[K(x)=0{,}029x^2-2{,}8x+270\]
Modellen er god fordi den følger den økende, krumme hovedtrenden i tabellen.
Steg 2 — b) Deriver kostnadsfunksjonen
\[K\prime(x)=2\cdot0{,}029x-2{,}8=0{,}058x-2{,}8\]
\[K\prime(200)=0{,}058\cdot200-2{,}8=8{,}8\]
Dette betyr at når produksjonen er rundt 200 brød, øker kostnaden med omtrent 8,80 kroner per ekstra brød.
Steg 3 — c) Finn overskuddet
Inntekten ved salg av \(x\) brød er \(I(x)=14x\). Dermed er
\[O(x)=I(x)-K(x)\]
\[O(x)=14x-\left(0{,}029x^2-2{,}8x+270\right)\]
\[O(x)=-0{,}029x^2+16{,}8x-270\]
Steg 4 — d) Forklar marginalprinsippet
Siden \(O(x)=14x-K(x)\), får vi
\[O\prime(x)=14-K\prime(x)\]
I et maksimum må \(O\prime(x)=0\), altså
\[14-K\prime(x)=0\]
\[K\prime(x)=14\]
Hvis marginalkostnaden er lavere enn 14 kroner, lønner det seg å produsere ett brød til. Hvis den er høyere, taper bakeriet på neste brød.
Steg 5 — e) Maksimer overskuddet
\[O\prime(x)=-0{,}058x+16{,}8\]
Sett \(O\prime(x)=0\):
\[-0{,}058x+16{,}8=0\]
\[x=\dfrac{16{,}8}{0{,}058}\approx289{,}66\]
Steg 6 — Helt antall brød og overskudd
Antall brød må være heltall, så \(x=290\) er naturlig. Da blir
\[O(290)=-0{,}029\cdot290^2+16{,}8\cdot290-270\approx2163{,}1\]
Siden koeffisienten foran \(x^2\) i \(O(x)\) er negativ, er dette et maksimum.
Tolkning
Bakeriet bør produsere omtrent 290 brød, og maksimalt overskudd er omtrent 2163 kroner.
Vanlig feil: Å sammenlikne total kostnad med 14 kroner i del d. Det er marginalkostnaden \(K\prime(x)\), ikke \(K(x)\), som skal sammenliknes med salgsprisen.
Kontroll (GeoGebra CAS / Python)
GeoGebra · CAS
1
RegPoly(liste1,2)
→ \(0{,}029x^2-2{,}8x+270\)
2
Deriver(0.029*x^2-2.8*x+270)
→ \(0{,}058x-2{,}8\)
3
Ekstremalpunkt(-0.029*x^2+16.8*x-270)
→ \((289{,}66,2163{,}10)\)
💻 Python
import numpy as np
xdata = np.array([50,75,100,125,150,175,200,225,250,275], dtype=float)
ydata = np.array([190,240,280,365,489,655,878,1121,1323,1700], dtype=float)
print(np.polyfit(xdata, ydata, 2))
x = 16.8/0.058
O = -0.029*x*x + 16.8*x - 270
print(x, O)
print(-0.029*290**2 + 16.8*290 - 270)