6.4 Kritisk vurdering av modellar

Vurdere styrkar og veikskapar ved matematiske modellar og tolke resultat i kontekst.

55 min

10 oppgaver

GyldigheitsområdeResidual (avvik)Korrelasjon og kausalitetVel den enklaste modellen

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 10 oppgaver

Kapitlets plass i kurset

Bygger på

6.3Modellering med regresjon

Kritisk vurdering av modellar

Ein matematisk modell er alltid ei forenkling. Nokre modellar er nyttige, men ingen er perfekte.

I dette kapittelet lærer du:
- Skilje mellom modell og verkelegheit
- Vurdere gyldigheitsområde
- Identifisere avgrensingar
- Samanlikne ulike modellar

Modellvurdering

Gyldigheitsområde: Intervallet der modellen gjev fornuftige resultat. Residual (avvik): observert verdi - modellverdi. Ligg residualane tilfeldig over og under 0, passar modelltypen. Følgjer dei eit mønster, til dømes først positive, så negative og så positive att, bommar modellen systematisk. Korrelasjon er ikkje årsak: At to storleikar følgjer kvarandre, tyder ikkje at den eine er årsak til den andre.

✏️To modellar for folkevekst

Ei bygd hadde 10 000 innbyggjarar i 2010 og 12 500 i 2020. La $x$ vere talet på år etter 2010. Lineær modell: $f(x) = 250x + 10\,000$ . Eksponentiell modell: $g(x) = 10\,000 \cdot 1{,}0226^x$ . Samanlikn modellane for 2030.

\displaystyle b^{10} = \frac{12\,500}{10\,000} = 1{,}25

\displaystyle \;b = 1{,}25^{\frac{1}{10}} \approx 1{,}0226

$x = 20$

$f(20) = 250 \cdot 20 + 10\,000 = 15\,000$

$g(20) = 10\,000 \cdot b^{20} = 10\,000 \cdot 1{,}25^2 = 15\,625$

Svar: Den lineære modellen gjev 15 000 og den eksponentielle 15 625 innbyggjarar i 2030. Skilnaden er 625. To datapunkt passar like godt med begge modellane, så vi treng fleire data for å velje.

✏️Eksempel: Residualar avslører feil modelltype

Ein ny app hadde desse nedlastingane dei fire første vekene:

Veke	1	2	3	4
Nedlastingar	100	130	190	290

RegLin gjev modellen

f(x) = 63x + 20

med

R^2 = 0{,}94

. Rekn ut residualane og vurder om ein lineær modell passar.

Residual = observert − modellverdi

$100 - (63 \cdot 1 + 20) = 100 - 83 = 17$

$130 - (63 \cdot 2 + 20) = 130 - 146 = -16$

$190 - (63 \cdot 3 + 20) = 190 - 209 = -19$

$290 - (63 \cdot 4 + 20) = 290 - 272 = 18$

Veke $x$	Observert	Modellverdi $63x + 20$	Residual
1	100	83	$17$
2	130	146	$-16$
3	190	209	$-19$
4	290	272	$18$

Residualane er positive, negative, negative og positive. Det er eit mønster: dataa krummar oppover, medan linja er rett.
Svar: Residualane er

17

-16

-19

18

. Mønsteret viser at ein lineær modell bommar systematisk, sjølv om

R^2 = 0{,}94

. Ein modell som krummar oppover, passar betre.

Issal og drukningsulukker følgjer kvarandre. Det tyder ikkje at is fører til drukning. Begge blir påverka av varmt vêr. Ver forsiktig med årsakskonklusjonar.

📝Oppgave 1

Straumforbruket i ein bustad blir modellert med $y = -0{,}5x + 30$ , der $x$ er utetemperaturen i °C og $y$ er forbruket i kWh per døgn. For kva temperaturar er modellen urealistisk?

📝Oppgave 2

Ei undersøking viser sterk korrelasjon mellom talet på brannstasjonar og talet på brotsverk i norske byar. Tyder det at brannstasjonar fører til kriminalitet?

📝Oppgave 3

Ein lineær modell har $R^2 = 0{,}91$ , og ein andregradsmodell for dei same dataa har $R^2 = 0{,}93$ . Kva for modell bør du velje?

📝Oppgave 4

Månadleg husleige for husvære i ein by blir modellert med $y = 350x + 3\,000$ kroner, der $x$ er arealet i kvadratmeter. Rekn ut kva modellen gjev for eit husvære på 50 m², og gjev minst to avgrensingar ved modellen.

📝Oppgave 5

Kva tyder det at residualar bør vere tilfeldig spreidde?

Oppsummering

I dette kapittelet har du lært å vurdere matematiske modellar kritisk:

- Ein modell er ei forenkling av verkelegheita — han byggjer på føresetnader som kan vere meir eller mindre realistiske.
- Sjekk alltid gyldigheitsområdet: Innanfor dataområdet (interpolering) er modellen mest påliteleg; utanfor (ekstrapolering) kan han gje urimelege svar.
- Samanlikn verdiane til modellen med observerte data — store avvik tyder at modellen bør betrast.
- Vurder føresetnadene: Er det rimeleg at veksten held fram likt? Finst det avgrensingar (plass, ressursar, metting)?
- Hugs at korrelasjon ikkje tyder årsakssamanheng — ein modell som passar godt, provar ikkje at den eine variabelen styrer den andre.

Nøkkelomgrep

Omgrep	Forklaring
Modell	Matematisk forenkling av verkelegheita
Gyldigheitsområde	Området der modellen kan brukast
Føresetnad	Føresetnad modellen byggjer på
Avvik (residual)	Skilnad mellom modell og observasjon

Sjekkliste for modellvurdering

1. Kva føresetnader byggjer modellen på?
2. Kva område gjeld han for?
3. Kor godt stemmer han med data?
4. Gjev han rimelege svar på lang sikt?

Repetisjonsoppgåver

Din fremgang

0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.