Tilbake
1.1
Alle fag for Høyskole

1.1 Betinget sannsynlighet, total sannsynlighet og Bayes

Fra betinget sannsynlighet til Bayes' formel — med diagnosetest-oppsettet som åpner sett etter sett.

55 min
12 oppgaver
Betinget sannsynlighettotal sannsynlighetBayes
Din fremgang i kapitlet
0 / 12 oppgaver
Forkunnskaper: Dette kapitlet bygger på grunnleggende sannsynlighet fra videregående. Du bør kjenne til utfallsrom, hendelser, addisjonsregelen og komplementregelen fra R1 8.3 Grunnleggende sannsynlighet, og selve begrepet betinget sannsynlighet fra R1 8.4 Betinget sannsynlighet (alternativt S1 5.2 Betinget sannsynlighet).

Alt du trenger av regneteknikk er trygg brøkregning og å kunne løse en enkel likning. Ingen integrasjon eller derivasjon her — det kommer først i kap. 1.2 og senere deler. Nye fagord (sensitivitet, spesifisitet, prevalens) forklares der de brukes.

Tenk på en hverdagssituasjon: du tar en hjemmetest, og den slår ut positivt. Hvor bekymret bør du være? Svaret avhenger ikke bare av hvor god testen er, men også av hvor vanlig tilstanden er i utgangspunktet. Nettopp dette samspillet — mellom hvor treffsikker en test er og hvor sjelden det den leter etter er — er kjernen i Bayes' formel, og det er den enkeltmekanismen STK1100-eksamen tester oftest.

Kapitlet er bygget som fire små læringsløkker. Vi går fra betinget sannsynlighet (hva vet vi når vi vet noe), via loven om total sannsynlighet (hvordan legge sammen alle veiene til en hendelse), til Bayes' formel (hvordan snu en betinget sannsynlighet), og til slutt oppdatering over flere runder. Hver løkke går teori → gjennomregnet eksempel → øvingsoppgaver, så du kan jobbe deg gjennom stoffet bit for bit.

> Dette er et 55-minutters kapittel. Naturlige pausepunkter er markert underveis — du trenger ikke ta alt i én økt.

Løkke 1 — Betinget sannsynlighet og multiplikasjonsregelen (~12 min)

Ofte får vi vite noe før vi regner ut sannsynligheten for noe annet: en test er positiv, en første kule ble trukket, en person tilhører en gitt gruppe. Den nye informasjonen krymper utfallsrommet — vi ser bare på den delen av verden der betingelsen er oppfylt. Betinget sannsynlighet formaliserer dette.

Betinget sannsynlighet
Sannsynligheten for at AA skjer når vi allerede vet at BB har skjedd. Vi krymper verden til de utfallene der BB gjelder, og måler hvor stor andel av dem som også gir AA:

P(A∣B)=P(A∩B)P(B),P(B)>0.P(A \mid B) = \frac{P(A \cap B)}{P(B)}, \qquad P(B) > 0.

Her er A∩BA \cap B hendelsen «både AA og BB». Loddrett strek leses «gitt». Merk rekkefølgen: P(A∣B)P(A \mid B) og P(B∣A)P(B \mid A) er som regel ikke like — å bytte dem er den vanligste feilen i hele kapitlet.

Multiplikasjonsregelen
Løser vi definisjonen over for snittet, får vi en regel for sannsynligheten for at to hendelser skjer samtidig:

P(A∩B)=P(B) P(A∣B)=P(A) P(B∣A).P(A \cap B) = P(B)\,P(A \mid B) = P(A)\,P(B \mid A).

Den leses som en «vei»: først skjer BB (sannsynlighet P(B)P(B)), deretter AA gitt at BB har skjedd (sannsynlighet P(A∣B)P(A \mid B)). Dette er byggeklossen i alle sannsynlighetstrær.

Uavhengige hendelser
To hendelser er uavhengige dersom kunnskap om den ene ikke endrer sannsynligheten for den andre:

P(A∣B)=P(A)⟺P(A∩B)=P(A) P(B).P(A \mid B) = P(A) \quad\Longleftrightarrow\quad P(A \cap B) = P(A)\,P(B).

Merk: uavhengighet er en påstand som må begrunnes eller følge av oppgaven — den kan ikke antas gratis. Sensor trekker for å gange sannsynligheter sammen uten å ha vist at hendelsene er uavhengige.

✏️Eksempel 1: Betinget sannsynlighet fra en tabell

I en klasse på 100 elever går 60 på realfag; av dem har 24 valgt fysikk. Av de 40 som ikke går realfag har 4 valgt fysikk. En elev trekkes tilfeldig. La RR = eleven går realfag og FF = eleven har valgt fysikk. Finn P(F∣R)P(F \mid R) og P(R∣F)P(R \mid F).

Definer hendelsene: RR = realfag, FF = fysikk (allerede gjort over).

P(R)=60/100=0,60P(R) = 60/100 = 0{,}60, og P(F∩R)=24/100=0,24P(F \cap R) = 24/100 = 0{,}24.

P(F∣R)=P(F∩R)P(R)=0,240,60=0,40.P(F \mid R) = \frac{P(F \cap R)}{P(R)} = \frac{0{,}24}{0{,}60} = 0{,}40.

For P(R∣F)P(R \mid F) trenger vi P(F)P(F). Totalt har 24+4=2824 + 4 = 28 elever fysikk, så P(F)=0,28P(F) = 0{,}28:

P(R∣F)=P(F∩R)P(F)=0,240,28≈0,857.P(R \mid F) = \frac{P(F \cap R)}{P(F)} = \frac{0{,}24}{0{,}28} \approx 0{,}857.

Legg merke til at P(F∣R)=0,40P(F \mid R) = 0{,}40 og P(R∣F)≈0,86P(R \mid F) \approx 0{,}86 er svært forskjellige — retningen på betingelsen betyr alt.

📝Oppgave 1

La AA og BB være hendelser med P(A)=0,5P(A) = 0{,}5, P(B)=0,4P(B) = 0{,}4 og P(A∩B)=0,2P(A \cap B) = 0{,}2.

a) Finn P(A∣B)P(A \mid B).

b) Finn P(B∣A)P(B \mid A).

c) Er AA og BB uavhengige? Begrunn.

📝Oppgave 2

En bedrift produserer komponenter på to skift. Dagskiftet lager 70 % av komponentene, kveldsskiftet 30 %. La DD = komponenten kom fra dagskiftet. En tilfeldig komponent er defekt; hendelsen kaller vi FF. Det er kjent at P(F∣D)=0,02P(F \mid D) = 0{,}02.

a) Skriv P(D)P(D) og P(F∣D)P(F \mid D) i ord.

b) Finn sannsynligheten for at en komponent både kom fra dagskiftet og er defekt.

Løkke 2 — Loven om total sannsynlighet (~12 min)

Ofte kan en hendelse BB nås langs flere gjensidig utelukkende veier — komponenten kom fra dagskiftet eller kveldsskiftet, personen har genet eller ikke. Da deler vi opp verden i disse veiene og legger sammen bidraget fra hver. Delene må dekke alt og ikke overlappe: de danner et fullstendig hendelsessystem (en partisjon).

Fullstendig hendelsessystem (partisjon)
En samling hendelser A1,A2,…,AkA_1, A_2, \ldots, A_k danner et fullstendig hendelsessystem dersom de er parvis disjunkte (ingen to kan skje samtidig) og til sammen dekker hele utfallsrommet. Da havner ethvert utfall i nøyaktig én av dem, og

P(A1)+P(A2)+⋯+P(Ak)=1.P(A_1) + P(A_2) + \cdots + P(A_k) = 1.

Det enkleste eksemplet er en hendelse og komplementet: {A,Ac}\{A, A^c\}.

Loven om total sannsynlighet
Når A1,…,AkA_1, \ldots, A_k er et fullstendig hendelsessystem, kan vi finne sannsynligheten for en hvilken som helst hendelse BB ved å summere bidraget langs hver vei:

P(B)=∑i=1kP(B∣Ai) P(Ai).P(B) = \sum_{i=1}^{k} P(B \mid A_i)\,P(A_i).

Hvert ledd P(B∣Ai)P(Ai)P(B \mid A_i)P(A_i) er sannsynligheten for å nå BB via AiA_i (multiplikasjonsregelen). Vi legger sammen alle veiene fordi de utelukker hverandre.

✏️Eksempel 2: Total sannsynlighet — to maskiner

En fabrikk bruker to maskiner. Maskin A lager 60 % av enhetene og har defektrate 2 %; maskin B lager 40 % og har defektrate 5 %. En enhet trekkes tilfeldig. Hva er sannsynligheten for at den er defekt?

Definer hendelsene: AA = enheten kom fra maskin A, BB = fra maskin B (disse danner et fullstendig hendelsessystem), DD = enheten er defekt.

Gitt: P(A)=0,60P(A) = 0{,}60, P(B)=0,40P(B) = 0{,}40, P(D∣A)=0,02P(D \mid A) = 0{,}02, P(D∣B)=0,05P(D \mid B) = 0{,}05.

Loven om total sannsynlighet:
P(D)=P(D∣A)P(A)+P(D∣B)P(B)=0,02⋅0,60+0,05⋅0,40=0,012+0,020=0,032.P(D) = P(D \mid A)P(A) + P(D \mid B)P(B) = 0{,}02 \cdot 0{,}60 + 0{,}05 \cdot 0{,}40 = 0{,}012 + 0{,}020 = 0{,}032.

Så 3,2 % av enhetene er defekte. Legg merke til at vi vektet hver maskins defektrate med hvor stor andel den produserer.

📝Oppgave 3

Et forsikringsselskap deler kundene i tre risikoklasser: lav (50 % av kundene, skadesannsynlighet 0,05 per år), middels (35 %, skadesannsynlighet 0,12) og høy (15 %, skadesannsynlighet 0,30).

a) Definer et fullstendig hendelsessystem for risikoklassene.

b) Finn sannsynligheten for at en tilfeldig kunde har minst én skade i løpet av et år.

Løkke 3 — Bayes' formel og diagnosetester (~18 min)

Nå kommer selve kjerneferdigheten. I total sannsynlighet gikk vi framover: fra årsak (hvilken maskin) til virkning (defekt). Bayes' formel går bakover: vi observerer virkningen (enheten er defekt) og spør hvor sannsynlig hver årsak var. Dette er nøyaktig strukturen i en diagnosetest — vi ser testresultatet og vil vite tilstanden.

Bayes' formel
Når vi kjenner sannsynligheten for BB gitt hver årsak AiA_i, men vil snu det og finne sannsynligheten for årsaken AjA_j gitt at BB er observert:

P(Aj∣B)=P(B∣Aj) P(Aj)∑iP(B∣Ai) P(Ai).P(A_j \mid B) = \frac{P(B \mid A_j)\,P(A_j)}{\sum_{i} P(B \mid A_i)\,P(A_i)}.

Telleren er sannsynligheten for å nå BB via akkurat AjA_j (multiplikasjonsregelen); nevneren er P(B)P(B) (total sannsynlighet) — summen av alle veiene. Bayes' formel er altså bare multiplikasjonsregelen delt på total sannsynlighet.

Diagnosetester er den vanligste innpakningen. Da trenger vi et lite fagvokabular. En test leter etter en tilstand (antistoffer, en mutasjon, en sykdom). La SS = personen har tilstanden og TT = testen er positiv.

- Sensitivitet =P(T∣S)= P(T \mid S): andelen syke som testen fanger opp (sann positiv-rate).
- Spesifisitet =P(Tc∣Sc)= P(T^c \mid S^c): andelen friske som testen korrekt frikjenner (sann negativ-rate).
- Prevalens =P(S)= P(S): hvor vanlig tilstanden er i befolkningen — forhåndssannsynligheten før testen.

Det vi egentlig vil vite er P(S∣T)P(S \mid T): gitt en positiv test, hvor sannsynlig er det at personen faktisk har tilstanden? Dette kalles den positive prediktive verdien, og den kan være overraskende lav når tilstanden er sjelden.

✏️Eksempel 3: Diagnosetest og lav prevalens

En antistofftest har sensitivitet 99 % og spesifisitet 96 %. I befolkningen har 0,5 % antistoffer. En tilfeldig person tester positivt. Finn sannsynligheten for at personen faktisk har antistoffer, og kommenter tallet.

Definer hendelsene: SS = personen har antistoffer, TT = testen er positiv.

Gitt: P(T∣S)=0,99P(T \mid S) = 0{,}99 (sensitivitet), P(Tc∣Sc)=0,96P(T^c \mid S^c) = 0{,}96 (spesifisitet), så P(T∣Sc)=1−0,96=0,04P(T \mid S^c) = 1 - 0{,}96 = 0{,}04 (falsk positiv-rate). Prevalens P(S)=0,005P(S) = 0{,}005, så P(Sc)=0,995P(S^c) = 0{,}995.

Total sannsynlighet for positiv test:
P(T)=P(T∣S)P(S)+P(T∣Sc)P(Sc)=0,99⋅0,005+0,04⋅0,995=0,00495+0,0398=0,04475.P(T) = P(T \mid S)P(S) + P(T \mid S^c)P(S^c) = 0{,}99 \cdot 0{,}005 + 0{,}04 \cdot 0{,}995 = 0{,}00495 + 0{,}0398 = 0{,}04475.

Bayes' formel:
P(S∣T)=P(T∣S)P(S)P(T)=0,004950,04475≈0,111.P(S \mid T) = \frac{P(T \mid S)P(S)}{P(T)} = \frac{0{,}00495}{0{,}04475} \approx 0{,}111.

Kommentar: Selv med en svært god test er sjansen for at en positiv person faktisk har antistoffer bare rundt 11 %. Grunnen er lav prevalens: fordi de friske er så mange flere (99,5 %), gir de få prosentene falske positive (0,04⋅0,995≈0,0400{,}04 \cdot 0{,}995 \approx 0{,}040) langt flere positive tester enn de sanne positive (0,99⋅0,005≈0,0050{,}99 \cdot 0{,}005 \approx 0{,}005). Derfor brukes ofte en ny, uavhengig test for å bekrefte.

📝Oppgave 4

To urner ser like ut. Urne I inneholder 3 hvite og 7 svarte kuler; urne II inneholder 6 hvite og 4 svarte. Du velger en urne tilfeldig (like sannsynlig) og trekker en kule. Kula er hvit.

a) Definer hendelsene og finn sannsynligheten for å trekke en hvit kule.

b) Gitt at kula er hvit, finn sannsynligheten for at den kom fra urne I.

📝Oppgave 5

En hurtigtest for en tarmbakterie har sensitivitet 90 % og spesifisitet 98 %. Blant reisende fra et gitt område bærer 8 % bakterien. En tilfeldig reisende tester positivt.

a) Definer hendelsene og angi sensitivitet, spesifisitet og prevalens som betingede sannsynligheter.

b) Finn sannsynligheten for at den reisende faktisk bærer bakterien.

📝Oppgave 6

En sjelden arvelig tilstand rammer 1 av 2000 personer. En gentest gir positivt utslag hos 98 % av dem som har tilstanden, og gir falskt positivt utslag hos 1 % av dem som ikke har den.

a) Definer hendelsene og finn sannsynligheten for et positivt utslag.

b) Finn den positive prediktive verdien P(S∣T)P(S \mid T).

c) Forklar kort hvorfor svaret er så mye lavere enn testens sensitivitet.

Løkke 4 — Oppdatering over flere runder (~10 min)

STK1100-oppgavene stopper sjelden ved én runde. Når en ny, uavhengig observasjon kommer inn, bruker vi gårsdagens svar som dagens utgangspunkt: etterhåndssannsynligheten P(S∣T)P(S \mid T) fra runde 1 blir forhåndssannsynligheten i runde 2. Vi kjører Bayes på nytt med den oppdaterte prevalensen. (At de to testene er uavhengige gitt tilstanden må oppgaven gi eller vi må begrunne — ellers kan vi ikke bruke samme tall på nytt.)

Bayesiansk oppdatering
Å oppdatere en sannsynlighet betyr å erstatte forhåndssannsynligheten (a priori) med etterhåndssannsynligheten (a posteriori) etter hvert som data kommer inn. Første rundes svar P(S∣T1)P(S \mid T_1) blir andre rundes forhåndssannsynlighet:

P(S∣T1,T2)=P(T2∣S) P(S∣T1)P(T2∣S) P(S∣T1)+P(T2∣Sc) P(Sc∣T1),P(S \mid T_1, T_2) = \frac{P(T_2 \mid S)\,P(S \mid T_1)}{P(T_2 \mid S)\,P(S \mid T_1) + P(T_2 \mid S^c)\,P(S^c \mid T_1)},

når T2T_2 er uavhengig av T1T_1 gitt tilstanden. Hver ny bekreftende test løfter sannsynligheten.

✏️Eksempel 4: To positive tester på rad

Bruk testen fra Eksempel 3 (sensitivitet 99 %, spesifisitet 96 %, prevalens 0,5 %). Personen testet positivt én gang og tar en ny, uavhengig test som også er positiv. Finn den oppdaterte sannsynligheten for antistoffer.

Fra Eksempel 3: etter første positive test er P(S∣T1)≈0,1106P(S \mid T_1) \approx 0{,}1106. Denne bruker vi som ny forhåndssannsynlighet.

Ny prevalens: P(S)=0,1106P(S) = 0{,}1106, P(Sc)=0,8894P(S^c) = 0{,}8894. Samme test: P(T2∣S)=0,99P(T_2 \mid S) = 0{,}99, P(T2∣Sc)=0,04P(T_2 \mid S^c) = 0{,}04.

P(T2)=0,99⋅0,1106+0,04⋅0,8894=0,10949+0,03558=0,14506.P(T_2) = 0{,}99 \cdot 0{,}1106 + 0{,}04 \cdot 0{,}8894 = 0{,}10949 + 0{,}03558 = 0{,}14506.
P(S∣T1,T2)=0,109490,14506≈0,755.P(S \mid T_1, T_2) = \frac{0{,}10949}{0{,}14506} \approx 0{,}755.

To uavhengige positive tester løfter sannsynligheten fra ca. 11 % til ca. 75 %. Det er nettopp derfor sjeldne tilstander bekreftes med en ny test.

📝Oppgave 7

En bakteriestamme muterer. En koloni er enten mutert (MM) eller ikke. Før noen analyse antar vi P(M)=0,20P(M) = 0{,}20. En analyse gir utslag «mutert» hos 85 % av de muterte og hos 10 % av de ikke-muterte. Analysen kjøres to ganger uavhengig, og begge ganger gir den utslag «mutert».

a) Finn P(M∣første utslag)P(M \mid \text{første utslag}).

b) Bruk svaret som ny forhåndssannsynlighet og finn P(M∣begge utslag)P(M \mid \text{begge utslag}).

📝Oppgave 8

Et recessivt gen gir en egenskap bare hos individer med to kopier (aaaa). I en populasjon er andelen genotyper AAAA: 0,49, AaAa: 0,42, aaaa: 0,09. Bare aaaa viser egenskapen.

a) En tilfeldig person viser ikke egenskapen. Finn sannsynligheten for at personen likevel bærer minst ett aa-gen (altså er AaAa).

b) Kommenter hvorfor denne «skjulte» bærersannsynligheten er høy.

Begrepsbank

Flashcard-/repetisjonsstoff — hopp trygt over ved førstegangslesing; tidsanslaget på 55 minutter gjelder kjernestoffet over. Begrepene under er allerede brukt i kapitlet og samles her for repetisjon.

Komplementregelen
Sannsynligheten for at en hendelse ikke skjer er én minus sannsynligheten for at den skjer:

P(Ac)=1−P(A).P(A^c) = 1 - P(A).

Brukes stadig i diagnostikk: P(Sc)=1−P(S)P(S^c) = 1 - P(S) (andelen friske), og P(T∣Sc)=1−P(Tc∣Sc)P(T \mid S^c) = 1 - P(T^c \mid S^c) (falsk positiv-rate fra spesifisiteten).

Disjunkte hendelser

To hendelser er disjunkte (gjensidig utelukkende) dersom de ikke kan skje samtidig: A∩B=∅A \cap B = \varnothing, så P(A∩B)=0P(A \cap B) = 0. For disjunkte hendelser gjelder P(A∪B)=P(A)+P(B)P(A \cup B) = P(A) + P(B). Ikke forveksle med uavhengige — disjunkte hendelser er tvert imot sterkt avhengige (skjer den ene, kan ikke den andre skje).

Sannsynlighetstre

En figur der hver gren er en betinget sannsynlighet og hver full sti et produkt (multiplikasjonsregelen). Første forgreining er de disjunkte årsakene AiA_i (med P(Ai)P(A_i)), neste forgreining utfallet BB eller BcB^c (med P(B∣Ai)P(B \mid A_i)). Summen av sannsynlighetene langs alle stiene som ender i BB er nettopp total sannsynlighet.

Sensitivitet
Andelen av de som har tilstanden som testen fanger opp — den sanne positiv-raten:

sensitivitet=P(T∣S).\text{sensitivitet} = P(T \mid S).

En høy sensitivitet betyr få falske negative. Sensitivitet alene sier ingenting om hvor sannsynlig tilstanden er gitt en positiv test.

Spesifisitet
Andelen av de friske som testen korrekt frikjenner — den sanne negativ-raten:

spesifisitet=P(Tc∣Sc).\text{spesifisitet} = P(T^c \mid S^c).

Falsk positiv-raten er komplementet: P(T∣Sc)=1−spesifisitetP(T \mid S^c) = 1 - \text{spesifisitet}. Det er falsk positiv-raten, ikke spesifisiteten direkte, som går inn i total sannsynlighet.

Prevalens
Hvor vanlig tilstanden er i befolkningen — forhåndssannsynligheten før testen tas:

prevalens=P(S).\text{prevalens} = P(S).

Avgjørende for den positive prediktive verdien: lav prevalens gir lav P(S∣T)P(S \mid T) selv med en god test, fordi de mange friske produserer mange falske positive.

Falsk positiv

En positiv test hos en person uten tilstanden. Sannsynligheten er falsk positiv-raten P(T∣Sc)=1−spesifisitetP(T \mid S^c) = 1 - \text{spesifisitet}. I en befolkning med lav prevalens dominerer de falske positive antallet positive tester.

Falsk negativ

En negativ test hos en person med tilstanden. Sannsynligheten er P(Tc∣S)=1−sensitivitetP(T^c \mid S) = 1 - \text{sensitivitet}. Lav sensitivitet gir mange falske negative — tilstander som overses.

Positiv prediktiv verdi (PPV)
Sannsynligheten for at en person med positiv test faktisk har tilstanden:

PPV=P(S∣T)=P(T∣S)P(S)P(T∣S)P(S)+P(T∣Sc)P(Sc).\text{PPV} = P(S \mid T) = \frac{P(T \mid S)P(S)}{P(T \mid S)P(S) + P(T \mid S^c)P(S^c)}.

Dette er svaret Bayes' formel gir i en diagnosetest, og kan være lavt selv når sensitivitet og spesifisitet er høye.

Negativ prediktiv verdi (NPV)
Sannsynligheten for at en person med negativ test faktisk er frisk:

NPV=P(Sc∣Tc)=P(Tc∣Sc)P(Sc)P(Tc∣Sc)P(Sc)+P(Tc∣S)P(S).\text{NPV} = P(S^c \mid T^c) = \frac{P(T^c \mid S^c)P(S^c)}{P(T^c \mid S^c)P(S^c) + P(T^c \mid S)P(S)}.

Ved lav prevalens er NPV som regel svært høy — en negativ test er da svært betryggende.

Forhåndssannsynlighet (a priori)

Sannsynligheten for en hendelse før ny informasjon tas med — P(Aj)P(A_j) i Bayes' formel. I diagnostikk er dette prevalensen P(S)P(S). Ved oppdatering over flere runder er forrige rundes etterhåndssannsynlighet den nye forhåndssannsynligheten.

Etterhåndssannsynlighet (a posteriori)

Sannsynligheten for en hendelse etter at ny informasjon er tatt med — P(Aj∣B)P(A_j \mid B) på venstre side i Bayes' formel. I diagnostikk er dette den positive prediktive verdien P(S∣T)P(S \mid T).

Betinget uavhengighet
To hendelser T1T_1 og T2T_2 er uavhengige gitt tilstanden SS dersom

P(T1∩T2∣S)=P(T1∣S) P(T2∣S).P(T_1 \cap T_2 \mid S) = P(T_1 \mid S)\,P(T_2 \mid S).

Dette er forutsetningen som lar oss oppdatere over flere tester med samme sensitivitet/spesifisitet: to tester på samme person antas å være uavhengige når vi vet om personen har tilstanden eller ei.

Repetisjonsoppgaver
Din fremgang
0 / 4 oppgaver
Symbol- og formelliste

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.

Skolesaga er en uavhengig læringsressurs og er ikke tilknyttet eller godkjent av Universitetet i Oslo. Dette er ikke offisielt studiemateriell. Les mer.