Artificiell Intelligens
|
|
- Lena Ek
- för 8 år sedan
- Visningar:
Transkript
1 Omtentamen Artificiell Intelligens Datum: Tid: Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart! Oläsligt innebär inga poäng. Numrera och skriv namn på alla sidor. Onödigt krångliga lösningar ger poängavdrag. Lycka Till!
2 1) Informerad sökning med A*-algoritmen. (4p) Nedanstående graf föreställer en karta över olika Rumänska städer, där städerna utgörs av noder och kanterna mellan noderna anger avståndet mellan städerna. Tabellen uppe till höger visar det raka avståndet (fågelvägen) mellan olika städer och huvudstaden Bucharest. De undre tabellerna visar avståndet från staden Arad till olika städer via mellanliggande städer, där städerna utgörs av sin första bokstav enligt (A)rad, (B)ucharest, (C)raiova, (D)robeta, (F)agaras, (L)ugoj, (M)ehadia, (O)radea, (P)itesti, (R)imnicu Vilcea, (S)ibiu, (T)imisoara samt (Z)erind. Din uppgift är hitta den kortaste vägen mellan startstaden Arad och huvudstaden Bucharest genom att utföra en informerad sökning med den heuristiska sökalgoritmen A*. Oradea Zerind Arad Sibiu Fagaras Timisoara Lugoj Rimnicu Vilcea Mehadia Drobeta Craiova Pitesti Bucharest a) Visa hur det fullständiga sökträdet ser ut från Arad till Bucharest då A*-algoritmen används. Ange, under varje nod, funktionen f(x)=g(x)+h(x) samt numrera noderna från 1 till n i den ordning de expanderas av A*-algoritmen. b) Beskriv, med egna ord, vad f(x), g(x) och h(x) är för något i formeln f(x)=g(x)+h(x). c) A*-algoritmen är optimal om dess heurestik är admissibel (och konsistent för grafsökningar). Förklara begreppen optimal, heurestik, admissibel och konsistent (använd triangelolikheten för att beskriva konsistens).
3 2) Bevis i satslogik. (4p) a) Formulera följande kunskapsbas i satslogik: Om enhörningen är ett magiskt djur är den odödlig, men om den inte är ett magiskt djur så är den ett dödligt däggdjur. Om enhörningen är odödlig eller ett däggdjur har den ett horn. Enhörningen är ett magiskt djur om den har ett horn. Vilka är de atomiska utsagorna? Hur ser kunskapsbasen ut? b) Rita en AND-OR graf för forward-chaining för kunskapsbasen. Vad säger den om kunskapsbasen? Går det att dra några slutsatser med hjälp av forward-chaining från denna kunskapsbas? Varför/varför inte? c) Visa om kunskapsbasen är satisfierbar med hjälp av model-checking. Skriv ut varje modell/icke-modell. Vad säger resultatet om kunskapsbasen (även i relation med vad som framkommit i b)? 3) Spelteori. (4p) Betrakta spelet 4-finger Morra. Det spelas av två spelare Even (E) och Odd (O). Båda spelarna visar samtidigt mellan 1 och 4 fingrar. Om summan av båda spelarnas fingrar är jämn vinner Even och Odd förlorar lika många poäng som summan är. Om summan är udda vinner Odd och Even förlorar lika många poäng som summan är. a) Vilka rena strategier finns det för respektive spelare i spelet? b) Är spelet ett nollsummespel? Motivera varför/varför inte. c) Sätt upp spelets normalform. d) Har Even eller Odd någon dominerande ren strategi? Motivera varför/varför inte. e) Har spelet någon Nashjämnvikt? Motivera varför/varför inte.
4 4) Beslutsfattande under osäkerhet. (4p) Du har fått i uppgift att skapa ett AI program som kan ställda en diagnos D om förekomsten av en viss sjukdom för en given patient utifrån två givna symptom, S1 och S2. Samtliga variabler, dvs diagnosen D och de båda symptomen, S1 och S2, är binära variabler och kan därför endast anta värdena 1 (sant) eller 0 (falsk). Om S1 respektive S2 är 1 (sant) så innebär detta att patienten har symptom S1 respektive S2. Likaså, om D är 1 (sant) innebär detta att diagnosen blir att patienten är sjuk. För att skaffa dig en uppfattning om de empiriska sannolikheterna för de olika slumpvariablerna, skapar du en databas över ett stort antal patientjournaler där varje rad i databasen innehåller de tre fälten D, S1 samt S2. Utifrån din databas erhåller du nedanstående tabell över den fullständiga simultansannolikhetsfördelningen (full joint probability distribution). S 1 = 1 S 1 = 0 S 2 = 1 S 2 = 0 S 2 = 1 S 2 = 0 D = D = Beräkna nedanstående sannolikheter. För att få poäng behöver du inte beräkna själva svaret eftersom du inte har någon miniräknare, men du måste ställa upp rätt sannolikhetsformel (se Bilaga 2) och stoppa in värdena från tabellen i formeln (dvs det skall framgå hur du kommer fram till svaret genom att använda de värden som finns i tabellen). a) Simultansannolikheten (joint probability) för S1 = 1 och S2 = 0. b) Den marginella sannolikheten (marginal probability) för D = 1. c) Den betingade sannolikheten (conditional probability) för S1 = 1 och S2 = 0, givet att D = 1. d) Sannolikheten för att en ny patient får diagnosen "sjuk", dvs D = 1, givet att patienten har symptom S1 men inte S2, dvs givet att S1 = 1 och S2 = 0? För att få poäng, måste du ställa upp och använda Bayes sats (tips: Bayes sats finns inte explicit angiven i en, ensam formel i formelsamlingen i Bilaga 2). e) Vad blir sannolikheten i d) om S1 och S2 antas vara villkorligt oberoende (conditionally independent) av varandra, då du vet D (tips: denna sannolikhet kan beräknas genom att använda en förenklad form av Bayes sats, som kallas för Naive Bayes, då antagandet om villkorligt oberoende uppfylls).
5 Bilagor Bilaga 1: Omskrivningsregler logik ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) x P x P x P x P x P x P x P x P Bilaga 2: Formelsamling sannolikhetsteori Allmänna regler (från Kolmogorovs axiomsystem) 0 P(X = x) 1, P(X = x) = 1, P(X c ) = 1 P(X) x X Simultansannolikhet ("joint probability") P(X = x, Y = y) = P(X = x Y = y)p(y = y) = P(Y = y X = x)p(x = x) P(X = x, Y = y, Z = z) = P(X = x Y = y, Z = z)p(y = y, Z = z) = P(X = x, Y = y Z = z)p(z = z) Betingad sannolikhet ("conditional probability") P(X = x Y = y) = P(X = x, Y = y) P(Y = y) P(X = x, Y = y, Z = z) P(X = x Y = y, Z = z) = P(Y = y, Z = z) P(X = x, Y = y, Z = z) P(X = x, Y = y Z = z) = P(Z = z) sannolikheten för X = x, givet att Y = y sannolikheten för X = x, givet att Y = y och Z = z sannolikheten för X = x och Y = y, givet att Z = z Lagen om total sannolikhet ("law of total probability") för 3 slumpvariabler P(X = x) = y Y,z Z P(X = x, Y = y, Z = z) den marginella sannolikheten för X = x P(X = x, Y = y) = P(X = x, Y = y, Z = z) = P(X = x, Y = y Z = z)p(z = z) z Z z Z
Artificial Intelligence
Omtentamen Artificial Intelligence Datum: 2014-08-27 Tid: 09.00 13.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs merArtificial Intelligence
Omtentamen Artificial Intelligence Datum: 2013-01-08 Tid: 09.00 13.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Cecilia Sönströd Redovisas inom tre veckor Inga G 10p, VG 16p, Max 20p Notera: Skriv läsbart!
Läs merSökning. Sökning. Köoperationer. Generell sökalgoritm
Sökning Sökning! Datastrukturer och operationer! Värdering av sökstrategier! Blind sökning! Heuristisk sökning! Constraint satisfaction! Spelförande program Datastruktur: nod = [tillstånd, förälder, operator,
Läs merProbabilistisk logik 2
729G43 Artificiell intelligens / 2016 Probabilistisk logik 2 Marco Kuhlmann Institutionen för datavetenskap Översikt Probabilistiska modeller Probabilistisk inferens 1: Betingad sannolikhet Probabilistisk
Läs merTentamenskod: Inga hjälpmedel är tillåtna
Intelligenta och lärande system 15 högskolepoäng Provmoment: Ladokkod: Tentamen ges för: Tentamen (TEN1) Artificiell intelligens (AI) 5hp 21IS1C Systemarkitekturutbildningen Tentamenskod: Tentamensdatum:
Läs merProbabilistisk logik 1
729G43 Artificiell intelligens / 2016 Probabilistisk logik 1 Marco Kuhlmann Institutionen för datavetenskap Osäkerhet 1.01 Osäkerhet Agenter måste kunna hantera osäkerhet. Agentens miljö är ofta endast
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merTänk på följande saker när du skriver tentan:
Ämne: AI med inriktning mot kognition och design Kurskod: KOGB05 / TDBB21 Datum: 2005-04-01 Antal uppgifter: 12 Skrivtid: 09:00 15:00 Max poäng: 54 Betygsgränser: 27 x
Läs merAnna: Bertil: Cecilia:
Marco Kuhlmann 1 Osäkerhet 1.01 1.02 1.03 1.04 1.05 Intelligenta agenter måste kunna hantera osäkerhet. Världen är endast delvist observerbar och stokastisk. (Jmf. Russell och Norvig, 2014, avsnitt 2.3.2.)
Läs merNormalisering av meningar inför resolution 3. Steg 1: Eliminera alla och. Steg 2: Flytta alla negationer framför atomära formler
Normalisering av meningar inför resolution På samma sätt som i satslogiken är resolution i predikatlogiken en process vars syfte är att vederlägga att en klausulmängd är satisfierbar. Det förutsätter dock
Läs merDD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik
DD1350 Logik för dataloger Fö 7 Predikatlogikens semantik 1 Kryssprodukt av mängder Om A och B är två mängder så är deras kryssprodukt A B mängden av alla par (a,b), där a A och b B. Ex: A={1,2}, B={3,4},
Läs merFöreläsning 9: NP-fullständighet
Föreläsning 9: NP-fullständighet Olika typer av problem: 1. Beslutsproblem: A(x) =Ja. 2. Optimeringsproblem: A(x) =m Vanligen max/min. 3. Konstruktionsproblem: A(x) =En struktur. Vanligen lösningen till
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2013-10-31 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 11 Maximalt antal poäng 30 Krav för 3 i betyg 14 poäng Krav för 4 i betyg 19 poäng,
Läs mer729G43 Artificiell intelligens Sökning
729G43 Artificiell intelligens Sökning Arne Jönsson HCS/IDA Problemformulering Ø Ø Ex. Hitta bästa vägen från Arad till Bukarest Returnera en sekvens av handlingar till en intelligent agent Oradea 71 Neamt
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merInnehåll. Föreläsning 7. Satslogiken är för grov. Samma sak i predikatlogik: Första ordningens predikatlogik. Logik med tillämpningar
Innehåll Föreläsning 7 Logik med tillämpningar 99-03-01 Första ordningens predikatlogik Objekt, predikat, kvantifierare Funktioner, termer, wffs Bindning och räckvidd Tolkningar och värderingar Satisfiering,
Läs merDiskret Matematik A för CVI 4p (svenska)
MITTHÖGSKOLAN TFM Tentamen 2004 MAAA98 Diskret Matematik A för CVI 4p (svenska) Skrivtid: 5 timmar Datum: 3 juni 2004 Denna tentamen omfattar 10 frågor, där varje fråga kan ge 12 poäng. Delfrågornas poäng
Läs merFöreläsning 8: Intro till Komplexitetsteori
Föreläsning 8: Intro till Komplexitetsteori Formalisering av rimlig tid En algoritm som har körtid O(n k ) för någon konstant k är rimligt snabb. En algoritm som har körtid Ω(c n ) för någon konstant c>1
Läs merLULEÅ TEKNISKA UNIVERSITET Ämneskod S0002M, MAM801, IEK600,IEK309 Institutionen för matematik Datum 2009-12-17 Skrivtid 0900 1400
LULEÅ TEKNISKA UNIVERSITET Ämneskod S0002M, MAM801, IEK600,IEK309 Institutionen för matematik Datum 2009-12-17 Skrivtid 0900 1400 Tentamen i: Statistik A1, 15 hp Antal uppgifter: 6 Krav för G: 13 Lärare:
Läs merSannolikhetslära. 1 Enkel sannolikhet. Grunder i matematik och logik (2015) 1.1 Sannolikhet och relativ frekvens. Marco Kuhlmann
Marco Kuhlmann Detta kapitel behandlar grundläggande begrepp i sannolikhetsteori: enkel sannolikhet, betingad sannolikhet, lagen om total sannolikhet och Bayes lag. 1 Enkel sannolikhet Den klassiska sannolikhetsteorin,
Läs merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merInstitutionen för matematik KTH. Tentamensskrivning, , kl B1210 och 5B1230 Matematik IV, för B, M, och I.
Institutionen för matematik KTH Tentamensskrivning, 23--9, kl 4 9 5B2 och 5B23 Matematik IV, för B, M, och I Hjälpmedel: BETA, Mathematics Handbook För godkänt betyg 3 krävs 7 poäng, medan för betyg 4
Läs merLogik för datavetare DVK:Log Tisdagen 28 oktober 2014. Institutionen för dataoch systemvetenskap David Sundgren
Institutionen för dataoch systemvetenskap David Sundgren Logik för datavetare DVK:Log Tisdagen 28 oktober 2014 Skrivtid: 9 00-13 00. Inga hjälpmedel utom formelsamlingen på nästa sida är tillåtna. För
Läs merTentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER för M/EMM Datum: 29 maj 20 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2014-01-10 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 10 Maximalt antal poäng 30 Krav för 3 i betyg 1 Krav för 4 i betyg 19 poäng, vara minst
Läs mer729G43 Artificiell intelligens Probabilistisk logik. Arne Jönsson HCS/IDA
729G43 Artificiell intelligens Probabilistisk logik Arne Jönsson HCS/IDA Probabilistiska resonemang Osäkerhet Grundläggande sannolikhetslära Stokastiska variabler Bayes teorem Bayesianska nätverk Konstruktion
Läs merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Sannolikheter För en händelse E skriver vi sannolikheten att E inträffar som P(E) För en händelse E skriver vi sannolikheten att E inte inträffar som P(E ) Exempel Låt E vara händelsen
Läs mer1 Minkostnadsflödesproblem i nätverk
Krister Svanberg, april 2012 1 Minkostnadsflödesproblem i nätverk Ett nätverk består av en given mängd noder numrerade från 1 till m (där m är antalet noder) samt en given mängd riktade bågar mellan vissa
Läs merFöreläsning 7+8: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning?
Formalisering av rimlig tid Föreläsning 7+8: NP-problem En algoritm som har körtid O(n k ) för någon konstant k är rimligt snabb. En algoritm som har körtid Ω(c n ) för någon konstant c>1 är för långsam.
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 6: Binära beslutsdiagram (BDD) Henrik Björklund Umeå universitet 22. september, 2014 Binära beslutsdiagram Binära beslutsdiagram (Binary decision diagrams, BDDs)
Läs merOutline. TSFS06 Diagnos och övervakning Föreläsning 10 - Sannolikhetsbaserad diagnos och Bayesianska nätverk. Sneak-peak. Outline
TSFS06 Diagnos och övervakning Föreläsning 10 - och Erik Frisk Institutionen för systemteknik Linköpings universitet erik.frisk@liu.se 2017-05-17 2 Sneak-peak Antag att residualerna r 1 och r 2 larmar
Läs merAlgebra och Diskret Matematik A (svenska)
MITTUNIVERSITETET TFM Tentamen 2005 MAAA99 Algebra och Diskret Matematik A (svenska) Skrivtid: 5 timmar Datum: 2 november 2005 Denna tenta omfattar 8 frågor, där varje fråga kan ge 3 poäng. Maximalt poängantal
Läs merFöreläsning 8+9: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning?
Formalisering av rimlig tid Föreläsning 8+9: NP-problem En algoritm som har körtid O(n k ) för någon konstant k är rimligt snabb. En algoritm som har körtid Ω(c n ) för någon konstant c>1 är för långsam.
Läs merTentamentsskrivning: Matematisk Statistik med Metoder MVE490 1
Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning i Matematisk Statistik med Metoder MVE490 Tid: den 16 augusti, 2017 Examinatorer: Kerstin Wiklander och Erik Broman. Jour:
Läs merRobin Stenwall Lunds universitet
Robin Stenwall Lunds universitet Avsnitt 10.3 Några nyttiga ekvivalenser Två sätt att använda tautologa ekvivalenser i första-ordningens logik (1) Satser vars sanningsfuntionella former är tautologt ekvivalenta
Läs merE D C B. F alt. F(x) 80% 40p. 70% 35p
Institutionen för Samhällsvetenskap Nationalekonomi Campus i Sundsvall Dick Svedin den 12 november 2010 Mikroekonomisk teori A, 7,5hp: Skriftlig omtentamen 2010 11-12 Tentamen består av sammanlagt 6 uppgifter
Läs merp /\ q r DD1350 Logik för dataloger Kort repetition Fö 3 Satslogikens semantik
DD1350 Logik för dataloger Fö 3 Satslogikens semantik 1 Kort repetition Satslogik formellt språk för att uttrycka påståenden med variabler och konnektiv /\, \/,, t.ex. p /\ q r 1 Kort repetition Naturlig
Läs merNamn Klass Personnummer (ej fyra sista)
Prövning matematik 6 feb 16 (prövningstillfälle ) Namn Klass Personnummer (ej fyra sista) Mobiltelefonnummer e-post SKRIV TYDLIGT! Alla papper ska förses med namn och återlämnas Skriv tydligt. Oläsliga
Läs mer, S(6, 2). = = = =
1 Matematiska Institutionen KTH Lösningar till tentamensskrivning på kursen Diskret Matematik, moment A, för D2 och F, SF161 och SF160, den 17 april 2010 kl 09.00-14.00. Examinator: Olof Heden. DEL I 1.
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 9 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag Bevis av NP-fullständighet Labbteoriredovisning inför labb 4 2 Teori Teori När vi talar om NP-fullständighet
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merTENTA: TDDD11 & TDDC68. Tillåtna hjälpmedel. Starta Emacs, terminal och tentakommunikationsfönster. Skicka in frågor och uppgifter
TENTA: TDDD11 & TDDC68 Tillåtna hjälpmedel Det är tillåtet att ha böcker (t.ex. Ada-bok, formelsamlingar, lexikon,...) med sig samt utdelade lathundar (finns på kurshemsidan) för Ada, Unix och Emacs. Utdraget
Läs merLösning till tentamensskrivning i Diskret Matematik för CINTE, CL2 och Media 1, SF1610 och 5B1118, onsdagen den 17 augusti 2011, kl
Matematiska Institutionen KTH Lösning till tentamensskrivning i Diskret Matematik för CINTE, CL och Media, SF60 och 5B8, onsdagen den 7 augusti 0, kl 4.00-9.00. Examinator: Olof Heden Hjälpmedel: Inga
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIK GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 2 GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE HÄNDELSER Tatjana Pavlenko 26 mars, 2015 SANNOLIKHETSGRUNDER (REPETITION) Slumpförsöket
Läs merBayes statistik - utan förkunskaper - utan tårar
Bayes statistik - utan förkunskaper - utan tårar Lars Olsson Geostatistik AB 14-11-21 Bayes 1 1 Webbinariekurs Introduktionskurs för geotekniker Webbinarium 1. Fredagen den 21 nov 2014 kl 15:00 15:30 Vad
Läs merTentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl
1 Matematiska Institutionen KTH Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel är tillåtna
Läs merTentamen Metoder för ekonomisk analys
Tentamen Metoder för ekonomisk analys 014-08-7 Instruktioner: Denna tentamen består av två delar. Del 1 skall lösas utan miniräknare. När uppgifterna på del löses får miniräknare användas. Miniräknaren
Läs merKrafts olikhet. En momentant avkodbar kod (prefixkod) med kodordslängderna l 1,...,l N existerar om och endast om. 2 l i. 1 i=1
Datakompression fö 2 p.1 Krafts olikhet En momentant avkodbar kod (prefixkod) med kodordslängderna l 1,...,l N existerar om och endast om N 2 l i 1 Bevis: Antag att vi har en trädkod. Låt l max =max{l
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data
Läs merMITTUNIVERSITETET TFM. Tentamen Algebra och Diskret Matematik A (svenska) Skrivtid: 5 timmar. Datum: 9 januari 2007
MITTUNIVERSITETET TFM Tentamen 2007 MAAA99 Algebra och Diskret Matematik A (svenska) Skrivtid: 5 timmar Datum: 9 januari 2007 Denna tenta omfattar 8 frågor, där varje fråga kan ge 3 poäng. Maximalt poängantal
Läs merFÖRELÄSNING 1 ANALYS MN1 DISTANS HT06
FÖRELÄSNING ANALYS MN DISTANS HT06 JONAS ELIASSON Detta är föreläsningsanteckningar för distanskursen Matematik A - analysdelen vid Uppsala universitet höstterminen 2006. Förberedande material Här har
Läs merSemantik och pragmatik (Serie 4)
Semantik och pragmatik (Serie 4) Satser och logik. Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 30 Så här långt (satslogik) Konjunktion (p q): att två enklare satser båda är uppfyllda.
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merTentamen i. TDDC67 Funktionell programmering och Lisp
1 Linköpings tekniska högskola Institutionen för datavetenskap Anders Haraldsson Tentamen i TDDC67 Funktionell programmering och Lisp och äldre kurser TDDC57 Programmering, Lisp och funktionell programmering
Läs merf(x) = x 2 g(x) = x3 100 h(x) = x 4 x x 2 x 3 100
8 Skissa grafer 8.1 Dagens Teori När vi nu ska lära oss att skissa kurvor är det bra att ha en känsla för vad som händer med kurvan när vi sätter in stora tal. Inledningsvis är det ju polynom vi ska studera.
Läs merFÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS
729G06 Logik FÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS 160309 Idag Sammanfattning*/uppsamling 2 Mer problemöversikt (och lite definitioner) Inte ersättning för andra föreläsningar! 3 Vad är enlogik? Syntax
Läs merStat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence
Läs merPrototypbaserad Inkrementell Diagnos. Anders Holst SICS, Swedish Institute of Computer Science AB
Prototypbaserad Inkrementell Diagnos Anders Holst SICS, Swedish Institute of Computer Science AB Metoder för Industriell Diagnos Datadrivna metoder Träna in en mappning från symptom till diagnoser. Kräver
Läs mer1. (3p) Bestäm den minsta positiva resten vid division av talet med talet 31.
1 Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Diskret Matematik, moment A, för D2 och F, SF1631 och SF1630, den 7 juni 2011 kl 08.00-13.00. Examinator: Olof Heden, tel. 0730547891.
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merF5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)
Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative
Läs merMa2bc. Prov
Ma2bc. Prov 1. 160317. (Lärare: Ingemar Carlsson) Anvisningar Provtid Hjälpmedel Del A Del B Del C Kravgränser 120 minuter för Del B, C och Del D. Gör du provet som inlämning är det inte betygsgrundande,
Läs merAlgebra och Diskret Matematik A (svenska)
MITTUNIVERSITETET TFM Tentamen 2007 MAAA99 Algebra och Diskret Matematik A (svenska) Skrivtid: 5 timmar Datum: 7 juni 2007 Denna tenta omfattar 8 frågor, där varje fråga kan ge 3 poäng. Maximalt poängantal
Läs merIntroduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4
Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 014-015 Denna lektion ska vi studera rekursion. Lektion 4 Principen om induktion Principen om induktion är ett vanligt sätt att bevisa
Läs merLösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl
1 Matematiska Institutionen KTH Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel
Läs merMITTUNIVERSITETET TFM. Modelltenta Algebra och Diskret Matematik. Skrivtid: 5 timmar. Datum: 1 oktober 2007
MITTUNIVERSITETET TFM Modelltenta 2007 MA014G Algebra och Diskret Matematik Skrivtid: 5 timmar Datum: 1 oktober 2007 Den obligatoriska delen av denna (modell)tenta omfattar 8 frågor, där varje fråga kan
Läs merRobin Stenwall Lunds universitet
Robin Stenwall Lunds universitet Vik$gt a) tänka på Innehållet i kursen formell logik förutsätts vara inhämtat (repetera om du är osäker). I allmänhet gäller att kursinnehållet, som ska instuderas på relativt
Läs merSF1901: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK BETINGADE SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 2 GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGADE SANNOLIKHETER, OBEROENDE HÄNDELSER Tatjana Pavlenko 30 augusti, 2016 SANNOLIKHETSGRUNDER (REPETITION) Slumpförsöket
Läs merPredikatlogik: Normalformer. Klas Markström
1 Precis som i satslogik så är det bekvämt att kunna hitta en normalform för meningar. Om vi kan utgå från att alla meningar är på normalform så behöver vi t.e.x. inte bekymra oss om en massa specialfall
Läs merLotto, ett skicklighetsspel!
79 Lotto, ett skicklighetsspel! Jan Grandell KTH 1. Inledning. Du håller nog med om att om man köper en lott så är det bara en fråga om tur om man vinner och hur mycket man vinner. På samma sätt håller
Läs merSanningsvärdet av ett sammansatt påstående (sats, utsaga) beror av bindeord och sanningsvärden för ingående påståenden.
MATEMATISK LOGIK Matematisk logik formaliserar korrekta resonemang och definierar formellt bindeord (konnektiv) mellan påståenden (utsagor, satser) I matematisk logik betraktar vi påståenden som antingen
Läs merFöreläsning 5, FMSF45 Summor och väntevärden
Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Slumpförsök Med slumpförsök (random experiment) menar vi försök som upprepade gånger utförs på samma sätt men som kan få olika utfall Enkla exempel är slantsingling och tärningskast
Läs merÖvningshäfte 3: Funktioner och relationer
GÖTEBORGS UNIVERSITET MATEMATIK 1, MAM100, HT2014 INLEDANDE ALGEBRA Övningshäfte 3: Funktioner och relationer Övning H Syftet är att utforska ett av matematikens viktigaste begrepp: funktionen. Du har
Läs merTentamen Datastrukturer D DAT 036/INN960
Tentamen Datastrukturer D DAT 036/INN960 18 december 2009 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. Betygsgränser, CTH: 3 = 24 p, 4 = 36 p, 5 = 48 p, GU:
Läs merLösningsförslag till tentamensskrivning i SF1610 Diskret Matematik för CINTE 30 maj 2018, kl
1 Matematiska Institutionen KTH Lösningsförslag till tentamensskrivning i SF1610 Diskret Matematik för CINTE 30 maj 2018, kl 08.00 13.00. Examinator: Petter Brändén Kursansvarig: Olof Sisask Hjälpmedel:
Läs merMMA127 Differential och integralkalkyl II
Mälardalens högskola Akademin för utbildning, kultur och kommunikation MMA17 Differential och integralkalkyl II Tentamen Lösningsförslag 9..19 8. 11. Hjälpmedel: Endast skrivmaterial (gradskiva tillåten).
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 8 Anton Grensjö grensjo@csc.kth.se 12 november 2015 Anton Grensjö ADK Övning 8 12 november 2015 1 / 21 Översikt Kursplanering Ö8: Mästarprov 1, oavgörbarhet
Läs merStudentens namn: Studentens personnummer: Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta.
KOD: Kurskod: PM1303 Kursnamn: Vetenskapsteori och grundläggande forskningsmetoder Provmoment: Vetenskapsteori respektive forskningsmetod Ansvarig lärare: Jan Johansson Hanse Tentamensdatum: 2015-09-29
Läs merFöreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 10 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag En konstruktionsreduktion Fler bevis av NP-fullständighet 2 Teori Repetition Ett problem tillhör
Läs merSidor i boken f(x) = a x 2 +b x+c
Sidor i boken 18-151 Andragradsfunktioner Här ska vi studera andragradsfunktionen som skrivs f(x) = ax +bx+c där a, b, c är konstanter (reella tal) och där a 0. Grafen (kurvan) till f(x), y = ax + bx +
Läs merMATEMATIK 5 veckotimmar
EUROPEISK STUDENTEXAMEN 2010 MATEMATIK 5 veckotimmar DATUM : 4 Juni 2010 SKRIVNINGSTID : 4 timmar (240 minuter) TILLÅTNA HJÄLPMEDEL : Skolans formelsamling Icke-programmerbar, icke-grafritande räknedosa
Läs merI den här uppgiften ska du undersöka förhållandet mellan parabelarean och rektangelarean.
17. Figuren visar en parabel och en rektangel i ett koordinatsystem. Det skuggade området är begränsat av parabeln och x-axeln. Arean av det skuggade området kallas i fortsättningen parabelarean. Vid bedömning
Läs merChalmers tekniska högskola Datum: kl Telefonvakt: Carl Lundholm MVE475 Inledande Matematisk Analys
MATEMATIK Hjälpmedel: inga Chalmers tekniska högskola Datum: 6825 kl. 8.3 2.3 Tentamen Telefonvakt: Carl Lundholm 5325 MVE475 Inledande Matematisk Analys Tentan rättas och bedöms anonymt. Skriv tentamenskoden
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merInstitutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA671 2009-01-16. DAG: Fredag 16 januari 2009 TID: 14.00-18.
Institutionen för Matematik Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 9--6 DAG: Fredag 6 januari 9 TID: 4. - 8. SAL: V Ansvarig: Ivar Gustafsson, tel: 77 94 Förfrågningar: Ivar Gustafsson
Läs merTentamen EDAA05 Datorer i system
LUNDS TEKNISKA HÖGSKOLA 1(5) Institutionen för datavetenskap Tentamen EDAA05 Datorer i system 2011 10 17, 8.00 13.00 Tillåtna hjälpmedel: bifogad formel- och symbolsamling. För godkänt betyg på tentamen
Läs merKombinatorik och sannolikhetslära
Grunder i matematik och logik (2018) Kombinatorik och sannolikhetslära Marco Kuhlmann Sannolikhetslära Detta avsnitt är för det mesta en kompakt sammanfattning av momentet sannolikhetslära som ingår i
Läs merTENTAMEN: Algoritmer och datastrukturer. Läs detta!
1 (6) TENTAMEN: Algoritmer och datastrukturer Läs detta! Uppgifterna är inte avsiktligt ordnade efter svårighetsgrad. Börja varje uppgift på ett nytt blad. Skriv ditt idnummer på varje blad (så att vi
Läs merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 21.01.2015 Jan Grandell & Timo Koski () Matematisk statistik 21.01.2015 1 / 1 Repetition:
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE32 Sannolikhet och statistik 219-6-5 kl. 8:3-12:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs mera3 bc 5 a 5 b 7 c 3 3 a2 b 4 c 4. Förklara vad ekvationen (2y + 3x) = 16(x + 1)(x 1) beskriver, och skissa grafen.
MMA Matematisk grundkurs TEN Datum: 4 juni Skrivtid: timmar Hjälpmedel: Penna, linjal och radermedel Denna tentamen TEN består av nio stycken om varannat slumpmässigt ordnade uppgifter som vardera kan
Läs merLogik. Dr. Johan Hagelbäck.
Logik Dr. Johan Hagelbäck johan.hagelback@lnu.se http://aiguy.org Vad är logik? Logik handlar om korrekta och inkorrekta sätt att resonera Logik är ett sätt att skilja mellan korrekt och inkorrekt tankesätt
Läs merMälardalens högskola Akademin för utbildning, kultur och kommunikation
Mälardalens högskola Akademin för utbildning, kultur och kommunikation MAA24 Grundläggande kalkyl ÖVN2 Lösningsförslag 202.08.09 08.30 0.30 Hjälpmedel: Endast skrivmaterial. (Gradskiva är tillåtet.) Poäng:
Läs merSemantik och pragmatik
Semantik och pragmatik OH-serie 4 http://stp.lingfil.uu.se/~matsd/uv/uv12/semp/ Mats Dahllöf Institutionen för lingvistik och filologi Januari 2012 Om barnet har svårt att andas eller har ont i bröstet
Läs merTMS136: Dataanalys och statistik Tentamen
TMS136: Dataanalys och statistik Tentamen 013-08-7 Examinator och jour: Mattias Sunden, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkänd räknare och formelsamling (formelsamling delas ut med tentan). Betygsgränser:
Läs merENDIMENSIONELL ANALYS B1 FÖRELÄSNING XII. Föreläsning XII. Mikael P. Sundqvist
Föreläsning XII Mikael P. Sundqvist Vad handlar gränsvärden om? Det är en kamp mellan epsilon (ε) och delta (δ) analystens främsta verktyg! Klicka här för bild på Barry Simon Gränsvärde av f (x) då x +
Läs merDatorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf
UPPSALA UNIVERSITET Datorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf http://stp.ling.uu.se/ matsd/uv/uv07/dg1/ Logisk semantik II 1 Predikatlogik, generella
Läs mer