Perguntas com a marcação «probability-theory»

É sabido que esse algoritmo 'ingênuo' para embaralhar uma matriz trocando cada item por outro escolhido aleatoriamente não funciona corretamente: for (i=0..n-1) swap(A[i], A[random(n)]); Especificamente, como em cada uma das iterações, uma das escolhas é feita (com probabilidade uniforme), existem possíveis 'caminhos' através da computação; porque o número de permutações …

33 algorithms  algorithm-analysis  asymptotics  probability-theory  randomness 

Você tem uma moeda. Você pode girá-lo quantas vezes quiser. Você deseja gerar um número aleatório tal que onde .a ≤ r &lt; b r , a , b ∈ Z +rrra≤r&lt;ba≤r&lt;ba \leq r < br,a,b∈Z+r,a,b∈Z+r,a,b\in \mathbb{Z}^+ A distribuição dos números deve ser uniforme. É fácil se :b−a=2nb−a=2nb -a = …

25 algorithms  probability-theory  randomness  random-number-generator 

Esta questão foi migrada do Theoretical Computer Science Stack Exchange porque pode ser respondida no Computer Science Stack Exchange. Migrou há 7 anos . Esse problema foi retirado de Interviewstreet.com É-nos dada uma matriz de números inteiros que representa segmentos de linha, de modo que os pontos finais do segmento …

23 algorithms  probability-theory 

Para enquadrar a questão, na ciência da computação, muitas vezes queremos calcular o produto de várias probabilidades: P(A,B,C) = P(A) * P(B) * P(C) A abordagem mais simples é simplesmente multiplicar esses números, e era isso que eu ia fazer. No entanto, meu chefe disse que é melhor adicionar o …

21 algorithm-analysis  probability-theory 

Suponha que você receba uma moeda justa e gostaria de simular a distribuição de probabilidade de lançar repetidamente um dado justo (de seis lados). Minha idéia inicial é que precisamos escolher números inteiros adequados , de modo que . Então, depois de lançar a moeda vezes, mapeamos o número codificado …

21 probability-theory  randomness  sampling 

Suponha que temos um gerador aleatório que gera números no intervalo com distribuição uniforme e precisamos gerar números aleatórios no intervalo com distribuição uniforme.[ 0 .. N - 1 ][0..R−1][0..R−1][0..R-1][0..N−1][0..N−1][0..N-1] Suponha que e não divida uniformemente ; para obter uma distribuição verdadeiramente uniforme , podemos usar o método de amostragem …

21 probability-theory  randomness  random-number-generator  sampling 

Suponha que tenhamos uma caixa preta fff que possamos consultar e redefinir. Quando redefinimos fff , o estado de é definido como um elemento escolhido uniformemente aleatoriamente no conjunto que é fixo e conhecido pelo dado . Para consulta , um elemento x (a suposição) de { 0 , 1 …

20 algorithms  probability-theory  randomized-algorithms 

Dado um dado tendencioso do lado , como um número aleatório no intervalo ser gerado uniformemente? A distribuição de probabilidade das faces do dado não é conhecida, tudo o que se sabe é que cada face tem uma probabilidade diferente de zero e que a distribuição de probabilidade é a …

18 probability-theory  randomized-algorithms  random-number-generator 

Ultimamente, tenho estudado a Maximização de Expectativas e peguei alguns exemplos simples no processo: A partir daqui : Há três moedas c0c0c_0 , c1c1c_1 e c2c2c_2 com p0p0p_0 , p1p1p_1 e p2p2p_2 a respectiva probabilidade de aterragem na cabeça quando atiradas. Atire c0c0c_0 . Se o resultado for Cabeça, jogue …

18 probability-theory  statistics 

Digamos que temos uma grande coleção de tarefas e uma coleção de processadores idênticos (em termos de desempenho) que operam completamente em paralelo. Para cenários de interesse, podemos assumir . Cada leva uma certa quantidade de tempo / ciclos para concluir, uma vez que é atribuído a um processador \ …

16 probability-theory  scheduling  parallel-computing 

O algoritmo de seleção aleatória é o seguinte: Entrada: Uma matriz de n (distintos, para simplificar) números e um número k ∈ [ n ]AAAnnnk∈[n]k∈[n]k\in [n] Saída: O " elemento da classificação " de A (ou seja, aquele na posição k se A foi classificado)kkkAAAkkkAAA Método: Se houver um elemento …

14 algorithms  algorithm-analysis  probability-theory  randomized-algorithms 

fundo \newcommand\ms[1]{\mathsf #1}\def\msD{\ms D}\def\msS{\ms S}\def\mfS{\mathfrak S}\newcommand\mfm[1]{#1}\def\po{\color{#f63}{\mfm{1}}}\def\pc{\color{#6c0}{\mfm{c}}}\def\pt{\color{#08d}{\mfm{2}}}\def\pth{\color{#6c0}{\mfm{3}}}\def\pf{4}\def\pv{\color{#999}5}\def\gr{\color{#ccc}}\let\ss\gr Suponha que eu tenha dois lotes idênticos de nnn bolinhas de gude. Cada mármore pode ser uma das cores ccc , onde c≤nc≤nc≤n . Deixe ninin_i denotam o número de berlindes de cor iii em cada lote. Seja SS\msS o multiset {1,…,1n1,2,…,2n2,…,1c,…,cnc}{1,…,1⏞n1,2,…,2⏞n2,…,1c,…,c⏞nc}\small\{\overbrace{\po,…,\po}^{n_1},\;\overbrace{\pt,…,\pt}^{n_2},\;…,\;\overbrace{\vphantom 1\pc,…,\pc}^{n_c}\} representando …

13 algorithms  combinatorics  probability-theory  permutations  sampling 

Um preditor do Naive Bayes faz suas previsões usando esta fórmula: P( Y= y| X= x ) = α P( Y= y) ∏EuP( XEu= xEu| Y= y)P(Y=y|X=x)=αP(Y=y)∏EuP(XEu=xEu|Y=y)P(Y=y|X=x) = \alpha P(Y=y)\prod_i P(X_i=x_i|Y=y) onde é um fator de normalização. Isso requer a estimativa dos parâmetros partir dos dados. Se fizermos isso com …

13 machine-learning  probability-theory  statistics 

Considere uma sequência de nnn lançamentos de uma moeda imparcial. Deixe HEuHEuH_i denotar o valor absoluto do excesso do número de cabeças sobre caudas vistas nos primeiros EuEui flips. Defina H= maxEuHEuH=maxEuHEuH=\text{max}_i H_i . Mostre que E[ HEu] = Θ ( i√)E[HEu]=Θ(Eu)E[H_i]=\Theta ( \sqrt{i} )eE[ H] = Θ ( n--√)E[H]=Θ(n)E[H]=\Theta( …

12 probability-theory  randomized-algorithms 

No trabalho, fui encarregado de deduzir algumas informações de tipo sobre uma linguagem dinâmica. Reescrevo seqüências de instruções em letexpressões aninhadas , da seguinte maneira: return x; Z =&gt; x var x; Z =&gt; let x = undefined in Z x = y; Z =&gt; let x = y in …

11 programming-languages  logic  type-theory  type-inference  machine-learning  data-mining  clustering  order-theory  reference-request  information-theory  entropy  algorithms  algorithm-analysis  space-complexity  lower-bounds  formal-languages  computability  formal-grammars  context-free  parsing  complexity-theory  time-complexity  terminology  turing-machines  nondeterminism  programming-languages  semantics  operational-semantics  complexity-theory  time-complexity  complexity-theory  reference-request  turing-machines  machine-models  simulation  graphs  probability-theory  data-structures  terminology  distributed-systems  hash-tables  history  terminology  programming-languages  meta-programming  terminology  formal-grammars  compilers  algorithms  search-algorithms  formal-languages  regular-languages  complexity-theory  satisfiability  sat-solvers  factoring  algorithms  randomized-algorithms  streaming-algorithm  in-place  algorithms  numerical-analysis  regular-languages  automata  finite-automata  regular-expressions  algorithms  data-structures  efficiency  coding-theory  algorithms  graph-theory  reference-request  education  books  formal-languages  context-free  proof-techniques  algorithms  graph-theory  greedy-algorithms  matroids  complexity-theory  graph-theory  np-complete  intuition  complexity-theory  np-complete  traveling-salesman  algorithms  graphs  probabilistic-algorithms  weighted-graphs  data-structures  time-complexity  priority-queues  computability  turing-machines  automata  pushdown-automata  algorithms  graphs  binary-trees  algorithms  algorithm-analysis  spanning-trees  terminology  asymptotics  landau-notation  algorithms  graph-theory  network-flow  terminology  computability  undecidability  rice-theorem  algorithms  data-structures  computational-geometry