Preguntas etiquetadas con probability-theory

Es bien sabido que este algoritmo 'ingenuo' para barajar una matriz intercambiando cada elemento con otro elegido al azar no funciona correctamente: for (i=0..n-1) swap(A[i], A[random(n)]); Específicamente, dado que en cada una de las iteraciones, se realiza una de las elecciones (con probabilidad uniforme), hay posibles 'caminos' a través del …

33 algorithms  algorithm-analysis  asymptotics  probability-theory  randomness 

Tienes una moneda Puedes voltearlo tantas veces como quieras. Desea generar un número aleatorio tal que donde .rrra≤r&lt;ba≤r&lt;ba \leq r < br,a,b∈Z+r,a,b∈Z+r,a,b\in \mathbb{Z}^+ La distribución de los números debe ser uniforme. Es fácil si :b−a=2nb−a=2nb -a = 2^n r = a + binary2dec(flip n times write 0 for heads and …

25 algorithms  probability-theory  randomness  random-number-generator 

Esta pregunta se migró de Intercambio teórico de apilamiento de informática porque se puede responder en Intercambio apilado de informática. Migrado hace 7 años . Este problema está tomado de interviewstreet.com Se nos da una matriz de enteros Y={y1,...,yn}Y={y1,...,yn}Y=\{y_1,...,y_n\} que representa nnn segmentos de línea de modo que los puntos …

23 algorithms  probability-theory 

Para enmarcar la pregunta, en informática a menudo queremos calcular el producto de varias probabilidades: P(A,B,C) = P(A) * P(B) * P(C) El enfoque más simple es simplemente multiplicar estos números, y eso es lo que iba a hacer. Sin embargo, mi jefe dijo que es mejor agregar el registro …

21 algorithm-analysis  probability-theory 

Suponga que le dan una moneda justa y le gustaría simular la distribución de probabilidad de voltear repetidamente un dado justo (de seis caras). Mi idea inicial es que necesitamos elegir enteros apropiados , de modo que . Entonces, después de voltear la moneda veces, mapeamos el número codificado por …

21 probability-theory  randomness  sampling 

Supongamos que tenemos un generador aleatorio que genera números en el rango con distribución uniforme y necesitamos generar números aleatorios en el rango con distribución uniforme.[ 0 .. N - 1 ][0..R−1][0..R−1][0..R-1][0..N−1][0..N−1][0..N-1] Supongamos que y no dividen equitativamente a ; Para obtener una distribución verdaderamente uniforme , podemos utilizar el …

21 probability-theory  randomness  random-number-generator  sampling 

Supongamos que tenemos un cuadro negro fff que podemos consultar y restablecer. Cuando reiniciamos fff , el estado fSfSf_S de fff se establece en un elemento elegido de manera uniforme al azar a partir del conjunto {0,1,...,n−1}{0,1,...,n−1}\{0, 1, ..., n - 1\} donde nnn es fijo y se conoce por …

20 algorithms  probability-theory  randomized-algorithms 

Dado un dado sesgado del lado , ¿cómo puede generarse un número aleatorio en el rango manera uniforme? La distribución de probabilidad de las caras del dado no se conoce, todo lo que se sabe es que cada cara tiene una probabilidad distinta de cero y que la distribución de …

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

Últimamente he estado estudiando la Maximización de Expectativas y obtuve algunos ejemplos simples en el proceso: A partir de aquí : Hay tres monedas , y con , y la probabilidad respectiva para aterrizar en la cabeza cuando se arrojó. Lanzar . Si el resultado es Cabeza, tres veces, de …

18 probability-theory  statistics 

Digamos que tenemos una gran colección de tareas y una colección de procesadores idénticos (en términos de rendimiento) que operan completamente en paralelo. Para escenarios de interés, podemos suponer . Cada tarda una cierta cantidad de tiempo / ciclos en completarse una vez que se asigna a un procesador , …

16 probability-theory  scheduling  parallel-computing 

El algoritmo de selección aleatoria es el siguiente: Entrada: una matriz de (distintos, por simplicidad) números y un númeroAAAnnnk∈[n]k∈[n]k\in [n] Salida: El " elemento de rango " de (es decir, el que está en la posición si fue ordenado)kkkAAAkkkAAA Método: Si hay un elemento en , devuélvaloAAA Seleccione un elemento …

14 algorithms  algorithm-analysis  probability-theory  randomized-algorithms 

Antecedentes \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 Supongamos que tengo dos lotes idénticos de canicas. Cada canica puede ser uno de los colores c , donde c≤n . Deje n_i denotar el número de canicas de color i en cada lote.nnccc≤nc≤nnin_iii Sea S\msS el multiset {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 un lote. En …

13 algorithms  combinatorics  probability-theory  permutations  sampling 

Un predictor de Naive Bayes hace sus predicciones usando esta fórmula: PAG( Y= yEl | X= x ) = α P( Y= y) ∏yoPAG( Xyo= xyoEl | Y= y)PAG(Y=yEl |X=X)=αPAG(Y=y)∏yoPAG(Xyo=XyoEl |Y=y)P(Y=y|X=x) = \alpha P(Y=y)\prod_i P(X_i=x_i|Y=y) donde es un factor de normalización. Esto requiere estimar los parámetros partir de los datos. …

13 machine-learning  probability-theory  statistics 

Considere una secuencia de lanzamientos de una moneda imparcial. Let denotan el valor absoluto del exceso del número de cabezas sobre las colas visto en la primera lanzamientos. Defina . Muestre que y .nnnHiHiH_iiiiH=maxiHiH=maxiHiH=\text{max}_i H_iE[Hi]=Θ(i√)E[Hi]=Θ(i)E[H_i]=\Theta ( \sqrt{i} )E[H]=Θ(n−−√)E[H]=Θ(n)E[H]=\Theta( \sqrt{n} ) Este problema aparece en el primer capítulo de 'Algoritmos aleatorios' …

12 probability-theory  randomized-algorithms 

En el trabajo, se me ha encomendado la tarea de inferir cierta información sobre un lenguaje dinámico. Reescribo secuencias de declaraciones en letexpresiones anidadas , así: return x; Z =&gt; x var x; Z =&gt; let x = undefined in Z x = y; Z =&gt; let x = y …

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