Algoritmos e complexidade Notas de aula - Arquivo Escolar
Algoritmos e complexidade Notas de aula - Arquivo Escolar Algoritmos e complexidade Notas de aula - Arquivo Escolar
A. Conceitos matemáticos Indução matemática: exercícios • Mostre que n! ≤ n n . • Mostre que 1 log a (c) = log c(a). • Demonstre a propriedade dos expoentes. • Encontre uma fórmula alternativa para n 2i − 1 i=1 e prove seu resultado via indução matemática. • Use indução matemática para provar que n−1 q i = qn − 1 q − 1 . i=0 • Resolva os exercícios do capítulo 1. A.4. Limites Definição A.7 (Limites) Para f : N → R o limite de n para ∞ é definido por lim n→∞ f(n) = c ⇐⇒ ∃c ∀ɛ > 0 ∃n0 ∀n > n0 |f(n) − c| < ɛ. (A.41) Caso não existe um c ∈ R a função é divergente. Uma forma especial de divergência é quando a função ultrapasse qualquer número real, Também temos 302 lim n→∞ f(n) = ∞ ⇐⇒ ∀c ∃n0 ∀n > n0 f(n) > c (A.42) lim inf f(n) = lim n→∞ n→∞ lim sup f(n) = lim n→∞ n→∞ inf m≥n f(m) sup f(m) m≥n
Lema A.1 (Definição alternativa do limite) É possível substituir < com ≤ na definição do limite. A.5. Probabilidade discreta lim n→∞ f(n) = c ⇐⇒ ∀ɛ > 0 ∃n0 ∀n > n0 |f(n) − c| ≤ ɛ Prova. ⇒ é obvio. Para ⇐, escolhe ɛ ′ = ɛ/2 < ɛ. A.5. Probabilidade discreta Probabilidade: Noções básicas • Espaço amostral finito Ω de eventos elementares e ∈ Ω. • Distribuição de probabilidade Pr[e] tal que Pr[e] ≥ 0; Pr[e] = 1 e∈Ω • Eventos (compostos) E ⊆ Ω com probabilidade Pr[E] = Pr[e] Exemplo A.2 Para um dado sem bias temos Ω = {1, 2, 3, 4, 5, 6} e Pr[i] = 1/6. O evento Par = {2, 4, 6} tem probabilidade Pr[Par] = e∈Par Pr[e] = 1/2. ♦ Probabilidade: Noções básicas • Variável aleatória e∈E X : Ω → N • Escrevemos Pr[X = i] para Pr[X −1 (i)]. • Variáveis aleatórias independentes • Valor esperado P [X = x e Y = y] = P [X = x]P [Y = y] E[X] = Pr[e]X(e) = i Pr[X = i] e∈Ω i≥0 303
- Page 253 and 254: 12. Classes de complexidade 12.1. D
- Page 255 and 256: 12.2. Hierarquias básicas Prova. (
- Page 257 and 258: 12.2. Hierarquias básicas 1. Temos
- Page 259: 12.3. Exercícios 12.3. Exercícios
- Page 262 and 263: 13. Teoria de NP-completude • Int
- Page 264 and 265: 13. Teoria de NP-completude C-≤-d
- Page 266 and 267: 13. Teoria de NP-completude Ladrilh
- Page 268 and 269: 13. Teoria de NP-completude (q, a)
- Page 270 and 271: 13. Teoria de NP-completude Sejam c
- Page 272 and 273: 13. Teoria de NP-completude Decisã
- Page 275 and 276: 14. Fora do NP Classes fora do P-NP
- Page 277 and 278: A classe co-NP 14.1. De P até PSPA
- Page 279 and 280: 14.1. De P até PSPACE Para provar
- Page 281 and 282: A hierarquia polinomial Mais exempl
- Page 283 and 284: • Agora, consideramos os seguinte
- Page 285: 14.3. Exercícios The equivalence p
- Page 288 and 289: 15. Complexidade de circuitos x1 ¬
- Page 290 and 291: 15. Complexidade de circuitos Corol
- Page 292 and 293: 15. Complexidade de circuitos Teore
- Page 295 and 296: A. Conceitos matemáticos Nessa se
- Page 297 and 298: Proposição A.3 (Regras para pisos
- Page 299 and 300: 2 1 0 0 1 2 3 4 5 6 7 8 9 10 A.1. F
- Page 301 and 302: A.2. Somatório A última regra é
- Page 303: Uma aplicação: 1≤i≤n ix i =
- Page 307: A.6. Grafos e ∩ f = ∅. Para um
- Page 310 and 311: B. Soluções dos exercícios Prova
- Page 312 and 313: B. Soluções dos exercícios Prova
- Page 314 and 315: B. Soluções dos exercícios 6. n
- Page 316 and 317: B. Soluções dos exercícios c fix
- Page 318 and 319: B. Soluções dos exercícios 9 ret
- Page 320 and 321: B. Soluções dos exercícios Anali
- Page 323 and 324: Índice DSPACE, 252 DTIME, 252 NP,
- Page 325 and 326: função concava, 297 convexa, 297
- Page 327: teorema de Savitch, 256 tese de Cob
- Page 330 and 331: Bibliografia [15] Thomas H. Cormen
- Page 332 and 333: Bibliografia [42] Jon Kleinberg e
- Page 334: Bibliografia [72] V. Vassilevska Wi
Lema A.1 (Definição alternativa do limite)<br />
É possível substituir < com ≤ na <strong>de</strong>finição do limite.<br />
A.5. Probabilida<strong>de</strong> discreta<br />
lim<br />
n→∞ f(n) = c ⇐⇒ ∀ɛ > 0 ∃n0 ∀n > n0 |f(n) − c| ≤ ɛ<br />
Prova. ⇒ é obvio. Para ⇐, escolhe ɛ ′ = ɛ/2 < ɛ. <br />
A.5. Probabilida<strong>de</strong> discreta<br />
Probabilida<strong>de</strong>: Noções básicas<br />
• Espaço amostral finito Ω <strong>de</strong> eventos elementares e ∈ Ω.<br />
• Distribuição <strong>de</strong> probabilida<strong>de</strong> Pr[e] tal que<br />
Pr[e] ≥ 0;<br />
<br />
Pr[e] = 1<br />
e∈Ω<br />
• Eventos (compostos) E ⊆ Ω com probabilida<strong>de</strong><br />
Pr[E] = <br />
Pr[e]<br />
Exemplo A.2<br />
Para um dado sem bias temos Ω = {1, 2, 3, 4, 5, 6} e Pr[i] = 1/6. O evento<br />
Par = {2, 4, 6} tem probabilida<strong>de</strong> Pr[Par] = <br />
e∈Par Pr[e] = 1/2. ♦<br />
Probabilida<strong>de</strong>: Noções básicas<br />
• Variável aleatória<br />
e∈E<br />
X : Ω → N<br />
• Escrevemos Pr[X = i] para Pr[X −1 (i)].<br />
• Variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes<br />
• Valor esperado<br />
P [X = x e Y = y] = P [X = x]P [Y = y]<br />
E[X] = <br />
Pr[e]X(e) = <br />
i Pr[X = i]<br />
e∈Ω<br />
i≥0<br />
303