Randomisierte Algorithmen - Cheatsheet.pdf

Randomisierte Algorithmen - Cheatsheet
Randomisierte Algorithmen - Cheatsheet Wahrscheinlichkeitsräume und Zufallsvariablen Definition: Wahrscheinlichkeitsräume definieren den Rahmen für Zufallsexperimente, Zufallsvariablen ordnen Ergebnissen der Experimente numerische Werte zu. Details: Ein Wahrscheinlichkeitsraum ist ein Tripel \( \left(\Omega, \mathcal{F}, P \right) \). \( \Omega \): Ergebnismenge \( \mathcal{F} \): Sigma-Algebra vo...

© StudySmarter 2024, all rights reserved.

Randomisierte Algorithmen - Cheatsheet

Wahrscheinlichkeitsräume und Zufallsvariablen

Definition:

Wahrscheinlichkeitsräume definieren den Rahmen für Zufallsexperimente, Zufallsvariablen ordnen Ergebnissen der Experimente numerische Werte zu.

Details:

  • Ein Wahrscheinlichkeitsraum ist ein Tripel \( \left(\Omega, \mathcal{F}, P \right) \).
  • \( \Omega \): Ergebnismenge
  • \( \mathcal{F} \): Sigma-Algebra von Ereignissen
  • \( P \): Wahrscheinlichkeitsmaß
  • Zufallsvariable ist eine messbare Funktion \( X: \Omega \to \mathbb{R} \).
  • Verteilung von \( X \): \( P_X(B) = P(X \in B) \) für \( B \subseteq \mathbb{R} \).

Zentrale Grenzwertsätze

Definition:

Zentrale Grenzwertsätze (ZGW) sind fundamentale Resultate der Wahrscheinlichkeitstheorie, die sich mit der Verteilung von Summen unabhängiger Zufallsvariablen beschäftigen.

Details:

  • Gesamtverhalten: Summe von unabhängigen, identisch verteilten Zufallsvariablen nähert sich einer Normalverteilung an, wenn die Anzahl der Variablen groß ist.
  • Formel: Sei \(\text{X}_1, \text{X}_2, ..., \text{X}_n\) eine Folge von i.i.d. Zufallsvariablen mit Mittelwert \(\mu\) und Varianz \(\sigma^2\), dann gilt für die standardisierte Summe: \[ \frac{1}{\sqrt{n\sigma^2}} \sum_{i=1}^n (X_i - \mu) \xrightarrow{d} \mathcal{N}(0,1) \]
  • Anwendung: Schätzung von Verteilungen in Randomisierten Algorithmen.

Randomisierte Datenstrukturen

Definition:

Datenstrukturen, die zufälliges Verhalten verwenden, um erwartete Laufzeit und Speicheranforderungen zu minimieren.

Details:

  • \textit{Wahrscheinlichkeitsverteilungen} steuern die Struktur und Operationen.
  • \textbf{Skip-Listen}: mehrdimensionale Listen, die \textit{Suchen}, \textit{Einfügen}, \textit{Löschen} in erwarteter logarithmischer Zeit durchführen.
  • \textbf{Treaps}: Kombination von Binärbäumen und Heaps, Aufrechterhaltung der Baumstruktur basierend auf zufälligen Prioritäten.
  • \textbf{Hashing} mit Zufall: Verwendung von \textit{zufälligen Hashfunktionen} zur Minimierung von Kollisionen.
  • Erwartete Laufzeit oft besser als die schlimmste Laufzeit konventioneller Datenstrukturen.

Monte-Carlo-Methoden in der numerischen Linearen Algebra

Definition:

Monte-Carlo-Methoden nutzen Zufallszahlen zur Lösung oder Approximation von Problemen der linearen Algebra.

Details:

  • Verwendung: Nützlich bei großen Matrizen oder schwer lösbaren Problemen.
  • Prinzip: Wiederholtes Zufallssampling zur Näherung der Lösung.
  • Häufige Anwendung: Näherung von Eigenwerten und Eigenvektoren großer Matrizen.
  • Präzision: Erhöht sich mit der Anzahl der Stichproben.
  • Zentrale Idee: Reduzierung der Dimension der Problemstellung durch zufällige Projektionen.
  • Beispielmethode: Randomisierte SVD (Singulärwertzerlegung).

Beispiele für klassische Las-Vegas-Algorithmen

Definition:

Las-Vegas-Algorithmen sind randomisierte Algorithmen, die immer korrekte Ergebnisse liefern, aber deren Laufzeit eine Zufallsvariable ist.

Details:

  • Quickselect (für das Finden der k-ten kleinsten Elemente in lineare Zeit)
  • Der Monte-Carlo Baumsuchalgorithmus (für Spiele wie Schach)
  • Der Algorithmus von Karger (für das Finden minimaler Schnittmengen in Graphen)
  • Randomisierter Minimum-Spanning-Tree-Algorithmus (Verallgemeinerung von Borůvka oder Kruskal)
  • Treap-Datenstruktur (kombiniert Heap und Binäre Suchbäume)

Vergleich von Monte-Carlo und Las-Vegas Algorithmen

Definition:

Vergleich von Monte-Carlo und Las-Vegas Algorithmen.

Details:

  • Monte-Carlo: Ergebnisse können falsch, aber mit berechenbarer Wahrscheinlichkeit
  • Las-Vegas: Ergebnisse immer richtig, aber Laufzeit zufallsabhängig
  • Monte-Carlo: Fokus auf Laufzeitschranken \textit{(expected polynomial time)}
  • Las-Vegas: Fokus auf resultierende Korrektheit
  • Gemeinsamkeiten: Beide nutzen Zufall zur Optimierung
  • App: Monte-Carlo zur Approximation, Las-Vegas zur exakten Lösung

Randomisierte Algorithmen in der Kryptographie

Definition:

Verwendung von Zufall in Algorithmen zur Erhöhung der Sicherheit und Effizienz kryptographischer Verfahren.

Details:

  • Erzeugung kryptographischer Schlüssel mittels Zufallszahlen
  • Probabilistische Verschlüsselung: erhöht Sicherheit, indem identische Nachrichten unterschiedlich verschlüsselt werden
  • Monte-Carlo-Algorithmen in der Primzahlprüfung
  • Zero-Knowledge-Protokolle: Nachweis von Wissen ohne Preisgabe der Information
  • Wahrscheinlichkeit der Korrektheit bei randomisierten Algorithmen essentiell
  • Beispiele: RSA Schlüsselgenerierung, probabilistische Algorithmen für faktorisierungsbasierte Kryptographie

Stochastische Prozesse und ihre Anwendungen

Definition:

Stochastische Prozesse sind mathematische Modelle für Systeme, die sich zufällig entwickeln. Diese werden in randomisierten Algorithmen verwendet, um probabilistische Entscheidungen zu treffen.

Details:

  • Ein Prozess: Familie von Zufallsvariablen \(\{X_t\}_{t \in T}\), wobei \(T\) der Indexbereich ist
  • Anwendungen: Monte-Carlo-Simulationen, Markov-Ketten
  • Markov-Kette: \(P(X_{t+1}=x|X_0=x_0,...,X_t=x_t)=P(X_{t+1}=x|X_t=x_t)\)
  • Erwartungswert und Varianz helfen bei der Analyse
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden