Universidad Nacional de Ingeniera

Ciencias de la Computacin
Anlisis Probabilistico y Algoritmos Aleatrios
Yuri Nuez Medrano *
ynunezm@gmail.com

Resumen 1.2. Analisis del caso peor

En el Peor caso, seria cuando la calidad de los entrevistados
Se analizar el Analisis Probabilstico y los Algoritmos Alea-
sea creciente, pues se tendria que contrata a todos, entonces
trios.
el tiempo de ejecucin sera O(ch n).

1.3. Analisis probabilstico

1. Analisis probabilsticos
Caso Mejor t(x) = tiempo que tarda el algortmo para la
Puede ayudarnos a medir el tiempo de ejecucin de algort- entrada x.
mos, donde su complejidad varia segn los datos de entrada. T (n) = min{t(x)}, |x| = n
Tambien se pueden variar los algoritmos para que cumplan Caso Peor.
ciertas condiciones. T (n) = max{t(x)}, |x| = n
Caso promedio.
Algorithm 1: HIRE_ASSISTANT(n) Se evalua con la Espectativa (esperanza) sobre la distri-
bucin de las entradas, donde se promedia el tiempo de
1 best = 0
corrida para todas ellas.
2 for i = 1 to n do P
E(T (n)) = x tal que |x|=n t(x)P r(x).
3 interview candidate i
Se puede suponer que los postulantes se presentan en un
4 if cadidate i is better than candidate best then
orden aleatrio, y se puede establecer un orden total entre
5 best=i
ellos decir cual es el mejor.
6 hire candidate i
El orden total permite calificar a cada postulante con un
valor entre 1..n, y el orden aleatrio permite asegurar que
aparecen n! posibles permutaciones, cada una con la misma
probabilidad que cualquier otra. P r(x) es igual para toda
la entrada x!.
1.1. Anlisis
P
E(T (n)) = P r(x) x tal que |x|=n t(x).
En el algoritmo 1 tenemos el problema de contratacin,
a diferencia de los temas anteriores, tenemos que tener
en cuenta los costos concernientes a las entrevistas y las
contrataciones. 2. Agortmos Aleatorios
n es el nmero de candidatos.
m es el numero de contratado. 2.1. Algortmos Deterministicos
La entrevista tiene un costo (bajo) ci .
La contratacin tiene un costo (alto) ch . Cuando se tiene un algortmo cuyo comportamiento esta
El costo asociado con el algortmo seria O(nci + mch ). completamente determinado por su entrada. Siempre se
comporta igual para multiples ejecuciones con la misma
entrada.
* Escuela de Ciencias de la Computacin, 27-08-15

1
 2

2.2. Algortmos Aleatorizados Ejm. Lazar una moneda varias veces

Se tiene un espacio S = Cara, Sello. Se tiene una variable
En caso de que no se conozca la distribucin de los datos de
aleatria. Yi que se pueden tomar los valores Cara o Sello,
entrada, se pueden usar la aleatorizacin como herramienta
lanzada nmero i.
de diseo para asegurar que parte del algortmo se comporte
aleatoriamente. Se define una variable aleatria indicadora Xi asociada con
Una algortmo aleatorizado es si su comportamiento es el evento de que la variable aleatria Y sea Cara, en la
determinado no solo por su entrada, sino por valores produ- lanzada numero i, lo que se denota como.
cidos por un generador de nmeros aleatrios random(a,b),
que producen un entero en el rando [a..b] que tienen la
misma probabilidad de aparecer de los otros enteros del 
1 si Yi Cara

rango. En el algortmo 1, se puede imponer un orden X i = I{Y = Cara} = (3)
0 si Yi Sello
aleatrio en el orden de llegada de los postulantes, con
lo que se gana control en el proceso y se garantiza un
Sea X la variable aleatria para el nmero de caras que se
ordenamiento aleatrio. Pn
obtienen en n lanzamiento X = i=1 Xi
La espectativa (valor esperado) para el nmero de Caras
es:
2.3. Algortmos aleatorias indicadoras Pn
E[X] = E[ i=1 Xi ]
Pn
Son variable binarias que se usan para efectuar conversiones = Pi=1n
E[Xi ]
1
entre probabilidades y la espectativa (esperanza). = i=1 2
n
Suponga un espacio muestral S y un evento A. Se define la = 2
variable aleatria indicadora I{A} asociada con un evento
A as. Analisis del problema para el algoritmo 1.
Sea X la variable aleatria cuyo valor es igual al nmero de
 
1 si A ocurre veces que se contrata a un nuevo postulante, se tiene que.
I{A} = (1) Pn
0 si A no ocurre E[X] = x=1 xP r{X = x}
Tambien que,
Lema: Dado un espacio de muestra S y un evento A en el
espacio de muestra, y dado XA = I{A} entonces:
 
E[XA ] = P r{A} 1 si el candi. i es contrat.
Xi = I{candi. i es contrat.} =
Prueba: 0 si el candi. i no es contrat.
E[XA ] = E[I{A}] (4)
E[XA ] = 1.P r{A} + 0.P r{A} Ademas
E[XA ] = P r{A} X = X1 + X2 + ... + Xn
Donde A es S A, el complemento. Entonces
E[Xi ] = P r{candidato i es contratado}
Ejm: Lanzar una mondeda al aire.
Se tiene un espacio S = Cara, Sello. Se tiene una variable Por la linea 4 del algoritmo 1, el postulante i es contratado
aleatria. Y que se pueden tomar los valores Cara o Sello, si es mejor que los candidatos 1..i 1, por lo que tiene una
cada uno con una probabilidad de 1/2. Se define una variable probabilidad de E[Xi ] = 1i , entonces.
Pn
aleatria XCara asociada con el evento de que la variable E[X] = E[ i=1 Xi ]
Pn
aleatria Y sea Cara, lo que se denota como: = i=1 E[Xi ]
Pn
= i=1 1i
  = lnn + O(1)
1 si Y = Cara
XCara = I{Y = Cara} = (2) Si se supone que los candidatos se presentan en un orden
0 si Y = Sello
aleatorio, el algoritmo 1 tiene un costo de contratacin de
La espectativa (valor esperado) para el evento en que la O(ch lnn).
moneda cae en Cara es la espectativa de la variable XCara .
E[XCara ] = E[I{Y = Cara}] En lugar de suponer una distribucin en los datos de entra-
E[XCara ] = 1.P r{Y = Cara} + 0.P r{Y = Sello} da, se aplica un algortmo para aletorizarlos. Esto garantiza
E[XCara ] = P r{Y = Cara} = 21 que cada permutacin tenga la misma probabilidad que las
otras.
 3

Referencias
[H.Cormen et al., 2009] H.Cormen, T., Leiserson, C., and
Riverson, R. L. (2009). Algorithms. The MIT Press.