Plano de ensino

Resenhas do assunto:	A Taste of Randomized Computations.
	Randomness in computation.

Ementa:

Probabilidade discreta, Leis de grandes desvios, Algoritmos probabilísticos clássicos: testes de primalidade; cortes mínimos; roteamento no hipercubo; 2-sat e 3-sat; reconhecimento de padrões em textos; emparelhamentos perfeitos; teste para nulidade de polinômios em várias variáveis; conjuntos independentes maximais; elemento majoritário de uma sequência; verificação de produto de matrizes; teste de igualdade de conjuntos; escolha de líder em redes. Classes de complexidade de algoritmos probabilisticos: BPP, RP e ZPP. Sistemas interativos. Geradores pseudoaleatorios.

Objetivos:

Apresentar os modelos probabilísticos de computação, seu poder e suas limitações, seu uso em problemas computacionais conhecidos e as ferramentas mais comuns da probabilidade para a análise de desempenho e limitação da probabilidade de erro. Apresentar as classes de complexidade relacionados a essa modelo e seus problemas mais importantes.

Referências bibliográficas:

Método

Aulas expositivas; leitura de textos; resolução de exercícios para estudo de temas específicos.

Avaliação:

(Em construção)

exercícios individualizados, trabalho teórico com profundidade, eventualmente, trabalhos de implementação. O conceito final de cada aluno não será o resultado de alguma média feita a partir das avaliações. O resultado de cada avaliação reflete o desempenho do aluno em todo o curso até aquele instante. Isso significa que a cada conceito atribuído durante o curso leva em conta o resultado das avaliações até o momento. Não haverá prova substitutiva. O exame de recuperação será no Q2, prova escrita com todo o conteúdo, em data a ser combinada.

Todo aluno é encorajado a trabalhar em grupo, o trabalho em grupo e a cooperação entre colegas é em geral benéfico e útil ao aprendizado. O trabalho em grupo pressupõe uma discussão de estratégias, você pode explicar como resolveu um ou outro problema, que resultados usou, etc, no entanto você sempre deve escrever as soluções por conta própria. O que você não deve fazer é mostrar a sua solução. Da mesma forma, você pode usar referências para ajudar a resolver problemas, mas você deve escrever a solução por conta própria e citar suas fontes. Copiar soluções, no todo ou em parte, de outros alunos ou de qualquer outra fonte sem reconhecimento é trapaça. Qualquer aluno que esteja trapaceando receberá automaticamente uma nota F e será tomada providências administrativas.

aula 01 - Administrativia. Prova conhecimento zero: toy example. Igualdade de Polinomios com uma variável. aula 02 - Probabilidade discreta (espaço finito); sigilo perfeito; gerador de números aleatórios a partir de bits aleatórios [recomendo leitura das seções 1.1.1, 1.2, 1.4.2 das notas de aula, cap. 1] Leitura recomendada: espaço produto [seção 1.4.1], lei das probabilidades totais [seção 1.3.1], exercícios [seção 1.5] aula 03 - Probabilidade discreta (espaço infinito) [seção 1.1]. Variáveis aleatórias simples, esperança, distribuições Bernoulli e Geométrica [seções 3.1.1 e 3.1.3] Leitura recomendada: seção 2.1. aula 04 - uma lei de desvio para variável geométrica (exerc 3.5); fingerprint: teste de igualdade de duas strings binárias, algoritmo probabilístico para igualdade de matrizes. "principio da decisão adiada" [leitura da seção 1.5.3] aula 05 - P, BPP e "desaleatorização", "desaleatorização" do algoritmo probabilístico para igualdade de matrizes usando matriz de Vandermonde. "principio da decisão adiada" [leitura da seção 1.5.3] aula 06 - igualdade de polinômios varias variaveis. [seção 2.2.3] aula 07 - Limitante inferior para ordenação baseada em comparações; distribuição binomial, linearidade da esperança [seção 3.1.1]; Tempo médio do Quicksort probabilistico [seção 3.1.4] aula 08 - concentração da distribuição do nº de comparações do Quicksort probabilistico. aula 09 - Corona s week, tarefa caseira: estudar as seções 3.1.2, 3.2.1 e 3.2.2 das notas de aula. Mande as dúvidas por email. aula 10 - Corona s week, tarefa caseira: estudar as seções 3.3.3 das notas de aula. Mande as dúvidas por email. =================== a disciplina parou aqui ==================================================== aula 11 - hashing aula 12 - hashing; leis de desvios. aula 13 - desaleatorização usando esperança condicional [leitura da seção 2.2.2] aula 14 - skip-lists [leitura das seções 2.1.8 e 2.2.1]. aula 15 - skip-lists [leitura das seções 2.1.8 e 2.2.1, entregar na aula 18 os seguintes exercicios do final do cap. 2: 12, 19 e mais um ou dois escolhidos a partir do 3 (os escolhidos substituirão exercicios errados já entregues)]. aula 16 - desigualdades de Markov e Chebyshev [leitura da seção 3.2] aula 17 - independência 2-a-2, hashing, hashing universal [leitura da seção 3.2.1] aula 18 - aula de exercícios [execício para entrega: desaleatorização do max-cut usando independencia 2-a-2] aula 19 - hashing leftover/mixing lemmas aula 20 - cadeias de Markov aula 21 - 2SAT e 3SAT aula 22 - classificação de estados e "gambler ruin" aula 23 - distribuicoes estacionarias, passeios aleatorios em grafos aula 24 - s-t conexidade

Algoritmos Probabilísticos

Jair Donadelli

Primeiro Quadrimestre de 2020

sala: A-113-0

Ementa:

Objetivos:

Referências bibliográficas:

Método

Avaliação:

Programação:

links