COMPUTACIÓN ALEATORIZADA
|
|
- Aarón Vázquez Castilla
- hace 6 años
- Vistas:
Transcripción
1 Conferencia magistral COMPUTACIÓN ALEATORIZADA Probabilidad y algoritmos Dra. Elisa Schaeffer Profesora del Posgrado de Ing. de Sistemas (PISIS) en la Facultad de Ing. Mecánica y Eléctrica (FIME), Coordinador del área de TI & Software del CIIDIT
2 CONTENIDO Probabilidad en el mundo real Computación como herramienta Debilidades del determinismo Aproximaciones y heurísticas
3 PROBABILIDAD Intuición: la frecuencia con la cual obtengamos una cierta salida entre un conjunto de posibles salidas cuando estamos repetiendo un experimento Ejemplos: lanzamiento de monedas o dados, fallas de componentes electrónicos
4 VARIABLE ALEATORIA Asignándoles nombres {x 1,x 2,...,x n } a las posibles salidas, podemos denotar con experimento y por la salida sea. x i P (X = x i ) el la probabilidad de que Para que tengamos cubiertos todas las salidas posibles, es necesario que n i=1 X P (X = x i )=1
5 VALOR ESPERADO Supongamos que cada salida tiene asociado un valor numérico y denotamos este valor por. El valor esperado de un experimento es x i Exp(X) = n i=1 ( xi P (X = x i ) )
6 COMPUTACIÓN
7 COMPUTACIÓN Algoritmo = un método de solución que permite siempre llegar a la respuesta correcta a una pregunta específica en un número finito de pasos deterministas de cómputo Algoritmo aleatorizado = un método de solución que permite con probabilidad no-cero llegar a la respuesta correcta a una pregunta específica en un número esperado finito de pasos probabilistas de cómputo
8 ALGORITMO EFICIENTE La calidad de un algoritmo se mide por el número de pasos de cómputo que necesita: lo más rápido lo mejor. Se dice que un algoritmo es eficiente si el número de pasos requiridos crece polinomialmente con respeto al tamaño de la instancia. Se denota por O(f(n)) la complejidad asintótica: el número de pasos siempre comporta igual o mejor que la función f(n).
9 ORDENAMIENTO Solución exacta por computación aleatorizada
10 ORDENAMIENTO RÁPIDO El mejor algoritmo de ordenamiento de datos es el órdenamiento rápido (inglés: quicksort) 1. Elegimos un elemento para ser el pivote 2. Movemos todos los elementos menores o iguales al pivote a la izquierda y los mayores a la derecha 3. Repetimos recursivamente entre los a la izquierda entre los a la derecha
11 COMPLEJIDAD El ordenamiento rápido puede alcanzar una complejidad buena: ordenar solamente O(n log n) elementos en pasos de cómputo. Los algoritmos ingenuos como ordenamiento de burbuja toman más tiempo, O(n 2 ). Si son muchos datos, la diferencia es muy significativa. n
12 QUADRÁTICO VS. LOG-LINEAL Escala lineal Escala logarítmica
13 ELECCIÓN DE PIVOTE Meta: alcanzar la complejidad buena O(n log n). Para que el algoritmo sea eficiente, no podemos perder tiempo en elegir el pivote de alguna manera muy sofisticada. Pero si lo elegimos el elemento pivote por una regla determinista simple, el algoritmo tarda en el peor caso. O(n 2 )
14 EJEMPLO
15 EJEMPLO
16 EJEMPLO
17 EJEMPLO
18 EJEMPLO
19 EJEMPLO
20 EJEMPLO
21 EJEMPLO
22 EJEMPLO
23 EJEMPLO
24 EJEMPLO
25 EJEMPLO
26 PIVOTE ALEATORIO En vez de meternos a calculaciones como estimar la mediana de los datos para asegurar que la división sea balanceada, simplemente elegimos el pivote al azar. En la práctica esto implica que uso de números pseudoaleatorios generados por computadora. Se puede demostrar que si el pivote está seleccionado aleatoriamente entre los datos, el tiempo esperado será. O(n log n)
27 PROBLEMA DE SATISFACCIÓN Solución aproximada por computación aleatorizada
28 LÓGICA BOOLEANA CNF Átomo: una variable binaria que puede tomar el valor verdad o falso. Literal: un átomo a, posiblemente negado: a. Cláusula: un conjunto de literales combinados por el operador o. Expresión: un conjunto de cláusulas combinados por el operador y.
29 MAX3SAT Instancia: una expresión booleana literales por cláusula. ϕ (en CNF) con tres Pregunta: cuántas cláusulas una asignación de valores de verdad puede satisfacer por máximo?
30 MAX3SAT Instancia: una expresión booleana literales por cláusula. ϕ (en CNF) con tres Pregunta: cuántas cláusulas una asignación de valores de verdad puede satisfacer por máximo? ϕ =(a b c) ( a c d)... ( e f g)
31 MAX3SAT Instancia: una expresión booleana literales por cláusula. ϕ (en CNF) con tres Pregunta: cuántas cláusulas una asignación de valores de verdad puede satisfacer por máximo? ϕ =(a b c) ( a c d)... ( e f g) Resolver esto exactamente es NP-duro (o sea, toma mucho tiempo en el peor caso).
32 APROXIMACIÓN Simplificando la situación, podemos llegar a una solución aproximada para una expresión con n cláusulas. Si asignamos los valores de verdad a los átomos de una maneta aleatoria, cada literal tiene probabilidad 1/2 de ser verdadera. Cada cláusula contiene tres literales; son ocho combinaciones. Para que se satisfaga la cláusula, basta con tener un literal que evalua a verdad. Solamente un caso de ocho no lo tiene. La probabilidad de satisfacer una claúsula es 7/8. Si las cláusulas son independientes, el número esperado de cláusulas satisfachas es 7n/8.
33 MÉTODOS HEURÍSTICOS En situaciones donde métodos exactos toman demasiado tiempo y no es indispensable contar con la solución exacta, usamos heurísticas. Heurísticas son algoritmos que adivinan un candidato inicial de solución y lo mejoran iterativamente hasta que su calidad sea satisfactoria o cuando el tiempo permitido se acaba. La iteración, igual como la generación del candidato inicial, suelen incorporar elementos aleatorizados.
34 CONCLUSIONES El no deteminismo ayuda a mejorar la eficiencia de algunos algoritmos exactos y provee aproximaciones eficientes para problemas difíciles de resolver que no cuentan con algoritmos exactos eficientes. En un algoritmo aleatorizado, las medidas de interés son el tiempo esperado de ejecucición y la calidad esperada de la solución obtenida. Su punto débil puede ser el generador de números pseudoaleatorios que nunca alcanzará aleatoridad perfecta.
35 INFORMACIÓN ADICIONAL Recomiendo el libro de Mitzenmacher y Upfal (2005). Para dudas y preguntas: elisa@yalma.fime.uanl.mx Ofrecemos una maestría y un doctorado en Ingeniería de Sistemas en la UANL; también recibimos cada año alumnos de verano científico. Gracias por su atención!
! Las mismas ideas buenas sirven para desarrollar. ! Por eso es útil estudiar las estratégias clásicas del. Dividir y conquistar Algoritmo euclideano
Diseño de algoritmos Temas integradores Diseño de algoritmos Algoritmos de aproximación, aleatorizados & heurísticos! Las mismas ideas buenas sirven para desarrollar algoritmos eficientes para una gran
Más detallesAlgoritmos aleatorizados
Técnicas de diseño de algoritmos Algoritmos aleatorizados Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Algoritmos aleatorizados p. 1 Algoritmos aleatorizados = algoritmos que incorporan
Más detallesProblemas NP-completos
Análisis de Algoritmos Problemas NP-completos Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Problemas NP-completos p. 1 Problemas NP-completos La clase NP contiene numerosos problemas
Más detallesDividir-conquistar y podar-buscar
Técnicas de diseño de algoritmos Dividir-conquistar y podar-buscar Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL DC y PB p. 1 Diseño de algoritmos La meta: encontrar una manera eficiente
Más detalles3-Coloring es NP-Completo
3-Coloring es NP-Completo Lic. Luis Miguel Prado Llanes Posgrado en Ingeniería de Sistemas Universidad Autónoma de Nuevo León 26 de mayo de 2008 Prado Llanes (PISIS) 3-Coloring 26.05.2008 1 / 36 Contenido
Más detallesAlgoritmos de aproximación
Técnicas de diseño de algoritmos Algoritmos de aproximación Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Algoritmos de aproximación p. 1 Soluciones no-óptimas En situaciones donde
Más detallesAlgoritmos pseudo-polinomiales
Análisis de Algoritmos Algoritmos pseudo-polinomiales Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Algoritmos pseudo-polinomiales p. 1 HAMILTON PATH es NP-completo La reducción es
Más detallesAlgoritmos y problemas
Análisis de Algoritmos Algoritmos y problemas Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Algoritmos y problemas p. 1 Problema = un conjunto (posiblemente infinita) de instancias
Más detallesUniversidad Autónoma de Nuevo León
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Eficiencia de la Búsqueda Local para Instancias Diferentes del Problema de
Más detallesRESUMEN DE ALGORITMOS PROBABILÍSTICOS
RESUMEN DE ALGORITMOS PROBABILÍSTICOS En los algoritmos probabilísticos hay ciertas decisiones que se toman al azar bajo condiciones estadísticamente estables como una distribución uniforme. Normalmente
Más detallesAnálisis de Algoritmos Problemas de grafos
Análisis de Algoritmos Problemas de grafos Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Problemas de grafos p. 1 INDEPENDENT SET es NP-completo Necesitamos un gadget : el triángulo.
Más detallesEstructuras de datos Listas y árboles
Estructuras de datos Listas y árboles Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Listas y árboles p. 1 Listas Listas son estructuras un poco más avanzadas que puros arreglos, como
Más detallesINAPROXIMABILIDAD. Curso: Algoritmos de aproximación Docente: Pablo Romero Estudiante: Daniel La Buonora Octubre de 2016
INAPROXIMABILIDAD Curso: Algoritmos de aproximación Docente: Pablo Romero Estudiante: Daniel La Buonora Octubre de 2016 Plan de la presentación - Definición de inaproximabilidad - Ejemplo con el problema
Más detallesOrdenamiento (Sorting)
Ordenamiento (Sorting) El problema del ordenamiento Ordenar: arreglo[α] arreglo[α], donde α es un tipo tal que está definida la relación < α Uno de los problemas más clásicos, útiles y estudiados de la
Más detallesEstructuras de datos Árboles B
Estructuras de datos Árboles B Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Árboles B p. 1 Árboles B Árboles B son árboles balanceados que no son binarios. Todos los vértices contienen
Más detallesAnálisis asintótico de algoritmos
Algoritmos y problemas Análisis asintótico de algoritmos! Cada algoritmo resuelve a un problema particular! Hay varias maneras de resolver un problema! Algunas maneras son buenas y otras son malas! El
Más detallesComplejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
Más detallesAlgoritmos de Búsqueda
Introducción a la Computación Algoritmos de Búsqueda Esteban E. Mocskos (emocskos@dc.uba.ar) Facultad de Ciencias Exactas y Naturales, UBA CONICET 11/10/2017 E. Mocskos (UBA CONICET) Algoritmos de Búsqueda
Más detallesProblemas de decisión y su complejidad computacional
Problema de decisión Problemas de decisión y su complejidad computacional! Los problemas que tienen dos respuestas posibles! Sí o no! Verdad o falso! Posible o imposible Instancia! Existe o no existe!
Más detallesProblema Robusto de Diseño de Red Capacitada Multiproducto
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN Programa de Posgrado en Ingeniería de Sistemas VERANO DE INVESTIGACIÓN CIENTIFICA 2004 Problema Robusto de Diseño de Red Capacitada Multiproducto Becario (a): Damaris
Más detallesAnálisis de algoritmos
Tema 12: Algoritmos probabilistas M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com @efranco_escom edfrancom@ipn.mx 1 Contenido Introducción Algoritmos probabilistas Algoritmos probabilistas
Más detallesNP-Completeness: Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Complejidad del problema de la Mochila NP-Completeness: (Knapsack problem)
Más detallesRAMIFICAR-ACOTAR Y PLANOS DE CORTE
RAMIFICAR-ACOTAR Y PLANOS DE CORTE ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES EL MÉTODO RAMIFICAR-ACOTAR (RA) (ingl. Branch
Más detallesPrerrequisitos de la asignatura Álgebra Lineal Numérica
Prerrequisitos de la asignatura Álgebra Lineal Numérica El propósito de Álgebra Lineal Numérica es analizar algoritmos típicos de álgebra lineal, optimizando la rapidez y la precisión. Para analizar la
Más detallesCAPÍTULO 4 METODOLOGÍA PROPUESTA
CAPÍTULO 4 METODOLOGÍA PROPUESTA En este capítulo, se describen los métodos utilizados en el procedimiento propuesto para obtener soluciones del PLIDMC. En la actualidad, muchos de los problemas de optimización
Más detallesSistemas. Coordinación. Tarea Coordinación en Sistemas Multiagentes. Entre personas (cooperación y trabajo en equipo)
Trabajo colaborativo Entre personas (cooperación y trabajo en equipo) Entre máquinas (automatización & control, sistemas inteligentes) Interacción humano-computadora (usabilidad, sistemas inteligentes)
Más detallesAnálisis de algoritmos
Tema 11: Algoritmos probabilistas M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com @efranco_escom edfranco@ipn.mx 1 Contenido Introducción Algoritmos probabilistas Algoritmos probabilistas
Más detallesUna pequeña introducción práctica a la computación cuántica
1 / 49 Una pequeña introducción práctica a la computación cuántica Elías F. Combarro - Universidad de Oviedo Alcalá de Henares - Febrero de 2018 2 / 49 Contenidos 1 Conceptos básicos de computación cuántica
Más detallesComplejidad amortizada
Análisis de algoritmos Complejidad amortizada Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Complejidad amortizada p. 1 Complejidad amortizada La idea en el análisis de complejidad
Más detallesUNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA. CLAVE V _sR
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA CLAVE-116-1-V-2-00-2017_sR CURSO: SEMESTRE: Segundo CÓDIGO DEL CURSO: 116 TIPO DE EXAMEN: Primer Examen Parcial
Más detallesConcentración de Medida en Algoritmos Aleatorizados.
Concentración de Medida en Algoritmos Aleatorizados. Nicolás Rivera 23 de Junio de 2011 Pontificia Universidad Católica de Chile Índice 1 Introducción Concentración de Medida Índice 1 Introducción Concentración
Más detallesIN34A - Optimización
IN34A - Optimización Complejidad Leonardo López H. lelopez@ing.uchile.cl Primavera 2008 1 / 33 Contenidos Problemas y Procedimientos de solución Problemas de optimización v/s problemas de decisión Métodos,
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática - Curso 2 Pablo Candela Departamento de Matemáticas (despacho 212) Universidad Autónoma de Madrid pablo.candela@uam.es Introducción 1 / 8 Organización
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesINTRODUCCIÓN A LA IO ELISA SCHAEFFER. Programa de Posgrado en Ingeniería de Sistemas (PISIS) INVESTIGACIÓN DE OPERACIONES
INTRODUCCIÓN A LA IO ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES QUÉ ES IO? Investigación de operaciónes (OR) es un ramo
Más detallesProgramación dinámica p. 1
Técnicas de diseño de algoritmos Programación dinámica Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Programación dinámica p. 1 Programación dinámica En programación dinámica, uno
Más detallesEsquema de Dividir y Vencer
Esquema de Dividir y Vencer Amalia Duch Barcelona, marzo de 2006 Índice 1. Esquema general 1 2. Búsqueda binaria (binary search) 2 3. Ordenación por fusión (merge sort) 2 4. Ordenación rápida (quick sort)
Más detallesUniversidad de Valladolid. Departamento de informática. Campus de Segovia. Estructura de datos Tema 4: Ordenación. Prof. Montserrat Serrano Montero
Universidad de Valladolid Departamento de informática Campus de Segovia Estructura de datos Tema 4: Ordenación Prof. Montserrat Serrano Montero ÍNDICE Conceptos básicos Elección de un método Métodos directos
Más detallesCAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.
CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:
Más detallesMateria requisito: DOMINIOS COGNITIVOS (Objetos de estudio, temas y subtemas) I. Introducción al Análisis de Algoritmos.
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: Clave: FACULTAD DE INGENIERÍA ANÁLISIS DE ALGORITMOS PROPÓSITO DEL CURSO DES: Ingeniería Programa(s) Educativo(s): Ingeniería en Ciencias de la Computación Tipo
Más detallesClases de complejidad
Análisis de Algoritmos Clases de complejidad Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Clases de complejidad p. 1 Clase de complejidad Los requisitos para definir una clase: fijar
Más detallesComputación I Curso 2016 Facultad de Ingeniería Universidad de la República
Computación I Curso 2016 Facultad de Ingeniería Universidad de la República Objetivos de la programación Exactitud en la realización de la tarea Tiene que satisfacer la especificación exactamente. Simplicidad.
Más detallesAnálisis de Algoritmos Primer Problemario Prof. Miguel A. Pizaña 22 de Mayo de 2007
Análisis de Algoritmos Primer Problemario Prof. Miguel A. Pizaña 22 de Mayo de 2007 I Tareas 1. Dudar de todo, al menos una vez en la vida. 2. Que dice la paradoja de Zenón de Elea? Qué significa paradoja?
Más detallesDivide y vencerás. Dr. Eduardo A. RODRÍGUEZ TELLO. 7 de marzo de CINVESTAV-Tamaulipas
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 7 de marzo de 2018 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Divide y vencerás 7 de marzo de 2018 1 / 50 1 Divide y vencerás Dr. Eduardo RODRÍGUEZ T. (CINVESTAV)
Más detallesComputación I. Facultad de Ingeniería Universidad de la República
Computación I Curso 2018 Facultad de Ingeniería Universidad de la República Objetivos de la programación Exactitud en la realización de la tarea Tiene que satisfacer la especificación exactamente. Simplicidad.
Más detallesProgramación II. Mario Aldea Rivas Programación II 04/04/11 1. Mario Aldea Rivas Programación II 04/04/11 2
Programación II Bloque temático 1. Lenguajes de programación Bloque temático 2. Metodología de programación Bloque temático 3. Esquemas algorítmicos Tema 5. Algoritmos voraces, heurísticos y aproximados
Más detallesEscuela de algoritmos de aproximación
Escuela de algoritmos de aproximación Módulo 2: Introducción a los algoritmos de aproximación Francisco Javier Zaragoza Martínez Universidad Autónoma Metropolitana Unidad Azcapotzalco ITAM, 14 de septiembre
Más detallesALGORITMOS PROBABILISTAS NUMÉRICOS SHERWOOD LAS VEGAS MONTE CARLO
ALGORITMOS PROBABILISTAS NUMÉRICOS SHERWOOD LAS VEGAS MONTE CARLO INTRODUCCIÓN Algoritmo probabilista: Deja al azar la toma de algunas decisiones. Cuando la decisión óptima llevaría mucho tiempo. Problemas
Más detallesBacktracking: Esquema General
Backtracking Idea: Técnica para recorrer sistemáticamente todas las posibles configuraciones de un espacio asociado a soluciones candidatos de un problema computacional. Se puede pensar este espacio tiene
Más detallesEstructuras de Datos y Algoritmos
Estructuras de Datos y Algoritmos Práctico 2: Evaluación de Algoritmos (Finalización: 03/09) Ingeniería en Computación - Ingeniería en Informática Año 2015 Ejercicio 1: Dados los siguientes vectores, correspondientes
Más detallesComplejidad Computacional
Complejidad Computacional Clasificación de Problemas Teoría de la Complejidad Estudia la manera de clasificar algoritmos como buenos o malos. Estudia la manera de clasificar problemas de acuerdo a la dificultad
Más detallesProgramación Análisis de Algoritmos: Tiempo de Ejecución (Introducción)
Programación 2 5 - Análisis de Algoritmos: Tiempo de Ejecución (Introducción) 1 Análisis de Algoritmos: Introducción Qué algoritmos elegir para resolver un problema? Que sean fáciles de entender, codificar
Más detallesGeneradores pseudoaleatorios
Generadores pseudoaleatorios Elvira Mayordomo Universidad de Zaragoza 30 de noviembre de 2015 Elvira Mayordomo (Universidad de Zaragoza) Generadores pseudoaleatorios 30 de noviembre de 2015 1 / 25 Contenido
Más detallesAlgoritmos Cuánticos
Algoritmos Cuánticos Alfonsa García, Francisco García 1 y Jesús García 1 1 Grupo de investigación en Información y Computación Cuántica (GIICC) Algoritmos cuánticos 1. Introducción 2. Primeros algoritmos
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesComplejidad Computacional
Complejidad Computacional MLG521 Cristobal Rojas Pamela Alvarez Departamento de Ciencias de de la Ingeniería Departamento de Ingeniería Matemática Universidad Andrés Bello MLG521 Cómo medir la dificultad
Más detallesTema 01: Fundamentos del Análisis Asintótico de Algoritmos
Tema 01: Fundamentos del Análisis Asintótico de Algoritmos Noviembre, 2003 CS0218: Algoritmos y Programación II Introducción En Ciencias de la Computación se presenta con frecuencia la situación de analizar
Más detallesCAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO.
CAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO. En este capítulo se presenta el modelo con tiempos de falla con distribución Exponencial y
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesNotación Asintótica. Temas. Introducción Notación O Notación Omega Notación Theta. Análisis de Algoritmos
Notación Asintótica Análisis de Algoritmos Temas Introducción Notación O Notación Omega Notación Theta 1 Introducción Por qué el análisis de algoritmos? Determinar tiempos de respuesta (runtime) Determinar
Más detallesTema 5: Problemas de Optimización
Modelos de Informática Teórica - Universidad de Granada Contenido Problemas de Optimización Algoritmos ǫ-aproximados Análisis de problemas: cubrimiento por vértices, viajante de comercio, corte máximo,
Más detallesEDICIONES ACADÉMICAS
VÍCTOR HERNÁNDEZ R Y EDUARDO RAMOS ILDEFONSO YÁÑEZ PROBABILIDAD Y SUS APLICACIONES EN INGENIERÍA INFORMÁTICA Segunda edición EDICIONES ACADÉMICAS Primera edición: noviembre de 2005 Segunda edición: octubre
Más detallesINSTITUTO TECNOLÓGICO
INSTITUTO TECNOLÓGICO DE NUEVO LAREDO Con la Ciencia por la Humanidad Introducción a la Ingeniería en Sistemas Computacionales y al Diseño de Algoritmos Curso propedéutico Instructor: Bruno López Takeyas
Más detallesMuchas de las ecuaciones de recurrencia que vamos a usar en este curso tienen la siguiente forma: ( c n =0 T (n) = a T (b n b.
El Teorema Maestro Muchas de las ecuaciones de recurrencia que vamos a usar en este curso tienen la siguiente forma: ( c n =0 T (n) = a T (b n b c)+f (n) n 1 donde a, b y c son constantes, y f (n) es una
Más detallesResolución Proposicional
Resolución Proposicional IIC2213 IIC2213 Resolución Proposicional 1 / 19 Resolución proposicional Sabemos que Σ = ϕ si y sólo si Σ { ϕ} es inconsistente. Cómo verificamos si Σ { ϕ} es inconsistente? El
Más detallesOrganización del Computador 1 Lógica Digital 1: álgebra de Boole y
Introducción Circuitos Bloques Organización del Computador 1 Lógica Digital 1: álgebra de Boole y compuertas Departamento de Computación Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Más detallesAlgoritmos de Ordenación
Algoritmos de Ordenación Pedro Corcuera Dpto. Matemática Aplicada y Ciencias de la Computación Universidad de Cantabria corcuerp@unican.es Algoritmos comunes - Ordenación Ordenación o clasificación es
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos IIC1253 IIC1253 Análisis de Algoritmos 1 / 36 Complejidad de un algoritmo Un algoritmo A puede ser pensado como una función A : {0,1} {0,1} Qué tan general es esta representación?
Más detallesOrganización del Computador 1 Lógica Digital 1: álgebra de Boole y compuertas
Organización del Computador 1 Lógica Digital 1: álgebra de Boole y compuertas Dr. Marcelo Risk Departamento de Computación Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 2017 Lógica
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesPLE: Optimización Combinatoria
PLE: Optimización Combinatoria CCIR / Matemáticas euresti@itesm.mx CCIR / Matemáticas () PLE: Optimización Combinatoria euresti@itesm.mx 1 / 14 Introducción Para valorar el poder expresivo de los modelos
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos IIC1253 IIC1253 Análisis de Algoritmos 1 / 36 Complejidad de un algoritmo Un algoritmo A puede ser pensado como una función A : {0,1} {0,1} Qué tan general es esta representación?
Más detallesMETODO DE LA BISECCIÓN Si f : a, b es continua con f a f b 0,el procedimiento de la
METODO DE LA BISECCIÓN Si f : a, b es continua con f a f b,el procedimiento de la bisección genera una sucesión (s n ) n convergente siendo s n a n b n ytal 2 que si lim s n s se cumple que f s y n s n
Más detallessimular la evolución de un portafolio de inversión Alejandro Bianchi,CFA
Simulación de Montecarlo La simulación de montecarlo aplicada a un caso de la vida real para simular la evolución de un portafolio de inversión Alejandro Bianchi,CFA abianchi@ahorraronline.com Bullet Points
Más detallesCubiertas convexas II
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 22 de enero del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Cubiertas convexas II 22 de enero del 2013 1 / 41 1 Cubiertas convexas II Algoritmo QuickHull
Más detallesTablas de dispersión
Estructuras de datos Tablas de dispersión Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Tablas de dispersión y conjuntos p. 1 Tablas de dispersión dinámicas Una tabla de dispersión
Más detallesPROBLEMAS DE OPTIMIZACIÓN
PROBLEMAS DE OPTIMIZACIÓN ELISA SCHAEFFER Programa de Posgrado en Ingeniería de Sistemas (PISIS) elisa@yalma.fime.uanl.mx INVESTIGACIÓN DE OPERACIONES PROBLEMA DE OPTIMIZACIÓN Dada una situación interesante
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesInteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales
Inteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales Rafael Vázquez Pérez Unidad II:Técnicas de Búsqueda. 2.1. Solución de problemas con búsqueda. 2.2. Espacios de estados.
Más detallesProgramación 2. Lección 8. Caracterización asintótica de la eficiencia de un algoritmo
Programación 2 Lección 8. Caracterización asintótica de la eficiencia de un algoritmo 1 1. Funciones de coste de un algoritmo 2. Caracterización asintótica del coste Notación O Consecuencias prácticas
Más detallesIntroducción Supongamos un subconjunto de n elementos X = {e 1,,e n de un conjunto referencial Y, X Y. Dentro de Y se define una relación de orden tot
Algoritmos de ordenación Análisis y Diseño de Algoritmos Algoritmos de ordenación Algoritmos básicos: Θ(n 2 ) Ordenación por inserción Ordenación por selección Ordenación por intercambio directo (burbuja)
Más detallesAPROXIMACIÓN NUMÉRICA Y ERRORES
Análisis numérico APROXIMACIÓN NUMÉRICA Y ERRORES Antecedentes En 1947 se crea en la universidad de California el INSITITUTO DE ANÁLISIS NUMÉRICO. El análisis numérico es la rama de las matemáticas, cuyos
Más detallesAnálisis probabilístico y Algoritmos Aleatorizados
Análisis probabilístico y Algoritmos Aleatorizados Andrés Becerra Sandoval Ponticia Universidad Javeriana 14 de julio de 2007 Lenguajes III Introducción La probabilidad puede ayudarnos a medir la complejidad
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesTeoría Matemática de la Computación Primer Problemario Prof. Miguel A. Pizaña 7 de junio de 2016
Teoría Matemática de la Computación Primer Problemario Prof. Miguel A. Pizaña 7 de junio de 2016 1. Dudar de todo, al menos una vez en la vida. 2. Qué es la duda sistemática de Descartes? Qué hay que hacer,
Más detallesEstructura de datos y de la información Boletín de problemas - Tema 9
Estructura de datos y de la información Boletín de problemas - Tema 9 1. Dada la siguiente función recursiva: void F(char c) { if (( A
Más detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detalles4. Complejidad computacional
Fundamentos de Programación Entera 4. Complejidad computacional Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República
Más detallesLógica Proposicional: Deducciones formales
Lógica Proposicional: Deducciones formales Pablo Barceló P. Barceló Resolución Proposicional - CC52A 1 / 24 La noción de consecuencia lógica La noción de consecuencia es fundamental para cualquier lenguaje,
Más detalles1/16. Coste de Algoritmos. 8 de abril de 2018
1/16 Coste de Algoritmos Josefina Sierra Santibáñez 8 de abril de 2018 2/16 Coste de un Algoritmo Analizar un algoritmo significa, en el contexto de este curso, estimar los recursos que requiere. Aunque
Más detallesAlgorítmica y Lenguajes de Programación. Eficiencia y notación asintótica (i)
Algorítmica y Lenguajes de Programación Eficiencia y notación asintótica (i) Eficiencia y notación asintótica. Introducción Para resolver un problema pueden existir varios algoritmos. Por tanto, es lógico
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesEnsayo o prueba: es la realización concreta de un experimento aleatorio.
Tema 4. Probabilidad Resumen del tema 4.1. Introducción a la Probabilidad Experimento: cualquier proceso que permite asociar a cada individuo de una población un símbolo (numérico o no) entre los símbolos
Más detallesAlgoritmos de Ordenamiento
Algoritmos de Ordenamiento mat-151 Alonso Ramírez Manzanares Computación y Algoritmos 12.04 Algoritmos de ordenamiento Entrada: secuencia de números. Salida: permutación
Más detallesAnálisis de algoritmos y Notación Asintótica
Análisis de algoritmos y Notación Asintótica Computación y Algoritmos mat-151 1 Prueba de Turing Piensa una estrategia para, usando una operación aritmética, puedas detectar a la computadora. Supón que
Más detallesAnálisis y Diseño de Algoritmos
Análisis y Diseño de Algoritmos Teoría NP-Completeness DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problemas de Decisión Teoría de NP-Completeness Diseñada para aplicarse solo a problemas
Más detalles