ความแตกต่างระหว่างหัวและก้อย


12

พิจารณาลำดับของการโยนnเหรียญที่ไม่มีอคติ ให้Hiแทนค่าสัมบูรณ์ของส่วนเกินของจำนวนหัวเหนือก้อยที่เห็นในแรกiพลิก กำหนดH=maxiHiฉัน แสดงว่าE[Hi]=Θ(i)และE[H]=Θ(n) )

ปัญหานี้ปรากฏในบทแรกของ `อัลกอริทึมแบบสุ่ม 'โดย Raghavan และ Motwani ดังนั้นอาจมีหลักฐานเบื้องต้นของข้อความข้างต้น ฉันไม่สามารถแก้ไขได้ดังนั้นฉันจะขอขอบคุณความช่วยเหลือใด ๆ

คำตอบ:


9

เหรียญของคุณพลิกรูปแบบการเดินสุ่มหนึ่งมิติX0,X1,เริ่มต้นที่X0=0กับXi+1=Xi±1 , แต่ละตัวเลือกที่มีความน่าจะเป็น1/2 2 ตอนนี้Hi=|Xi|และอื่น ๆHi2=Xi2ฉัน มันง่ายในการคำนวณE[Xi2]=i (นี่เป็นเพียงความแปรปรวน) และE[Hi]E[Hi2]=iมาจากนูน นอกจากนี้เรายังรู้ว่าXiมีการกระจายปกติประมาณกับศูนย์ค่าเฉลี่ยและความแปรปรวนของiและเพื่อให้คุณสามารถคำนวณE[Hi](2/π)iฉัน

E[maxinHi]nO~(n)XiXi

แก้ไข: มันเกิดขึ้นเนื่องจากหลักการสะท้อนให้เห็นคำถามนี้ ดังนั้น ตั้งแต่k] ตอนนี้ ดังนั้นPr[maxinXi=k]=Pr[Xn=k]+Pr[Xn=k+1]

E[maxinXi]=k0k(Pr[Xn=k]+Pr[Xn=k+1])=k1(2k1)Pr[Xn=k]=k12kPr[Xn=k]12+12Pr[Xn=0]=E[Hn]+Θ(1),
Pr[Hn=k]=Pr[Xn=k]+Pr[Xn=k]=2Pr[Xn=k]
maxinXi+maxin(Xi)2maxinHimaxinXi+maxin(Xi),
E[maxinHi]2E[Hn]+Θ(1)=O(n). อีกทิศทางหนึ่งคล้ายกัน

หลังจากเราได้พิสูจน์เราไม่สามารถพูดได้ว่าสำหรับเรามีผลลัพธ์ที่สองนั่นคือไม่มียิ่งใหญ่กว่า กว่า{n}) E[Hi]=Θ(i)i=nE[Hi]Θ(n)
chazisop

1
หากเป็นอิสระจากนั้นข้อสรุปจะไม่เป็นจริงเนื่องจากคุณคาดหวังว่าค่าเหล่านี้บางอย่างจะใหญ่กว่าความคาดหมาย มันไม่เป็นความจริงโดยทั่วไปว่า[b]) HiE[max(A,B)]=max(E[A],E[B])
Yuval Filmus

1
กฎหมายของลอการิทึมซ้ำไม่ได้ใช้ที่นี่ตั้งแต่คงที่และเราไม่ได้ normalizing โดยฉันคำตอบสำหรับเป็น{n}) niEmaxinHiθ(n)
Peter Shor

+1 สำหรับส่วนแรก แต่ฉันก็ไม่เข้าใจในส่วนที่สอง (คุณช่วยอธิบายเพิ่มเติมได้ไหม) นี่ไม่ได้หมายความว่ามันไม่ถูกต้อง
AJed

1
หลักฐานดี แต่ฉันติดอยู่ที่วิธีการพิสูจน์ขอบเขตล่างของคืออะไร? ดูเหมือนว่าคำตอบจะไม่มีรายละเอียดเกี่ยวกับขอบเขตล่าง nE(Hi)
บุก

2

คุณสามารถใช้การ แจกแจงครึ่งปกติเพื่อพิสูจน์คำตอบ

การกระจายครึ่งปกติระบุว่าถ้าเป็นการแจกแจงแบบปกติที่มีค่าเฉลี่ย 0 และความแปรปรวนดังนั้นต่อไปนี้การกระจายครึ่งหนึ่งที่มีค่าเฉลี่ยและแปรปรวนPI) สิ่งนี้จะให้คำตอบที่ต้องการเนื่องจากความแปรปรวนของการเดินปกติคือและคุณสามารถประมาณการกระจายของเพื่อการแจกแจงแบบปกติโดยใช้ทฤษฎีบทขีด จำกัด กลางXσ2|X|σ2πσ2(12/π)σ2nX

Xคือผลรวมของการเดินสุ่มตามที่ Yuval Filmus พูดถึง


ฉันไม่ชอบสิ่งนี้ที่ฉันโพสต์ .. แม้ว่ามันจะให้ขอบเขตล่าง แต่ไม่มีอะไรสามารถบอกได้เกี่ยวกับขอบเขตบน ฉันพยายามใช้อาร์กิวเมนต์การแจกแจงสูงสุดเพื่อแก้ปัญหามันกลายเป็นการรวมที่น่าเกลียด แต่เป็นการดีที่จะรู้ว่าการกระจายทั้งหมดเหล่านี้
AJed

2

ในครั้งแรกที่พลิกสมมติว่าเราได้รับหางแล้ว. ดังนั้น ใช้ประมาณของสเตอร์ลิงเรารู้{2i})2ikH2i=2|ik|

E(H2i)=2k=0i(2ik)(12)2i2(ik)=(12)2i2[ik=0i(2ik)k=0ik(2ik)]=(12)2i2[i(22i+(2ii))/22ik=0i1(2i1k)]=(12)2i2i[22i1+(2ii)/2222i1/2]=2i(2ii)/22i.
E(H2i)=Θ(2i)

เราไม่ควรคำนึงถึงกรณีที่ ? ดูเหมือนว่าคุณพลาดปัจจัยคูณของ 2 ใช่ไหม i<k2i
omerbp
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.