1 / 19

Main tools of the probabilistic method with applications in graph theory

Main tools of the probabilistic method with applications in graph theory. Attività formativa - Yuri Faenza Supervisore: Prof. B. Scoppola CdLS in Ingegneria dei Modelli e dei Sistemi 19 settembre 2006. Indice. Il metodo probabilistico Linearità dell’aspettazione

kenna
Download Presentation

Main tools of the probabilistic method with applications in graph theory

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Main tools of the probabilistic method with applications in graph theory Attività formativa - Yuri Faenza Supervisore: Prof. B. Scoppola CdLS in Ingegneria dei Modelli e dei Sistemi 19 settembre 2006

  2. Indice • Il metodo probabilistico • Linearità dell’aspettazione • Il metodo del momento primo • Il metodo del momento secondo • Il lemma locale di Lovàsz

  3. Il metodo probabilistico Fine: dimostrare l’esistenza di un oggetto con specifiche proprietà Tecnica: Definire un adeguato spazio di probabilità, e dimostrare che a tale oggetto è associata una probabilità positiva Origini: Szele (’43), Erdos (’47) Maggiori Contributi: Erdos, Lovàsz, Janson, Alon, Spencer Applicazioni: Teoria dei grafi, Geometria Computazionale, Informatica Teorica

  4. Il metodo probabilistico (2) Pro: • ottiene “facilmente” risultati difficili da raggiungere deterministicamente; • tecnica probabilistica, risultato deterministico. • permette di costruire oggetti di grandi dimensioni, non strutturati e generali; Contro: • raramente costruisce esempi espliciti.

  5. Notazione e definizioni Variabili aleatorie Grafo con n vertici ed e archi se Numero cromatico di G Massimo insieme indipendente di G

  6. Linearità dell’aspettazione Thr. (Szele): Esiste un torneo T con n giocatori ed almeno sentieri hamiltoniani Torneo Sentiero hamiltoniano Dim. : # sentieri hamiltoniani : permutazione degli n giocatori se è un sentiero hamiltoniano, cioè se altrimenti

  7. Linearità dell’aspettazione (2) Thr. (Erdos): Per ogni k,l > 0 esiste un grafo G con lunghezza del ciclo più breve pari ad l e Dim. Si fissi e si assegni ogni arco di G in modo indipendente, con probabilità numero di cicli di lunghezza al più l se l’insieme A forma un ciclo, |A| = i altrimenti

  8. Linearità dell’aspettazione (3) In particolare: 1) Posto 2) Possiamo quindi scegliere n grande abbastanza perché esista G per cui 1) e 2) non sono verificati Si rimuova da ogni ciclo di lunghezza alpiù l un vertice, ottenendo che per quanto visto ha almeno vertici, ha il più piccolo ciclo di lunghezza maggiore di l e vale

  9. Il metodo del momento primo Thr. (Caro & Wei): Per ogni grafo G(V,E) vale Dim. Si consideri un ordinamento di V scelto con probabilità uniforme

  10. Il metodo del momento primo (2) v.a. che indica se v è nell’insieme I v ed i suoi vicini hanno tutti la stessa possibilità di avere l’indice più piccolo Metodo del momento primo I è un insieme indipendente, infatti se per assurdo non lo fosse, esisterebbero tali che ; ma allora e ; impossibile Teorema di Turan

  11. Il metodo del momento secondo Lemma (Diseguaglianza di Markov) Dim. Lemma (Diseguaglianza di Tchebyschev) Per ogni Dim.

  12. Il metodo del momento secondo (2) Corollario • Sia non negativa Dim. • Utilizzo: lower bound sul numero cromatico e proprietà dei grafi random

  13. Il lemma locale di Lovàsz Obiettivo: dimostrare che A raro ha probabilità >0 Con eventi indipendenti, ciascuno con probabilità (almeno) p Lemma locale di Lovàsz: generalizzazione al caso in cui gli eventi che ci interessano sono “quasi” dipendenti, per provare l’esistenza di eventi rari

  14. Il lemma locale di Lovàsz (2) Thr (Lll), caso generale:

  15. Il lemma locale di Lovàsz (3) Thr (Lll), caso simmetrico: è dipendente da al più altri d eventi

  16. Thr (Alon & Linial):Sia D(V,E) un grafo orientato con minimo grado uscente e massimo grado entrante . Se allora D contiene un ciclo orientato, semplice di lunghezza Grafo Orientato D(V,E) (u,v) Grado entrante/uscente u v Il lemma locale di Lovàsz (4) Dim. Si consideri un colorazione casuale di V in cui ogni nodo è colorato in modo uniforme ed indipendente dagli altri.

  17. v u Tali eventi sono al più , è limitata Il lemma locale di Lovàsz (5) Ogni è indipendente da tutti gli eventi tranne quelli per cui vale: Applichiamo il Lll (caso simmetrico)

  18. Il lemma locale di Lovàsz (3) Thr (Lll), caso simmetrico: è dipendente da al più altri d eventi

  19. Il lemma locale di Lovàsz (6) Partendo da otteniamo una sequenza tale che e Sia j il minimo intero tale che esista Allora il ciclo è quello richiesto

More Related