Vou tentar isso. Vou usar a notação original de Yao. Dessa forma, será mais fácil contrastar com seu artigo e suas definições.
Seja um conjunto finito de entradas e seja um conjunto finito de algoritmos determinísticos que podem falhar em fornecer uma resposta correta para algumas entradas. Deixe também se fornecer a resposta correta para , e caso contrário. Denote também por o número de consultas feitas por na entrada , ou equivalente, a profundidade da árvore de decisão deA 0 ϵ ( A , x ) = 0 A x ϵ ( A , x ) = 1 r ( A , x ) A x AIA0ϵ(A,x)=0Axϵ(A,x)=1r(A,x)AxA
Custo médio: dada uma distribuição de probabilidade em , o custo médio de um algoritmo é .eudIA∈A0C(A,d)=∑x∈Id(x)⋅r(A,x)
Complexidade distributiva: Let . Para qualquer distribuição nas entradas, seja o subconjunto de fornecido por . A complexidade distributiva com erro para um problema computacional é definida como .λ∈[0,1]dβ(λ)A0β(λ)={A:A∈A0,∑x∈Id(x)⋅ϵ(A,x)≤λ}λPF1,λ(P)=maxdminA∈β(λ)C(A,d)
λ tolerância: Uma distribuição na família é tolerante se .qA0λmaxx∈I∑A∈A0q(A)⋅ϵ(A,x)≤λ
Custo esperado: para um algoritmo aleatório , seja uma distribuição de probabilidade tolerante a em . O custo esperado de para uma determinada entrada é .RqλA0RxE(R,x)=∑A∈A0q(A)⋅r(A,x)
Complexidade aleatória: Let . A complexidade aleatória com o erro é .λ∈[0,1]λF2,λ=minRmaxx∈IE(R,x)
Agora estamos prontos para entrar nos negócios. O que queremos provar é dada uma distribuição nas entradas e um algoritmo aleatório (ou seja, uma distribuição em )dRqA0
Princípio Minimax de Yao para algoritmos de Montecarlo
para .
maxx∈IE(R,x)≥12minA∈β(2λ)C(A,d)
λ∈[0,1/2]
Vou seguir uma abordagem dada por Fich, Meyer auf der Heide, Ragde e Wigderson (ver Lema 4). Sua abordagem não produz uma caracterização para os algoritmos de Las Vegas (apenas o limite inferior), mas é suficiente para nossos propósitos. Pela prova deles, é fácil ver que, para qualquer eA0I
Reivindicação 1. .maxx∈IE(R,x)≥minA∈A0C(A,d)
Para obter os números corretos, faremos algo semelhante. Dado que a distribuição de probabilidade dada pelo algoritmo aleatórioqR é tolerante em A 0 , temos que
λλA0
Se substituirmos a famíliaA0porβ(2λ), vemos que
λ≥maxx∈I{∑A∈A0q(A)⋅ϵ(A,x)}≥∑x∈Id(x)∑A∈A0q(a)⋅ϵ(A,x)=∑A∈A0q(a)∑x∈Id(x)⋅ϵ(A,x)≥minA∈A0{∑x∈Id(x)⋅ϵ(A,x)}.
A0β(2λ)
λ≥maxx∈I{∑A∈A0q(A)⋅ϵ(A,x)}≥maxx∈I⎧⎩⎨∑A∈β(2λ)q(A)⋅ϵ(A,x)⎫⎭⎬≥∑x∈Id(x)∑A∈β(2λ)q(a)⋅ϵ(A,x)=∑A∈β(2λ)q(a)∑x∈Id(x)⋅ϵ(A,x)≥minA∈β(2λ){12∑x∈Id(x)⋅ϵ(A,x)},
onde a segunda desigualdade segue porque , e a última desigualdade é dada pela definição de β ( 2 λ ) onde a soma dividida por 2 não pode ser maior que λ . Assim,
max x ∈ I { Σ Um ∈ A 0 q ( A ) ⋅ £ ( A , x ) } ≥ 1β(2λ)⊆A0β(2λ)λ
maxx ∈I{∑A ∈A0q( A ) ⋅ ϵ ( A , x ) }≥12minUMA∈β( 2 λ ){∑x ∈ Id(x)⋅ϵ(A,x)}.
De notar que a mapeia a { 0 , 1 } e r mapeia para N e acordo com a reivindicação 1 acima, podemos agora seguramente substituir a função ε na desigualdade acima por R ( A , x ) para se obter o desejado desigualdade.ϵ{0,1}rNϵr(A,x)