Fakultät für Informatik Professur Theoretische Informatik und Informationssicherheit Wintersemester 2005/06 Prof. Dr. Hanno Lefmann Approximationsalgorithmen 10. Übung Aufgabe 1 Zwei Aufgaben zur Markov Ungleichung: 1. Zeigen oder widerlegen Sie: Die Markov Ungleichung P r[X ≥ α] ≤ E[X]/α gilt für alle diskreten Zufallsvariablen X. 2. Wir betrachten eine Zufallsvariable X, die Werte aus Z annehmen kann, und für die gilt P r[X = −i] ≤ 1/2 · P r[X = i] ∀ i ∈ N. Geben Sie eine Version der Markov Ungleichung für solche Zufallsvariablen an. Aufgabe 2 Wir betrachten n unabhängige Zufallsvariablen, die jeweils mit Wahrscheinlichkeit 0 < p < 1 gleich 1 und sonst gleich 0 sind. Für die Summe S der Zufallsvariablen ist der Erwartungswert gleich pn. Die Chernov Ungleichung sagt für solche Zufallsvariablen aus, dass gilt P r[S ≥ (1 + δ)pn] ≤ eδ (1 + δ)1+δ pn Zeigen Sie, dass für alle δ > 0 die rechte Seite der Ungleichung nichttrivial, d. h. kleiner als 1 ist. Aufgabe 3 Wir betrachten eine zufällige Auswahl von Knoten in einem Graphen G = (V, E), Knoten i werde mit Wahrscheinlichkeit pi ausgewählt. Zu Beginn seien alle pi gleich p für einen Parameter 0 < p < 1. Wir wollen Derandomisieren und eine Auswahl der Knoten finden, so dass wir höchstens 2p|V | viele Knoten und mindestens p2 |E|/2 viele Kanten auswählen. 1. Stellen Sie in Analogie zur Vorlesung eine Potentialfunktion auf, so dass beide Bedingungen erfüllt sind, wenn für eine 0/1-Belegung der pi die Potentialfunktion höchstens gleich 1 ist. 2. Ist ihre Potentialfunktion für die Anfangsbelegung höchstens gleich 1? 3. Funktioniert der Prozess der Derandomisierung für Ihre Potentialfunktion?