Les algorithmes randomisés sont souvent analysés avec la complexité en moyenne, mais cela peut masquer des défaillances dans le pire des cas. L'analyse de complexité à haute probabilité offre des garanties plus fortes en limitant la probabilité de grandes déviations. Cet article explore des techniques clés comme les bornes de Chernoff, l'inégalité de Hoeffding et les bornes d'union, appliquées à des algorithmes classiques tels que le tri rapide randomisé, les tables de hachage et les listes à saut. L'auteur explique pourquoi les bornes à haute probabilité sont essentielles pour les systèmes critiques où la fiabilité prime sur la performance moyenne. Par exemple, dans les systèmes distribués ou les applications temps réel, une seule exécution défaillante peut être catastrophique. L'article contraste également l'analyse à haute probabilité avec l'analyse en espérance, montrant comment la première donne des garanties plus serrées pour les événements de queue. C'est une lecture incontournable pour les ingénieurs algorithmiciens et les chercheurs qui doivent concevoir ou analyser des algorithmes avec une fiabilité prouvable. Le contenu est mathématiquement rigoureux mais accessible, avec une notation claire et des dérivations étape par étape.
Une plongée approfondie dans l'analyse de complexité à haute probabilité, expliquant comment border rigoureusement les performances des algorithmes randomisés.