[学习笔记] 概率 & 期望
一、一些定义
注:以下定义 并非 严谨定义,只是便于理解。
-
\(P(A)\):事件 \(A\) 发生的概率。
-
\(E(X)\):随机变量 \(X\) 的期望值,有公式 \(E(X) = \displaystyle \sum_{w}w \times P(X = w)\)。
-
独立事件:两个事件 \(A, B\) 发生没有关联,有 \(P(A \wedge B) = P(A) \times P(B)\)。
-
对于独立的随机变量,有 \(E(AB) = E(A) \times E(B)\)。
-
期望的线性性:\(E\left(\displaystyle \sum_{i = 1}^{n}X_i\right) = \displaystyle \sum_{i = 1}^{n}E(X_i)\)。
-
条件概率:\(P(A | B)\) 表示在条件 \(B\) 下 \(A\) 的概率,有 \(P(A \wedge B) = P(A) \times P(B | A)\)
二、简单概率题
- 随机生成一个 \(1 \sim n\) 的排列 \(p\),对于任意的 \(1 \leq i \leq n\),求 \(\displaystyle P_i = P\left(\max_{j = 1}^{i}p_j = p_i\right)\)。
首先考虑钦定 \(p_1, p_2, \dots, p_i\),有 \(\dbinom{n}{i}\) 种选法,然后排列前 \(i - 1\) 个,方案数 \((i - 1)!\),最后处理剩下的 \(n - i\) 个,总方案数为 \(\dbinom{n}{i} \times (i - 1)! \times (n - i)!\),概率为 \(P_i = \dfrac{\dbinom{n}{i} \times (i - 1)! \times (n - i)!}{n!} = \dfrac{\dfrac{n!}{i! \times (n - i)!} \times (i - 1)! \times (n - i)!}{n!} = \dfrac{(i - 1)!}{i!} = \dfrac{1}{i}\)。
另解:因为没有对排列 \(p\) 进行特殊限制,那么 \(p_1 \sim p_i\) 每一个元素成为最大值的概率都是一样的,均为 \(\dfrac{1}{i}\)。
- 随机生成一个 \(1 \sim n\) 的排列 \(p\),令 \(p^{-1}_{p_i} = i\),求 \(P(p^{-1}_v = p^{-1}_u + 1)\)。
我们可以枚举 \(p^{-1}_u\),然后 \(p^{-1}_v\) 就确定了,剩下的就可以随意排列,整理一下有:
- 随机生成一个 \(1 \sim n\) 的排列 \(p\),求 \(1 \sim m\) 是 \(p\) 的一个子序列的概率。
选出这 \(m\) 个数的位置:\(\dbinom{n}{m}\) 种方案,剩下的任意排列:\((n - m)!\),整理得:
另解:这 \(m\) 个数的相对位置的每一种可能所对应的概率都是相等的,即 \(\dfrac{1}{m!}\)。
- 随机生成一个 \(1 \sim n\) 的排列 \(p\),求 \(1 \sim m\) 是 \(p\) 的一个连续子序列的概率。
枚举这 \(m\) 个数中第一个数的位置,有 \(n - m + 1\) 种,剩下的随便排列,有 \((n - m)!\) 种,整理得:
- 给定一个序列 \(A = (a_1, a_2, \dots, a_n)\) 每次随机删除一个元素,求 \(a_i\) 和 \(a_j\) 在某一时刻相邻的概率,满足 \(1 \leq i < j \leq n\)。
容易发现我们只需要关心 \(a_i, a_{i + 1}, \dots, a_j\) 的删除顺序,\(a_i\) 和 \(a_j\) 相邻当且仅当对于所有的 \(k \in (i, j)\),满足 \(a_k\) 被删除的时刻早于 \(a_i, a_j\) 被删除的时刻,发现每一个元素被删除的顺序形成了一个排列,所以我们尝试选出这 \(j - i + 1\) 个元素的删除顺序,共有 \(\dbinom{n}{j - i + 1}\) 种,剩下的元素有 \((n - j + i - 1)!\) 种删除的顺序,考虑 \(a_i \sim a_j\) 的删除顺序,先要删除 \(a_{i + 1} \sim a_{j - 1}\),有 \((j - i - 1)!\) 种,\(a_i\) 和 \(a_j\) 共有 \(2! = 2\) 种删除顺序,整理有:
尝试化简式子,考虑换元,设 \(K = j - i + 1\),则原式为:
带入 \(K = j - i + 1\),有:
所以,\(\displaystyle P(a_i \text{ and } a_j\text{ will be adjacent at a moment}) = \dfrac{2}{(j - i + 1)(j - i)}\)。
三、期望的线性性
公式:\(E\left(\displaystyle \sum_{i = 1}^{n}X_i\right) = \displaystyle \sum_{i = 1}^{n}E(X_i)\)。(\(E(X + Y) = E(X) + E(Y)\))
其中我们 不要求 \(X, Y\) 独立。
四、简单的期望题
- 箱子里有 \(n\) 个球分别有权值 \(1 \sim n\),你要选其中 \(m\) 个球,求选出的 \(m\) 个球的权值和的期望。
设选出的 \(m\) 个球的权值为 \(X_1, X_2, \dots, X_m\),那么:
显然选出每个球的概率为 \(\dfrac{1}{n}\),那么 \(E(X_i) = \dfrac{1}{n} \times (1 + 2 + \dots + n) = \dfrac{n + 1}{2}\)。
所以答案就是 \(E\left(\displaystyle \sum_{i = 1}^{m}X_i \right) = \dfrac{m \times (n + 1)}{2}\)。
- 随机生成一个 \(1 \sim n\) 的排列 \(p\),求 \(E\left(\displaystyle \sum_{i = 1}^{n}\left[\max_{j = 1}^{i}p_j = p_i\right]\right)\) 的值。
根据期望的线性性,有:
根据刚才的结论(往!上!翻!),\(\displaystyle E\left(\left[\max_{j = 1}^{i}p_j = p_i\right]\right) = \dfrac{1}{i}\),所以有:
- 随机生成一个 \(1 \sim n\) 的排列 \(p\),求 \(\displaystyle E\left(\sum_{i = 1}^{n}[p_i > \max(p_{i - 1}, p_{i + 1})]\right)\),其中 \(p_0 = p_{n + 1} = 0\),并且 \(n > 1\)。
根据期望的线性性,有:
如果 \(i = 1\) 或 \(i = n\),那么关系有两种,期望 \(\dfrac{1}{2}\)。
如果 \(1 < i < n\),那么 \(i - 1 \sim i + 1\) 的最大值为 \(i\) 的概率为 \(\dfrac{1}{3}\),整理有:
- 随机生成一个只包含 \(0, 1\) 的序列 \(A = (a_1, a_2, \dots, a_{n + m})\),满足 \(\displaystyle \sum_{i = 1}^{n + m} a_i = m\),求 \(\displaystyle E\left(\sum_{i = 1}^{n + m - 1}[a_i = 0 \wedge a_{i + 1} = 1]\right)\),保证 \(n + m > 0\)。
根据期望的线性性,有:
那么每一个条件的期望就是满足的概率:
最后加起来,得:
- 有 \(n\) 个黑球,\(m\) 个白球,每次随机取一个球,求将所有白球取出的期望步数。
发现如果步数为 \(k\) 则后 \(n + m - k\) 个均为黑球,第 \(k\) 个必须为白球,概率为:
那么期望就是 \(\displaystyle \sum_{k = m}^{n + m}k \times P_k\)。
最后化简之后就是 \(\displaystyle \sum_{k = m}^{n + m}\binom{k}{m} \times \dfrac{n! \times m! \times m}{(n + m)!}\)。
根据 \(\displaystyle \sum_{k = m}^{n + m}\binom{k}{m} = \binom{n + m + 1}{m + 1}\),算得原式等于 \(\dfrac{m \times (n + m + 1)}{m + 1} = \dfrac{nm}{m + 1} + m\)。
五、随机游走模型
待补充。