关于调用RANDOM(0,1)产生0和1的几率都为1/2,实现RANDOM(a,b)的过程

这个问题有两个思路。

    首先我们可以知道random（a,b）改写为random（0，b-a+1）+a-1

    所以我们只需要知道怎么解决random(0,b-a+1)即可

 

   第一种解法。

       计算2的m次方+1大于等于b-a+1的最小的m，如b-a+1是6，m为3

       用random(0,1)生成m次，形成一个二进制数。如果这个二进制数属于

       0到b-a+1则选中，否则，从新运行第二步。

 假设进行一系列伯努利试验，每次成功的概率是p，失败的概率是q=1-p，在取得一次成功前一共要进行多少次试验？令随机变量X为取得一次成功所要进行的试验次数，则X的取值范围{1,2,......}。对k>=1，因为在一次成功前有k-1次失败，从而有
                                               Pr[X=k]= q^(k-1)p
满足上式的分布称为几何分布     [见算法导论 P686]
在算法中 p=(b-a+1)/2^m  
期望运行次数(算法中生成m位序列的调用次数)为：  E[X]=sum(k*q^(k-1)p) [k=1......+无穷]=1/p=2^m/(b-a+1)
用T表示调用一次RANDOM(0,1)所需要的时间，每次运行时间为输出m位bit的时间：O(log(b-a) × T)
期望运行时间：O（T × log(b-a) × 2^m/(b-a+1) ）=(约等于)O(T × log(b-a))  (因为m=(约等于)log(b-a+1))

 

 第二种解法

   Ai  ->事件第i个数最终被选中
   Bim ->事件第i个数和其他m-1个数在这一轮筛选中被保留
   Cim ->事件第i个数在这m个保留下来的子集中最终被选中

   Pr{Ai/Bim} = Random(m) = 1/m; 
   Pr{Ai,Bim} = Pr{Bim}*1/m;
   Pr{Ai} = ∑_m=1~k-1Pr{Ai,Bim}  =   Pr{Ai} = ∑Pr{Bim}*1/m;
   Pr{Bim} = C_(k-1,m-1)(1/(2ⁿ-2))， 由于我们忽略了s为全1全0两种序列，所以其他序列的概率是1/(2ⁿ-2)
 
   求解后可得 Pr{Ai} = 1/k。

由于Random(2)是现成的，于是通过数学归纳法可知Random(k)通过上述算法都可以求解。

算法Random(k)的期望运行时间：只要不是出现s为全0全1这两种状况，算法规模就可以缩小。这两种状况的概率为 2/2^k。依据伯努利试验的结论期望进行 S_k =  1/(1-2/2^k)轮筛选就可以缩小问题规模。

T(k) = 筛选轮次*k*T(2) + T(i) ;  i 以一定的概率分布于：1~k-1。

设常量 C = T(2)

E[T(k)] =S_k*k*C +  E[T(1)]*C_(k,1）(1/(2^k-2)) +...+E[T(k-1)]*c_(k,k-1）(1/(2k次-2))
这个递推式解不了。

简化算法

上面的算法给出了比较严格的推理过程，但算法过程可以简化：如果k为偶数，则将S均分成两组，通过一次R(0,1)来淘汰其中一组；如果S为奇数，则用上述方法来分组，将占多数的一组淘汰。可以证明这个算法后也是正确的。只要在某一轮的测试中R(0,1)的输出为全0或全1，问题的规模就可以缩小一半。这样算法的期望运行时间递推式可以表示为 E[T(k)] <= S_k*k*C + E[T(k/2)],  应该为Θ(k)。