腾讯笔试题2020 一个有意思的期望题

前言

• 今年腾讯笔试出了一个很有意思的期望题，正好覆盖了大学里大部分重要的数学基础知识，非常有意思，作为基础知识的复习，我把这个题的详细解法以及相应的基础知识整理了进来~
• 如果基础知识比较简短，我会插在正文中，如果一段基础知识很长，我就放在后面的附录中~
• ps. 作为面试题还挺合适的，准备改编改编，成为我司的面试题2333，所以名字就不起的太清楚了，大家看到算赚到吧~
• pps. 附录和一些细节晚点更新

题目

• 一根长为$L$的木棍， 给定常数$0<d\le L$
• 重复以下动作： 随机砍木棍，将木棍分成左右两部分， 舍弃左边， 把右边部分作为新的木棍； 直到长度小于$d$
• 求砍的次数的期望；

确定期望的求解方式

• 一般来说，面试中的求期望题，无非是两种方案，一种是按照期望的定义进行求解，另一种是通过期望的递推求解（也就是期望dp，其理论基础是全期望公式）；后者过去我见到的大多是解决离散问题，连续问题的话递推会形成积分方程，此题我沿着这个思路尝试了一下，发现其实也是可解的，甚至更简单，这会放在下下个section介绍。

解法1. 按期望定义求解

• 第一步就是定义随机变量
• 记随机变量$n$为，满足条件时，砍的次数，$p(n)$就是$n$次恰好完成任务的概率，n的取值范围很明显就是全体正整数
• （知识点1，期望定义）期望公式：$E(x)={\sum }_{x\in 定义域}xp(x)$，或者连续情况下 $E(x)={\int }_{x\in 定义域}xp(x)dx$，注意下的是离散情况下$p(x)$是PMF（probability mass function，概率质量函数），连续的情况下则是PDF（probability density function，概率密度函数）。
• 好了，这样我们就知道了我们要求的期望是如何定义的了，即：
  $$E(n)=\sum _{n\in N_{+}}np(n)$$
• 很明显这是个无穷级数，它好不好求，我们得先看看$p(n)$

求解$p(n)$

• 这个$p(n)$直接求解是有一定困难的，我们要借助一下题干中告诉我们的其他分布知识了
• 我们知道每次切分是随机的，翻译过来就是切分点的选择满足均匀分布
• （知识点2，均匀分布）随机变量$x$服从均匀分布记作$x\sim U(a,b)$，也就是说$x$的概率密度函数$p(x)=\frac{1}{b-a}$
• 有了上述知识，我们就设第$i$次切分后，还剩下棒子长$x_i$
• 举个简单例子，就是第一次切分还剩$x_1$长，这个$x_1\sim U(0,L)$，所以$p(x_1)=\frac{1}{L}$。
• （知识点3，累积概率分布CMF)：累计概率表示的是随机变量落在一定范围内的概率，离散分布的话就是$P(x)={\sum }_{x\in 所选范围}p(x)$，连续分布的话就是$P(x)={\int }_{x\in 所选范围}p(x)dx$
• 所以对应的第一次就成功的概率就是
  $$p(n=1)=P(x_1<d)={\int }_0^d\frac{1}{L}dx=\frac{d}{L}$$
• 第一次的相对简单，第二次成功的概率就要稍微复杂一点了，我们需要考虑多次切分的联合概率: $p(x_1,x_2,...)$
• 我们先以两次的为例，后面的自然就能推导出来。
• 直接推导有些难度，我们根据贝叶斯公式展开一下就比较简单了，因为$p(x_2|x_1)\sim U(0,x_1)$，所以有
  $$\begin{gathered} p(x_1,x_2)=p(x_2|x_1)p(x_1) \\ =\frac{1}{x_{1}L} \end{gathered}$$
• 我们进一步把这个形式推广到$n$次切分，根据题意，我们知道这个联合概率满足马尔科夫原则，也就是说第$k$次划分只和第$k-1$次划分有关，也就是说，我们有如下形式：
  $$\begin{array}{rl}p(x_1,x_2,x_3,...,x_n)& =p(x_1)p(x_2|x_1)p(x_3|x_2)...p(x_n|x_{n-1})\\ & =p(x_1)\prod _{i=1}^{n-1}p(x_{i+1}|x_i)\\ & =\frac{1}{L}\prod _{i=1}^{n-1}\frac{1}{x_i}\end{array}$$
• 我们先看$p(n=2)$的求法，我们要求的是$P(x_1>d,x_2<d)$，具体求解为：
  $$\begin{array}{rl}p(n=2)& =P(x_1>d,x_2<d)\\ & ={\int }_0^d{\int }_d^L\frac{1}{x_{1}L}d{x}_{1}d{x}_2\\ & =\frac{1}{L}{\int }_0^d\log \frac{L}{d}d{x}_2\\ & =\frac{d}{L}\log \frac{L}{d}\end{array}$$
• 接下来就是一个小难点了，我们要把切分n次的联合概率带进来了，以便求出所有的$p(n)$
  $$\begin{array}{rl}p(n)& =P(d<x_1<L,d<x_2<x_1,d<x_3<x_2,....,0<x_n<d)\\ & ={\int }_0^d\frac{1}{x_{n-1}}d{x}_n{\int }_d^{x_{n-2}}\frac{1}{x_{n-2}}d{x}_{n-1}...{\int }_d^L\frac{1}{L}d{x}_1\end{array}$$
• 看到这里先别害怕一步一步展开就能发现规律了，首先我们换换函数的顺序，把对应的变量和对应的积分部分联系起来
  $$\begin{array}{rl}p(n)& ={\int }_0^d\frac{1}{x_{n-1}}d{x}_n{\int }_d^{x_{n-2}}\frac{1}{x_{n-2}}d{x}_{n-1}...{\int }_d^L\frac{1}{L}d{x}_1\\ & =\frac{1}{L}{\int }_0^{d}d{x}_n{\int }_d^{x_{n-2}}\frac{1}{x_{n-1}}d{x}_{n-1}...{\int }_d^{x_1}\frac{1}{x_2}d{x}_2{\int }_d^L\frac{1}{x_1}d{x}_1\end{array}$$
• 假设$n=3$，我们先看最后两项（其实和前面$p(n=2)$是类似的）
  $$\begin{array}{rl}{\int }_d^{x_1}\frac{1}{x_2}d{x}_2{\int }_d^L\frac{1}{x_1}d{x}_1& ={\int }_d^L\frac{1}{x_1}\log \frac{x_1}{d}d{x}_1\end{array}$$
• 这里我们顺便复习一下积分的基础知识，先是简单的积分换元，令$t=\frac{x_1}{d}$，则有$x_1=t\cdot d$
  $${\int }_d^L\frac{1}{x_1}\log \frac{x_1}{d}d{x}_1={\int }_1^{\frac{L}{d}}\frac{1}{t\cdot d}\log t\frac{dx}{dt}dt.$$
• 由于$\frac{dx}{dt}=d$，所以有：
  $${\int }_1^{\frac{L}{d}}\frac{1}{t\cdot d}\log t\frac{dx}{dt}dt={\int }_1^{\frac{L}{d}}\frac{1}{t\cdot d}\log (t)ddt={\int }_1^{\frac{L}{d}}\frac{\log t}{t}dt$$
• 这是个经典的积分，通过分步积分可以求解，我把推导写在这里，分步积分的介绍以及证明会放在后面的附录中。
  $$\begin{array}{rl}\int \log t\frac{1}{t}dt& ={\log }^{2}t-\int \frac{1}{t}\log tdt\\ =>\int \log t\frac{1}{t}dt& =\frac{{\log }^{2}t}{2}\end{array}$$
• 这样上面的结果就是:
  $${\int }_1^{\frac{L}{d}}\frac{\log t}{t}dt=\frac{{\log }^2\frac{L}{d}}{2}$$
• 所以$p(n=3)$的结果如下：
  $$p(n=3)=\frac{d}{L}\frac{{\log }^2\frac{L}{d}}{2}$$
• 类似的，当计算$p(n=4)$的时候，最后会需要求积分：
  $$\frac{1}{2}{\int }_d^L\frac{1}{x_1}{\log }^2\frac{x_1}{d}d{x}_1$$
• 这里需要用到一个小的性质
• （知识点4）$\int \frac{{\log }^n}{x}dx=\frac{{\log }^{n+1}x}{n+1}$，证明和上述推导类似，也会放在附录中。
• 最后结合这一结论，我们很容易得到$p(n)$的结果
  $$p(n)=\frac{d}{L}\frac{{\log }^{n-1}\frac{L}{d}}{(n-1)!}$$

求解期望

• 根据上面的结果期望为：
  $$E(n)=\frac{d}{L}\sum _{n\in N_{+}}n\cdot \frac{{\log }^{n-1}\frac{L}{d}}{(n-1)!}$$
• 求解这个无穷级数，主要是要利用$e^x$在原点处的泰勒展开式
• （知识点5）$e^x$在原点处的泰勒展开式：
  $$e^x=\sum _{n=0}^{\infty }\frac{x^n}{n!}+Rn(x)$$
• 我们换个元，令$x=\log \frac{L}{d}$，就会发现形式基本上是一样的，最后得到结论：
  $$E(n)=1+\log \frac{L}{d}$$
• 附上证明：
  $$\begin{array}{rl}E(n)& =\frac{d}{L}\sum _{n=1}^{\infty }n\cdot \frac{{\log }^{n-1}\frac{L}{d}}{(n-1)!}\\ & =\frac{d}{L}\sum _{n=0}^{\infty }(n+1)\frac{{\log }^n\frac{L}{d}}{n!}\\ & =\frac{d}{L}\sum _{n=0}^{\infty }(n+1)\frac{x^n}{n!}\\ & =\frac{d}{L}\sum _{n=0}^{\infty }\frac{x^n}{n!}+\frac{d}{L}\sum _{n=0}^{\infty }n\cdot \frac{x^n}{n!}\\ & =\frac{d}{L}{e}^x+\frac{d}{L}\sum _{n=1}^{\infty }x\cdot \frac{x^{n-1}}{(n-1)!}\\ & =\frac{d}{L}{e}^x+\frac{d}{L}x\sum _{n=0}^{\infty }\frac{x^n}{n!}\\ & =\frac{d}{L}{e}^x+\frac{d}{L}x{e}^x\\ & =\frac{d}{L}{e}^x(1+x)\\ & =\frac{d}{L}{e}^{\log \frac{L}{d}}(1+\log \frac{L}{d})\\ & =1+\log \frac{L}{d}\end{array}$$

解法2. 按期望递推求解

• 我们首先定义状态，状态是棒子的长度，因此可以定义$f(x)$表示在棒子还剩长度为$x$的前提下的要满足条件的期望切分次数
• 递推公式也不难定义，下一次等概率的在$(0,x)$范围内选择切分位置，如果还剩下$y$长，则还剩下的期望次数是$f(y)+1$：
  $$f(x)={\int }_0^x\frac{1}{x}(f(y)+1)dy$$
• 因为我们要求的是$f(L)$，我们就直接带进来，结果为：
  $$f(L)={\int }_0^L\frac{1}{L}(f(y)+1)dy$$
• 根据题意，我们简单分析下$f(x)$，$x<d$的时候，明显$f(x)=0$，而$x>d$的时候，很明显$f(x)$至少为1，因为至少会切一次，因此$x=d$的位置$f(x)$就是不连续的了（因为$x\to d^{-}$(左极限)是0，而右极限是1）。
• 因此上式我们可以拆分下积分范围，把为0的部分单拿出来，注意下界我们取在$d$的右极限：
  $$\begin{array}{rl}f(L)& ={\int }_0^{d^{-}}\frac{dy}{L}+{\int }_{d^{+}}^L\frac{1}{L}(f(y)+1)dy\\ & =\frac{d}{L}+\frac{1}{L}(F(L)-F(d)+L-d)\\ =>Lf(L)& =F(L)-F(d)+L\end{array}$$
• 其中$F(\cdot )$是$f(\cdot )$的原函数。我们两边一起对L求导，就有
  $$\begin{gathered} L{f}^{\prime }(L)+f(L)=f(L)+1 \\ =>f^{\prime }(L)=\frac{1}{L} \end{gathered}$$
• 求个不定积分就有
  $$f(L)=\log L+C$$
• 根据初始条件$f(d^{+})=1$，我们有：
  $$\begin{gathered} f(d^{+})=\log d+C=1 \\ =>C=1-\log d \end{gathered}$$
• 所以最后有：
  $$f(L)=1+\log \frac{L}{d}$$