从零学算法（LCR 185. 统计结果概率）

你选择掷出 num 个色子，请返回所有点数总和的概率。
你需要用一个浮点数数组返回答案，其中第 i 个元素代表这 num 个骰子所能掷出的点数集合中第 i 小的那个的概率。
示例 1：
输入：num = 3
输出：[0.00463,0.01389,0.02778,0.04630,0.06944,0.09722,0.11574,0.12500,0.12500,0.11574,0.09722,0.06944,0.04630,0.02778,0.01389,0.00463]
示例 2：
输入：num = 5
输出:[0.00013,0.00064,0.00193,0.00450,0.00900,0.01620,0.02636,0.03922,0.05401,0.06944,0.08372,0.09452,0.10031,

• 首先读懂题目，其实题目意思就是给你 n 个色子，按顺序求出从点数 n 到 6*n 分别的概率。这是怎么想到动态规划的呢？首先假设 f(n) 为 n 个色子的概率列表，f(n,x) 为投掷 n 个色子，点数之和为 x 的概率。接下来我们看看 f(n-1) 和 f(n) 有没有联系，你会发现，当增加一个色子，因为它只可能为 1-6，所以 f(n,x) 其实有 6 个到来的途径，等于 f(n-1,x-1)*(1/6)+f(n-1,x-2)*(1/6)+...+f(n-1,x-6)*(1/6)。形象的说就是比如我 5 个色子要掷出 9 点即 f(5,9)，我可能是前四个色子有 8 点，第五个色子为一点（一个色子为一点的可能性为 1/6），即 f(4,8)*(1/6)，同理可能之前为 7 点，现在 2 点…之前 3 点，现在 9 点。
• 但是，这里有个问题，如果我 5 个色子掷出了 8 点，难不成你还能是之前四个色子掷出 3 点，现在 5 点吗？四个色子最少 4 点啊。所以这里我们逆向思维，我们不从 f(n,x) 去寻找可能的 f(n-1,y)，我们从 f(n-1,x) 正向去推导，它可能会对之后的哪 6 种可能产生影响，即从f(n-1,x) 推导出 f(n,x+1),f(n,x+2)…f(n,x+6)。发现了吗，这正好符合我们的动态规划，因为我们知道 f(1) 就是 6 个 1/6。我们从 f(1) 推到 f(n) 岂不正好。
• 这里我们就不用二维数组了，因为 f(n) 只和 f(n-1) 有关，所以我们用两个数组交替迭代即可。

•   public double[] statisticsProbability(int n) {
        double[] dp = new double[6];
        Arrays.fill(dp, 1.0 / 6.0);
        for (int i = 2; i <= n; i++) {
            double[] tmp = new double[5 * i + 1];
            // 遍历 f(n-1,x)
            for (int j = 0; j < dp.length; j++) {
            	// 推导之后的 f(n,x+1),f(n,x+2)...f(n,x+6)
                for (int k = 0; k < 6; k++){
                    tmp[j+k] += dp[j]/6.0;
                }
            }
            dp=tmp;
        }
        return dp;
    }