数模原理精解【2】

随机事件与概率

计数法则

• 乘法
  从$\nu$个大小（即所包含元素的个数）分别为$n_1,n_2,...,n_{\nu }$的每个集合中抽取一个元素，抽取结果的个数为：
  $n_1\ast n_2\ast ...\ast n_{\nu }$
• 排列
  从n个不同元素中无放回地每次取出m（$1\le m\le n$）个不同元素，排列成不同次序（注意有次序，不是组合），排列的个数：
  $P_n^m=\frac{n!}{(n-m)!}$
  当m=n时，叫全排列
  $P_n^n=n!$
• 分割
  n个元素分割成分别包含$m_1,m_2，...,m_{\nu }$个元素的$\nu$组，$m_1+m_2+...+m_{\nu }=n$
  分割结果的个数：
  $\frac{n!}{m_1!\ast m_2!\ast ...\ast m_{\nu }!}$
• 组合
  从n个不同的元素中，任取$m（m\le n）$个元素为一组，叫作从n个不同元素中取出m个元素的一个组合 ，不计较次序，组合的个数：
  $C_n^m=\frac{n!}{m!(n-m)!}$
• 可重复排列
  $从n个元素中有放回地逐一取出m（m\le n）个元素进行排列，共有n^m种排列$

随机变量

基本概念

• 随机变量$\Phi$为一个映射，它是一个从样本空间$\Phi$（即所有事件集合）到某数值$\phi$（通常是对某事件性质的描述）的映射。
  即：某事件${\Phi }_i(i\in I)$与该事件（某性质）的取值${\phi }_j(j\in J)$存在关系，该关系属于满射，但不是单射，因为几个事件可能取同样的值。
  其中，$I$即为所有事件集合$\Phi$的指标集,$J$为事件${\Phi }_i$所有可能的取值集合$\phi$的指标集。

1)两个非空集合A与B间存在着对应关系f，而且对于A中的每一个元素a，B中总有唯一的一个元素b与它对应，就这种对应为从A到B的映射，记作f：A→B。
2)B中每个元素都有原像（即满射），且集合A中不同的元素在集合B中都有不同的像（即单射），则称映射f建立了集合A和集合B之间的一个一一对应关系，也称f是A到B上的一一映射。
引用自映射，百度百科

• 随机变量分为离散型随机变量与非离散型随机变量两种。

离散型随机变量

• 有些随机变量,它全部可能取到的不相同的值是有限个或可列无限多个，也可以说概率1以一定的规律分布在各个可能值上。这种随机变量称为"离散型随机变量"。
  比如：今天我去拜访一些客户，这是一个事件${\Phi }_i(i\in I)$，这些客户中最多有${\phi }_j(j\in J)$个客户愿意购买我推销的产品，那么$\phi$的取值是一个数值，设客户数量为n，则$\phi$是 { 0 , 1 , 2 , 3 , . . , n } \{0,1,2,3,..,n\} {0,1,2,3,..,n}中的一个元素。
  $P({\Phi }_i={\phi }_j)$就是${\Phi }_i$取值为${\phi }_j$的概率。
• 离散型随机变量的性质
  $$\begin{gathered} （1）P({\Phi }_i)\ge 0 \\ （2）\sum _{j\in J}p({\phi }_j)=1 \end{gathered}$$
• 期望值(或均值)$E({\Phi }_i)$
  $$\mu =E({\Phi }_i)=\sum _{j\in J}{\phi }_{j}p({\phi }_j)$$
• $g({\Phi }_i)$的期望值或均值
  $$E[g({\Phi }_i)]=\sum _{j\in J}g({\phi }_j)p({\phi }_j)$$
• 方差${\sigma }^2$
  $$\begin{gathered} {\sigma }^2=E[({\Phi }_i-\mu {)}^2]=\sum _{j\in J}({\phi }_j-\mu {)}^{2}p({\phi }_j) \\ 标准差\sigma =\sqrt{{\sigma }^2} \end{gathered}$$

连续型随机变量

• 连续型随机变量是指如果随机变量X的所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任一点的随机变量。
• 相关基础见连续型随机变量，百度百科

全排列

以下内容来自文心一言的自动生成。
全排列是指从n个不同元素中任取m（m≤n，m和n都是自然数，下同）个元素按照一定的顺序排成一列。当m=n时，称为n个元素的全排列。全排列的生成算法有多种，这里介绍两种常见的算法：递归法和字典序法。

1. 递归法

递归法是生成全排列的一种直观且易于理解的方法。基本思想是将一个元素的排列问题转化为较小元素的排列问题。

算法步骤：

1. 如果当前排列已经是最后一个元素，打印该排列。
2. 否则，遍历当前未使用的元素，将每个元素分别与当前排列的最后一个元素交换，然后对剩余的元素（不包括已固定的最后一个元素）进行全排列。
3. 回溯：将当前排列的最后一个元素与之前交换的元素交换回来，以便尝试下一个元素。

Python代码示例：

def permute(nums):
    def backtrack(first=0):
        # 所有数都填完了
        if first == n:
            output.append(nums[:])
        for i in range(first, n):
            # 动态维护数组
            nums[first], nums[i] = nums[i], nums[first]
            # 继续递归填下一个数
            backtrack(first + 1)
            # 撤销操作
            nums[first], nums[i] = nums[i], nums[first]

    n = len(nums)
    output = []
    backtrack()
    return output

# 示例
nums = [1, 2, 3]
print(permute(nums))

2. 字典序法

字典序法是利用字典序（即按照字母表顺序）来生成全排列的。从当前排列开始，找到第一个不满足递增顺序的元素，然后找到其后面比它大的最小元素进行交换，最后反转这两个元素之后的所有元素。

算法步骤（较为抽象，实现较为复杂）：

1. 找到排列中的第一个逆序对（即不满足递增顺序的元素对，前一个元素比后一个元素大）。
2. 在逆序对的后一个元素及其之后的元素中，找到比逆序对的前一个元素大的最小元素。
3. 交换这两个元素。
4. 反转逆序对之后的元素列表。

字典序法通常较难直接写出完整的代码，因为它更多地被用于理解排列的生成逻辑，而非直接实现代码。

在实际应用中，递归法因其直观性和易实现性而更为常用。不过，对于非常大的数据集，递归法可能会因为调用栈过深而导致栈溢出。此时，可以考虑使用非递归的迭代方法或者优化递归算法（如尾递归优化）。

参考文献

1、《统计学（原书第5版）》
2、映射，百度百科
3、离散型随机变量，百度百科
4、连续型随机变量，百度百科
5、排列，百度百科
6、组合，百度百科
7、《数学》中国财政经济出版社 2010版