第五章——《概率分析与随机算法》

    这章看得稀里糊涂的，自己感觉没弄懂，去网上看了看别人写的博客。觉得人家写的很好，自己看着有点豁然开朗的感觉。

下面我附上人家的链接地址：

点击打开链接

我自己也就按着人家的思路写写吧，主要算是让自己能够更好的理解这里的内容

这一章是是从雇佣问题开始的：假设要雇佣一名新的助理，然后要面试每个人要花费一笔费用，雇佣助理要话更多的钱，假设当前你面试的应聘者比当前助理优秀，你就辞退当前的助理去聘用新的助理。

要得到面试的费用，我们一部分是面试花的钱，另外一部分则是真正雇佣花费的钱

概率分析：

事实上，我们既不能得知应聘者出现的顺序，也不能控制这个顺序，因此我们使用概率分析。概率分析就是在问题的分析中使用概率技术。

为了使用概率分析，必须使用关于输入分布的知识或者对其做假设，然后分析算法，计算出一个期望的运行时间。这个期望值通过对所有可能的输入分布算出。

存在的问题：

    有些问题，我们对所有可能的输入集合做某种假设。对于其他问题，可能无法描述一个合理的输入分布，此时就不能使用概率分析方法。
在雇佣问题中，可以假设应聘者是以随机顺序出现的。假设可以对任何两个应聘者进行比较并确定哪个更优；换言之，在所有的应聘者之间存在这一个全序关系。

因此可以使用从1到n的唯一号码来标志应聘者的优秀程度。用rank(i)来表示应聘者i的名次。这个有序序列<rank(1),rank(2)，..., rank(n)>是序列<1,2,...,n>的一个排列。说应聘者以随机的顺序出现，就等于说这个排名列表是1到n的n！中排列中的任何一个，每种都以相等的概率出现。

   随机算法
    在许多情况下，我们对输入分布知识知之甚少；即使知道关于输入分布的某些信息，也无法对这种分布建立模型。然而通过使一个算法中的某些部分的行为随机化

，就常常可以利用概率和随机性作为算法设计和分析的工具。

    比如在雇佣问题中，如果雇佣代理给我们一份应聘者的名单，每天我们随机地挑选一个应聘者进行面试，从而确保了应聘序列的随机性。
更一般地，如果一个算法的行为不只有输入决定，同时也由随机数生成器所产生的数值决定，则称这个算法是随机的。

   
  指示器随机变量

   为了分析包括包括雇佣分析在内的许多算法，我们将使用指示器随机变量，它为概率和期望之间的转换提供了一个便利的方法，给定一个样本空间S和时间A，那么事件A对应的指示器随机变量
        1 如果A发生
Xa =  0 如果A没有发生
E[Xa] = Pr{A}
利用指示器随机变量分析雇佣问题：
   假设应聘者以随机的顺序出现，令X作为一个随机变量，其值等于雇佣一个新的办公室次数。那么 E[X] = ∑xPr{X=x}，但这一计算会很麻烦。
   我们定义n个和每个应聘者是否被雇佣对应的变量，Xi为对应于第i个应聘者被雇佣这个事件的指示器随机变量。有X=X1+X2+...+Xn。
   E[Xi] = Pr{Xi} = 1/i，因为应聘者是随机出现的，所以第i个应聘者比前面i-1个优秀的概率是1/i。
   因此E[X] = 1+1/2+1/3+...+1/n = lnn。

     概率分析与随机随机算法：

    在雇佣问题中，如果应聘者是以随机顺序出现的话，雇佣一个新的办公室助理的期望次数是lnn。这个算法是随着输入的变化而变化的。对于某个特定的输入，它总是会产生固定的雇佣次数。这样就存在昂贵的输入，不贵的输入和适中的输入。如果先对应聘者进行随机排列，此时随机发生在算法上而不是发生在输入分布上。每次运行这个算法，执行依赖于随机的选择，而不是依赖于输入。这就是随机算法和概率分析的区别。

     这章看得很水，以后有机会看到其他内容再回头来看看吧