概率期望学习笔记

论文：浅析算法竞赛中一类数学期望问题的解决方法

参考：Remoon

其实作为一个OIer并不需要搞得太深吧，只要明确概念就可以做题了。

概率

定义

离散概率：如果样本空间$S$由有限个等概率的简单事件组成，事件$E$发生的概率是$$P(E)=\frac{|E|}{|\Omega |}$$

离散概率与连续概率相对，同理离散变量与连续变量相对。

条件概率

定义$P(A|B)$表示B发生的前提下A发生的概率，那么$$P(A|B)=\frac{P(AB)}{P(B)}$$

乘法公式

$$P(AB)=P(A|B)P(B)=P(B|A)P(A)$$

全概率公式

假设$$\forall i,j,B_i\cap B_j=\varnothing ,\bigcup _1^{\infty }{B}_i=\Omega$$

因为$$\sum P(B_i)=1$$

所以$$P(A)=\sum P(A|B_i)P(B_i)$$

贝叶斯公式

就是全概率公式的变形。

$$P(B_i|A)=\frac{P(A{B}_i)}{P(A)}=\frac{P(A|B_i)P(B_i)}{{\sum }_{j}P(A|B_j)P(B_j)}$$

意义是用于分析$A$发生的原因吧，$P(B_i|A)$的意义是$A$发生的情况下$B_i$条件被满足的概率，也称为后验概率。

期望

定义

随机变量：既不随机也不是变量，而是函数，即$f:\Omega \to R$

$X$是一个离散的随机变量，取值为$x_1,x_2,...$，对应的概率为$P(X=x_1),P(X=x_2),...$，那么随机变量$X$的期望就是

$$E(X)=\sum x_{i}P(X=x_i)$$

线性性质

• 对于任意$X,Y$和常数$a,b$，有$$E(aX+bY)=aE(X)+bE(Y)$$

• $X$和$Y$满足$$P(X|Y)=P(X)andP(Y|X)=P(Y)$$即$$P(XY)=P(X)P(Y)$$那么这样的事件$X$和$Y$独立（上面是定义式）

• 所以$X$和$Y$独立且各自有一个已定义的期望时$$E(XY)=E(X)E(Y)$$

条件期望

定义$X=x_i$时$Y$的期望价值为$E(Y|X=x_i)$

全期望公式

公式如下

$$E(Y)=E(E(Y|X))=\sum _{i}E(Y|X=x_i)P(X=x_i)$$

公式推导

$$E(E(Y|X))=\sum _{i}E(Y|X=x_i)P(X=x_i)$$

$$=\sum _{i}P(X=x_i)\sum _k{y}_k\frac{P(X=x_i,Y=y_k)}{P(X=x_i)}$$

$$=\sum _k\sum _i{y}_{k}P(X=x_i,Y=y_k)$$

$$=\sum _k{y}_{k}P(Y=y_k)$$

$$=E(Y)$$

意义就是一个随机变量的期望价值等于在各个条件下期望价值之和。

方差

定义方差为随机变量取值与期望的差的平方的期望，形式化表示如下：

$$V(X)=E[(X-E(X){)}^2]$$

根据期望的线性性化简如下：

$$\begin{array}{rl}V(X)& =E[(X-E(X){)}^2]\\ & =E[X^2-2\ast X\ast E(X)+E(X{)}^2]\\ & =E(X^2)-E(X{)}^2\end{array}$$

简单来说就是：方差等于平方的期望减去期望的平方。

练习

明确概念之后就去做练习吧。不定期更新一点。

Expected Square Beauty

CF1187F

一个序列，每个位置等概率出现[l,r]之间的整数，一个序列的权值等于这个序列中连续相同子序列的个数。比如B{1,1,1,2,2}=2，或者B{1,2,1,2,1}=5。求期望权值的平方。

说是期望还不是一个数数题。

首先简化题意，令$E(i)=[x_i=/x_{i-1}]$，特别的$E(1)=1$，那么$ans=(\sum E(i){)}^2$。

然后发现对于不同的$i,j$，$E(i)$和$E(j)$并不一定是独立的，$i=j$或$|i-j|=1$时就不是，所以分类讨论解决这个式子。

【香蕉OI】 hope

题目跳转

求方差的题，需要用到“方差等于平方的期望减去期望的平方”这个公式。