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 S S由有限个等概率的简单事件组成,事件 E E E发生的概率是 P ( E ) = ∣ E ∣ ∣ Ω ∣ P(E)=\frac{|E|}{|\Omega|} P(E)=∣Ω∣∣E∣
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 ) P(A|B) P(A∣B)表示B发生的前提下A发生的概率,那么 P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac{P(AB)}{P(B)} P(A∣B)=P(B)P(AB)
乘法公式
P ( A B ) = P ( A ∣ B ) P ( B ) = P ( B ∣ A ) P ( A ) P(AB)=P(A|B)P(B)=P(B|A)P(A) P(AB)=P(A∣B)P(B)=P(B∣A)P(A)
全概率公式
假设 ∀ i , j , B i ∩ B j = ∅ , ⋃ 1 ∞ B i = Ω \forall i,j,B_i \cap B_j=\varnothing,\bigcup_{1}^{\infty} B_i=\Omega ∀i,j,Bi∩Bj=∅,1⋃∞Bi=Ω
因为 ∑ P ( B i ) = 1 \sum P(B_i)=1 ∑P(Bi)=1
所以 P ( A ) = ∑ P ( A ∣ B i ) P ( B i ) P(A)=\sum P(A|B_i)P(B_i) P(A)=∑P(A∣Bi)P(Bi)
贝叶斯公式
就是全概率公式的变形。
P ( B i ∣ A ) = P ( A B i ) P ( A ) = P ( A ∣ B i ) P ( B i ) ∑ j P ( A ∣ B j ) P ( B j ) P(B_i|A)=\frac{P(AB_i)}{P(A)}=\frac{P(A|B_i)P(B_i)}{\sum_{j} P(A|B_j)P(B_j)} P(Bi∣A)=P(A)P(ABi)=∑jP(A∣Bj)P(Bj)P(A∣Bi)P(Bi)
意义是用于分析 A A A发生的原因吧, P ( B i ∣ A ) P(B_i|A) P(Bi∣A)的意义是 A A A发生的情况下 B i B_i Bi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 : Ω → R f:\Omega \to R f:Ω→R
X X X是一个离散的随机变量,取值为 x 1 , x 2 , . . . x_1,x_2,... x1,x2,...,对应的概率为 P ( X = x 1 ) , P ( X = x 2 ) , . . . P(X=x_1),P(X=x_2),... P(X=x1),P(X=x2),...,那么随机变量 X X X的期望就是
E ( X ) = ∑ x i P ( X = x i ) E(X)=\sum x_iP(X=x_i) E(X)=∑xiP(X=xi)
线性性质
-
对于任意 X , Y X,Y X,Y和常数 a , b a,b a,b,有 E ( a X + b Y ) = a E ( X ) + b E ( Y ) E(aX+bY)=aE(X)+bE(Y) E(aX+bY)=aE(X)+bE(Y)
-
X X X和 Y Y Y满足 P ( X ∣ Y ) = P ( X ) a n d P ( Y ∣ X ) = P ( Y ) P(X|Y)=P(X) \; and \; P(Y|X)=P(Y) P(X∣Y)=P(X)andP(Y∣X)=P(Y)即 P ( X Y ) = P ( X ) P ( Y ) P(XY)=P(X)P(Y) P(XY)=P(X)P(Y)那么这样的事件 X X X和 Y Y Y独立(上面是定义式)
-
所以 X X X和 Y Y Y独立且各自有一个已定义的期望时 E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) E(XY)=E(X)E(Y)
条件期望
定义 X = x i X=x_i X=xi时 Y Y Y的期望价值为 E ( Y ∣ X = x i ) E(Y|X=x_i) E(Y∣X=xi)
全期望公式
公式如下
E ( Y ) = E ( E ( Y ∣ X ) ) = ∑ i E ( Y ∣ X = x i ) P ( X = x i ) E(Y)=E(E(Y|X))=\sum_{i}E(Y|X=x_i)P(X=x_i) E(Y)=E(E(Y∣X))=i∑E(Y∣X=xi)P(X=xi)
公式推导
E ( E ( Y ∣ X ) ) = ∑ i E ( Y ∣ X = x i ) P ( X = x i ) E(E(Y|X))=\sum_{i}E(Y|X=x_i)P(X=x_i) E(E(Y∣X))=i∑E(Y∣X=xi)P(X=xi)
= ∑ i P ( X = x i ) ∑ k y k P ( X = x i , Y = y k ) 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)} =i∑P(X=xi)k∑ykP(X=xi)P(X=xi,Y=yk)
= ∑ k ∑ i y k P ( X = x i , Y = y k ) =\sum_{k}\sum_{i}y_kP(X=x_i,Y=y_k) =k∑i∑ykP(X=xi,Y=yk)
= ∑ k y k P ( Y = y k ) =\sum_{k}y_kP(Y=y_k) =k∑ykP(Y=yk)
= E ( Y ) =E(Y) =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 ] V(X)=E[(X-E(X))^2] V(X)=E[(X−E(X))2]
根据期望的线性性化简如下:
V ( X ) = E [ ( X − E ( X ) ) 2 ] = E [ X 2 − 2 ∗ X ∗ E ( X ) + E ( X ) 2 ] = E ( X 2 ) − E ( X ) 2 \begin{aligned} V(X)&=E[(X-E(X))^2] \\&=E[X^2-2*X*E(X)+E(X)^2] \\&=E(X^2)-E(X)^2 \end{aligned} V(X)=E[(X−E(X))2]=E[X2−2∗X∗E(X)+E(X)2]=E(X2)−E(X)2
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
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 ] E(i)=[x_i =\not x_{i-1} ] E(i)=[xi=xi−1],特别的 E ( 1 ) = 1 E(1)=1 E(1)=1,那么 a n s = ( ∑ E ( i ) ) 2 ans=(\sum E(i))^2 ans=(∑E(i))2。
然后发现对于不同的 i , j i,j i,j, E ( i ) E(i) E(i)和 E ( j ) E(j) E(j)并不一定是独立的, i = j i=j i=j或 ∣ i − j ∣ = 1 |i-j|=1 ∣i−j∣=1时就不是,所以分类讨论解决这个式子。
【香蕉OI】 hope
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。