首页 > 其他分享 >「学习笔记」概率和期望

「学习笔记」概率和期望

时间:2023-03-05 20:12:48浏览次数:58  
标签:mathbb 概率 frac sum end 笔记 fa 期望 aligned

「学习笔记」概率和期望

点击查看目录

目录

我不知道这篇学习笔记和杂题乱写有什么区别。

前几道题推的时候没在云剪贴板备份,不写了。

例题

P1850 [NOIP2016 提高组] 换教室

\(f_{i, j, 0/1}\) 表示第 \(i\) 节课换了 \(j\) 次,当前在原来的/现在的教室的体力值。

\[\begin{aligned} &f_{i, j, 0} = \min \begin{cases} f_{i - 1, j, 0} + tu_{w, x}\\ f_{i - 1, j, 1} + tu_{w, x} * (1 - p_{i-1}) + tu_{z, x} * p_{i-1}\\ \end{cases}\\ \ \\ &f_{i, j, 1} = \min \begin{cases} f_{i - 1, j - 1, 0} + tu_{w, x} * (1 - p_{i}) + tu_{w, y} * p_{i}\\ f_{i - 1, j - 1, 1} + tu_{w, x} * (1 - p_{i-1}) * (1 - p_{i}) + tu_{z, x} * p_{i-1} * (1 - p_{i}) + tu_{w, y} * (1 - p_{i-1}) * p_{i} + tu_{z, y} * p_{i-1} * p_{i}\\ \end{cases}\\ \end{aligned} \]

P2473 [SCOI2008] 奖励关

\(f_{i, st}\) 表示第 \(i\) 次抛出前集合状态为 \(st\) 时,吃或不吃的之后的宝物的期望分值。

\[f_{i, st} = \sum_{j = 1}^{n}\dfrac{[s_j\in st]\max\{f_{i + 1, st}, f_{i + 1, sta} + p_j\} + [s_j\not\in st]f_{i + 1, st}}{n} \]

P4284 [SHOI2014] 概率充电器

\(f_{i}\) 表示 \(i\) 能被子树或自己充不上的概率,\(g_{i}\) 表示 \(i\) 能被父亲充不上的概率。

\[\begin{aligned} f_{i} &= \prod_{j \in son_i} (1 - w_{i, j} \times (1 - f_j)) \times (1-p_i)\\ g_{i} &= 1 - (1 - g_{fa_i} \times \frac{f_{fa_i}}{1 - w_{i, fa_i} \times (1 - f_i)}) \times w_{i, fa_i} \end{aligned} \]

P3232 [HNOI2013]游走

显然使用贪心,一条边被经过期望次数越少编号越大。

那么如何算出一条边被经过期望次数?设 \(f_i\) 为点 \(i\) 被经过的次数,\(e_i\) 表示点 \(i\) 的边数,那么一个点只要不是点 \(n\),每次被经过后都会选一个边出去,则边 \((u, v)\) 被期望经过次数为 \(\dfrac{f_u}{e_u} + \dfrac{f_v}{e_v}\)。

列出 \(f_i\) 的转移方程:

\[f_i = [i=1] + \sum_{(i,j)\in\mathbb{E}}\frac{f_j}{e_j}\\ \]

发现没法直接转移,那么使用高斯消元。

移一下项:

\[f_i - \sum_{(i,j)\in\mathbb{E}}\frac{f_j}{e_j} = [i=1] \]

列出增广矩阵:

\[\left[ \begin{matrix} 1&-\frac{[(1,2)\in\mathbb{E}]}{e_2}&-\frac{[(1,3)\in\mathbb{E}]}{e_3}&\cdots&-\frac{[(1,n-1)\in\mathbb{E}]}{e_{n-1}}\\\\ -\frac{[(2,1)\in\mathbb{E}]}{e_1}&1&-\frac{[(2,3)\in\mathbb{E}]}{e_i}&\cdots&-\frac{[(2,n-1)\in\mathbb{E}]}{e_{n-1}}\\\\ \cdots&\cdots&\cdots&\cdots&\cdots\\\\ -\frac{[(n-1,1)\in\mathbb{E}]}{e_1}&-\frac{[(n-1,2)\in\mathbb{E}]}{e_2}&-\frac{[(n-1,3)\in\mathbb{E}]}{e_3}&\cdots&1 \end{matrix} \middle| \begin{matrix} 1\\\\ 0\\\\ \cdots\\\\ 0\\ \end{matrix} \right] \]

直接高斯消元即可。

P3211 [HNOI2011]XOR和路径

\(f_{i, k}\) 表示第 \(i\) 个点到 \(n\) 的期望异或和的第 \(j\) 位的期望值(即为 \(1\) 的概率)。

为什么要选择逆推?因为可能有自环,顺推时我们无法确定点 \(f_{1, k}\) 是 \(1\) 还是 \(0\),但是逆推时可以确定 \(f_{n, k} = 1\)。

那么此时:

\[f_{i, k} = \sum_{(i, j)\in\mathbb{E}}\frac{(1-w(i,j)_k)f_{j, k} + w(i,j)_k(1 - f_{j, k})}{d_i} \]

移个项:

\[\begin{aligned} &f_{i, k} = \sum_{(i, j)\in\mathbb{E}}\frac{(1-w(i,j)_k)f_{j, k}}{d_i} + \sum_{(i, j)\in\mathbb{E}}\frac{w(i,j)_k}{d_i} + \sum_{(i, j)\in\mathbb{E}}\frac{-w(i,j)_kf_{j, k}}{d_i}\\ &f_{i, k} + \sum_{(i, j)\in\mathbb{E}}\frac{w(i,j)_kf_{j, k}}{d_i} - \sum_{(i, j)\in\mathbb{E}}\frac{(1-w(i,j)_k)f_{j, k}}{d_i} = \sum_{(i, j)\in\mathbb{E}}\frac{w(i,j)_k}{d_i}\\ &f_{i, k} + \sum_{(i, j)\in\mathbb{E}}\frac{(2w(i,j)_k - 1)f_{j, k}}{d_i} = \sum_{(i, j)\in\mathbb{E}}\frac{w(i,j)_k}{d_i}\\ &d_if_{i, k} + \sum_{(i, j)\in\mathbb{E}}(2w(i,j)_k - 1)f_{j, k} = \sum_{(i, j)\in\mathbb{E}}w(i,j)\\ \end{aligned} \]

冲几个高斯消元即可。

最后答案为:

\[\sum_{i = 0}^{31}f_{n,i}\times2^{i} \]

P3750 [六省联考 2017] 分手是祝愿

首先比较显然的是最优策略是从 \(n\) 到 \(1\) 看到亮的就按掉。

不难发现最优策略中按下的按键顺序不定,只要都按过就可以。如果按了一个错误的按键,必须再按回去,因为最优策略并不包含这个键,只有再按一次这个键才能用最少次数(\(1\) 次)抵消其负面效果。

那么 \(f_{i}\) 表示需要再正确地按 \(i\) 次到需要再正确地按 \(i - 1\) 次的期望步数。

\[\begin{aligned} f_{i} &= 1\times\frac{i}{n} + (1 + f_{i + 1} + f_{i})\times\frac{n-i}{n}\\ f_{i} &= 1 + \frac{n-i}{n}f_{i + 1} + \frac{n-i}{n}f_{i}\\ \frac{i}{n}f_{i} &= 1 + \frac{n-i}{n}f_{i + 1}\\ f_{i} &= \frac{n}{i} + \frac{n-i}{i}f_{i + 1}\\ \end{aligned} \]

P3706 [SDOI2017]硬币游戏

首先为了方便,我们把“不包含任意一个同学猜的串的字符串”称为“合法串”。

\(f_i\) 表示第 \(i\) 个同学胜利的概率,\(f_0\) 表示任意长度的一个串为合法串的概率。

一个很显然的性质是,第 \(i\) 个同学胜利时的字符串一定是一个合法串加上第 \(i\) 个同学猜的串,其概率为 \(\dfrac{f_0}{2^{m}}\)。

但是 \(f_i\) 并不等于这个数,因为一个合法串的后缀和第 \(i\) 个同学猜的串的前缀可能可以组成一个别的同学猜的串!这个时候就不是第 \(i\) 个同学胜利了。

那么我们考虑算出这种情况的概率,令 \(f_0\) 与之相减即可得到 \(f_i\)。

设 \(pre_{i,j}\) 表示第 \(i\) 个同学猜的串的长度为 \(j\) 的前缀,\(suf_{i,j}\) 表示第 \(i\) 个同学猜的串的长度为 \(j\) 的后缀。

\[f_i + \sum_{j = 1}^{n}f_j\sum_{k = 1}^{m}[pre_{i, k} = suf_{j, k}]\dfrac{1}{2^{m - k}} = \dfrac{f_0}{2^{m}}\\ \]

然后冲一个高斯消元即可。

梦游中的你来到了一棵 \(N\) 个节点的树上。你一共做了 \(Q\) 个梦,每个梦需要你从点 \(u\) 走到点 \(v\) 之后才能苏醒。由于你正在梦游,所以每到一个节点后,你会在它连出去的边中等概率地选择一条走过去,为了确保第二天能够准时到校,你要求出每个梦期望经过多少条边才能苏醒。为了避免精度误差,你要输出答案模 \(10^9 + 7\) 的结果。

\(f_i\) 表示从 \(i\) 走到其父亲的期望步数,\(g_i\) 表示从其父亲走到 \(i\) 的期望步数,\(d_i\) 表示与 \(i\) 相连的点数。

\[\begin{aligned} f_i &= \frac{1}{d_i} + \sum_{j\in son_i}\frac{f_j + f_i + 1}{d_i}\\ g_i &= \frac{1}{d_{fa_i}} + \sum_{j\in son_{fa_i} \wedge j\not=i}\frac{g_i + f_j + 1}{d_{fa_i}} + \frac{g_i + g_{fa_i} + 1}{d_{fa_i}} \end{aligned} \]

化简一下:

\[\begin{aligned} f_i &= 1 + \frac{1}{d_i}\sum_{j\in son_i}f_j + \frac{(d_i - 1)f_i}{d_i}\\ g_i &= 1 + \frac{1}{d_{fa_i}}\sum_{j\in son_{fa_i} \wedge j\not=i}f_j + \frac{g_{fa_i}}{d_{fa_i}} + \frac{(d_i - 1)g_i}{d_{fa_i}} \end{aligned} \]

再进行一个移项。

\[\begin{aligned} f_i - \frac{(d_i - 1)f_i}{d_i} &= 1 + \frac{1}{d_i}\sum_{j\in son_i}f_j\\ \frac{f_i}{d_i} &= 1 + \frac{1}{d_i}\sum_{j\in son_i}f_j\\ f_i &= d_i + \sum_{j\in son_i}f_j\\ \end{aligned} \]

\[\begin{aligned} g_i - \frac{(d_i - 1)g_i}{d_{fa_i}} &= 1 + \frac{1}{d_{fa_i}}\sum_{j\in son_{fa_i} \wedge j\not=i}f_j + \frac{g_{fa_i}}{d_{fa_i}}\\ \frac{g_i}{d_{fa_i}} &= 1 + \frac{1}{d_{fa_i}}\sum_{j\in son_{fa_i} \wedge j\not=i}f_j + \frac{g_{fa_i}}{d_{fa_i}}\\ g_i &= d_{fa_i} + \sum_{j\in son_{fa_i} \wedge j\not=i}f_j + g_{fa_i}\\ g_i &= f_{fa_i} - f_i + g_{fa_i}\\ \end{aligned} \]

啊为什么这个题要写树剖这么麻烦的东西啊?哦原来有个东西叫前缀和啊。

标签:mathbb,概率,frac,sum,end,笔记,fa,期望,aligned
From: https://www.cnblogs.com/Keven-He/p/ProbabilityAndExpectation.html

相关文章

  • 2023/3/5 C#学习笔记
    实现不同版本的重载方法的定义和使用通过使用可选参数和具名参数实现编译器根据参数自动选择重载方法版本*可选参数:定义方法时为参数提供默认值,没有提供默认值的参数是必需......
  • 结构化概率模型的深度学习方法
    深度学习从业者通常与其他从事结构化概率模型研究的机器学习研究者使用相同的基本计算工具。然而,在深度学习中,我们通常对如何组合这些工具作出不同的设计决定,导致总体算法......
  • 技术管理学习笔记(二)- 能力模型
    一:建立合理的沟通通道    稳定性 通道的稳定,其重点在于双方信任, 不会因为小误会而崩解,更容易获得包容与谅解。    性能   通道的性能,在于双方的......
  • Vue3组合式API学习笔记
    setup方法与script_setup及ref响应式setup方法与script_setup在Vue3.1版本的时候,提供了setup方法;而在Vue3.2版本的时候,提供了script_setup属性。那么setup属性比setup方......
  • Linux运维DAY--3 课上笔记
    上周内容: 1.介绍Linux 2.介绍Vmware虚拟机(使用) 3.Xshell远程的连接(网络方式连接) 4.在安装一台新的CentOS7操作系统IP地址为10.0.0.100[手动|自动Cobble......
  • 基于概率论的MATLAB仿真,内容包括非共轭条件下的后验概率的推导,共轭条件下的非完备集
    1.算法描述1.1先验概率的推导        根据贝叶斯概率论可知,某一事件的后验概率可以根据先验概率来获得,因此,这里首先对事件的先验概率分布进行理论的推导。假设测......
  • 基于概率论的MATLAB仿真,内容包括非共轭条件下的后验概率的推导,共轭条件下的非完备集
    1.算法描述1.1先验概率的推导根据贝叶斯概率论可知,某一事件的后验概率可以根据先验概率来获得,因此,这里首先对事件的先验概率分布进行理论的推导。假设测量的腐蚀数据服从g......
  • Spring原理学习笔记
    Spring原理学习笔记主要从一下几个方面介绍Spring底层思想与实现逻辑:1.Bean的生命周期底层原理2.依赖注入底层原理3.初始化底层原理4.推断构造方法底层原理5.A......
  • 浅析概率、期望、方差、分布
    浅析概率、期望、方差、分布目录浅析概率、期望、方差、分布更好的阅读体验戳此进入概率定义基本公式全概率公式贝叶斯公式独立事件两事件间的独立多个事件之间的独立零阶......
  • activity学习笔记
    Activity学习笔记activiti是什么?业务流程管理(BPM)框架,开发人员可直接通过手绘流程图的方式,实现业务流程的控制。官网:http://www.activiti.org/下载:http://www.activit......