发现自己学的脑子都没了，重新系统的学（抄）一遍
$1 \ \ $ 鞅与鞅的停时定理
$1.1 \ $ 鞅
定义 $1.1.1.\ $ 随机过程
对于每一个参数 \(t \in T,\omega \in \Omega\) ， \(X(t,\omega)\) 是一随机变量，称随机变量族 \(X_{T}=\{X(t,\omega),t \in T\}\) 为一随机过程. 其中 \(T \subset \mathbb{R}\) 是一实数集，称为指标集， \(\Omega\) 为样本空间，同时 \(X(t,\omega)\) 一般可以简记为 \(X_t\)
\(X(t,\omega)\) 这两个参数什么意思？建议参考这个回答
参数 \(t \in T\) 一般表示时间或空间，在本文中，只考虑参数为离散时间的随机过程，即可以取 \(T=\mathbb{N}\)
定义 $1.1.2. \ $ 非降 \(\sigma\)-代数族（ \(\sigma\) 域流）
记作 \(\{\mathfrak{F}_t\}_{t \in T}\) ，表示随时间演化的信息流（ flow of information up to time t ），随机变量随着时间的增加不断地产生更多的信息。信息随时间只增不减，且要定义在 \(\sigma\)-代数上保证可测性.
那么随着时间变化而增长的这一族 \(\sigma\)-代数称为——域流
换种通俗的说法，即需要满足 \(\mathfrak{F}_{t} \subset \mathfrak{F}_{t+1}\) ，且 \(\forall t \in T\) 需要满足 \(\mathfrak{F}_t\) 为 \(\sigma\)-代数（这里放个 \(\sigma\)-代数的介绍）
还有一个比较哲学的理解看这里
定义 $1.1.3. \ $ 鞅的定义
设随机过程 \(X=\{X_n, n \in \mathbb{N}\}\) 和 \(Y=\{Y_n,n \in \mathbb{N}\}\) ，如果
\(X\) 是 \(\{\mathfrak{F}_t\}_{t \in T}\) 的
\(\forall n \in \mathbb{N},\operatorname{E}[|X_n|] < \infty\)
\(\forall n \in \mathbb{N},\operatorname{E}[X_{n+1} | Y_0, \cdots , Y_n]=X_{n}\)
则称 \(X=\{X_n, n \in \mathbb{N}\}\) 是关于 \(Y=\{Y_n,n \in \mathbb{N}\}\) 的鞅
第三条直观的意义是什么？就是无论前 \(n\) 个时刻结果如何，第 \(n+1\) 个时刻的条件期望等于已经确定的第 \(n\) 个时刻的值，如果从鞅的起源，博弈论来看，就是每次赌本期望不变
想通过实例加深理解的话可以去看论文里的随机游走的例子
$1.2 \ \ $ 鞅的停时定理
定义 $1.2.1. \ $ 随机时刻
设取值为非负整数（包括 \(+ \infty\) ）的随机变量 \(T\) ，及随机过程 \(\{X_n,n \in \mathbb{N}\}\) ，若 \(\forall n \in \mathbb{N}\) ，事件 \(\{T=n\}\) 的示性函数 \(I_{\{T=n\}}\) 仅是 \(X_0,X_1,\cdots,X_n\) 的函数，则称 \(T\) 是随机过程 \(\{X_n,n \in \mathbb{N}\}\) 的随机时刻
其实随机时刻就是随着时间推移，已知的信息越来越多，从而确定了一个时刻 \(T\) 来作出一些决策
定义 $1.2.2. \ $ 停时
若 \(T\) 是随机过程 \(\{X_n, n \in \mathbb{N} \}\) 的随机时刻，且 \(P(T < \infty)=1\) ，则称 \(T\) 是随机过程 \(\{X_n, n \in \mathbb{N} \}\) 的停时
注意停时和随机时刻的区别就是停时有界
定理 $1.2.3. \ $ 鞅的停时定理
设 \(X=\{X_n,n \ge 0\}\) 是鞅， \(T \in \mathbb{N}\) 是其停时，若有下列条件之一成立
存在 \(c \in \mathbb{N}\) 使得 \(\forall T \in \mathbb{N},|X_{n \and T}| \le c\) 几乎处处成立，其中 \(n \and T := \min (n,T)\)
\(T\) 几乎处处有界
\(\operatorname{E}[T]<\infty\) ，且存在 \(M < \infty\) 使 \(\operatorname{E}[|X_{n+1}-X_{n}| | \mathfrak{F}_n] < M\)
那么有
\[\operatorname{E}[X_{T}]=\operatorname{E}[X_0] \]
$2 \ \ $ 例题分析
在信息学竞赛中，通常题目所给定的离散随机过程都是 是 \(\{\mathfrak{F}_t\}_{t \in T}\) 的，所以构造一个鞅是可能的，同时因为大部分时候对于一个停时 \(T\) ，都有 \(\operatorname{E}[T]< \infty\) ，所以如果能构造出一个合适的鞅（即满足定理 \(1.2.3\) 的第三个条件），就可以通过定理 \(1.2.3\) 来计算一些从初态 \(X_0\) 到终态 \(X_{T}\) 过程中事件集合非常之巨大的问题
这种类型的题大部分有着非常相似的思路，接下来看几道例题大概就能理解其思路
例 $2.1 \ \ $ [CTSC2006]歌唱王国
$2.1.1 \ $ 问题描述
给定字符集 \(\Sigma\) 以及长度为 \(n\) 的串 \(X\) ，有一个初始为空的字符串 \(Y\) ，每个时刻在 \(Y\) 的末尾随机拼接 \(\Sigma\) 中的一个字符，求 \(X\) 第一次成为 \(Y\) 的后缀的期望时间
$2.1.2 \ $ 问题解析
设 \(T = \min\{m | Y[m-n+1,m]=X\}\) ，显然 \(T\) 是一个停时
设 \(t\) 个时刻后的状态后是 \(A_t\) ，我们想要构造一个势函数 \(\phi\) ，使得 \(\phi(A_t)+t\) 是个鞅，即 \(\operatorname{E}[\phi(A_{t+1})+(t+1)|A_t,\ldots,A_0]=\phi(A_t)+t\) ，也即 \(\operatorname{E}[\phi(A_{t+1})-\phi(A_t)|A_t,\ldots,A_0]=-1\)
同时只要对于所有可能的状态 \(S\) ， \(\phi(S)\) 都有界（当然大部分构造的函数都有界），那么就满足定理 \(1.2.3\) 的第三个条件，就可以应用鞅的停时定理得到
\[\operatorname{E}[\phi(A_T)+T]=\operatorname{E}[\phi(A_0)] \]故
\[\operatorname{E}[T]=\phi(A_0)-\operatorname{E}[\phi(A_T)] \]所以我们只要能构造一个满足条件的 \(\phi\) 即可，大部分题 \(\operatorname{E}[\phi(A_{t+1})]\) 只跟 \(A_{t}\) 有关，这个时候一般我们将 \(A_t\) 分为几个小状态，令 \(\phi(A_t)=\sum f(a_{t,i})\) ，但是需要分开的状态转移到下一步后的概率独立，或者能够简单的表示
这里我们就可以设 \(\phi(A_t)=\sum_{i=0}^{n}\big[Y[t-i+1,t]=X[1,i]\big]f(i)\) ，我们需要构造 \(f\) 来满足上面的条件
先考虑列出 \(\operatorname{E}[\phi(A_{t+1})|A_{t})\) 的展开式，令 \(b_{t,i}=\big[Y[t-i+1,t]=X[1,i]\big]\) ，因为只要考虑 \(t<T\) 的时候，所以可以看作 \(b_{t,n}=0\)
\[\operatorname{E}[\phi(A_{t+1})|A_{t}]=f(0)+\sum_{c=1}^{|\Sigma|}\frac{1}{|\Sigma|}\sum_{i=0}^{n-1}[X_{i+1}=c]b_{t,i}f(i+1) \]又因为 \(\operatorname{E}[\phi(A_{t+1})-\phi(A_t)|A_t]=-1\) ，故
\[\sum_{i=0}^{n}b_{t,i}f(i)=1+\sum_{c=1}^{|\Sigma|}\frac{1}{|\Sigma|}\sum_{i=0}^{n-1}[X_{i+1}=c]b_{t,i}f(i+1) \]我们将等式右边的 \(1\) 分配到每个 \(i\) ，设分配了 \(w_i\) ，同时把右式变形一下，可以得到
\[\sum_{i=0}^{n}b_{t,i}f(i)=\sum_{i=0}^{n-1}{\huge{[}}\frac{b_{t,i}f(i+1)}{|\Sigma|}+w_i{\huge{]}} \]先让对于 \(b_{t,i}=0\) 的 \(i\) ，其 \(w_i\) 都为 \(0\) ，同时考虑加强限制，若我们能满足对于所有的 \(b_{t,i}=1\) 的 \(i\) ，都有
\[f(i)=\frac{f(i+1)}{|\Sigma|}+w_i \]原条件就一定能够满足，同时因为 \(f\) 是势函数，允许在满足所有条件的前提下平移，这里因为 \(f(0)\) 没什么限制，就可以令 \(f(0)=0\) ，这时 \(w_i\) 设什么其实都足以推出所有的 \(f(i)\) 了，令 \(w_i=[i=0]\) ，就有
\[f(i)= \begin{cases} 0 & i=0 \\ -|\Sigma|^i & i>0 \end{cases} \]因为 \(\operatorname{E}[\phi(A_{T})]=\phi(A_{T})\) ，所以就能得到
\[\operatorname{E}[T]=\sum_{i=1}^{n}\big[X[1,i]=X[n-i+1,n]\big]|\Sigma|^{i} \]
例 $2.2 \ \ $ Slime and Biscuits
$2.2.1 \ $ 问题描述
$2.2.2 \ $ 问题解析
还是和例 \(2.1\) 思路相似，我们考虑构造 \(\phi(A_t)\) 满足之前讲到的条件，令 \(a_{t,i}\) 表示 \(A_t\) 状态下，第 \(i\) 个人有的饼干数
注意到如果我们只关注一个人他的饼干数变化，概率是能够比较简洁的表示的，因为他没有的饼干在谁手上并没有影响，反正都是不在他手上，所以我们就可以设 \(\phi(A_t)=\sum_{i=1}^{n}f_i(a_{t,i})\)
令 \(m=\sum\limits_{i=1}^{n}a_i\) 即总饼干数，和例 \(2.1\) 的思路一样，有
\[\operatorname{E}[\phi(A_{t+1})|A_{t}]=\sum_{i=1}^{n}{\huge{[}}\frac{a_{t,i}}{m}f_{i}(a_{t,i}-1)+\frac{(m-a_{t,i})(n-2)}{m(n-1)}f_{i}(a_{t,i})+\frac{m-a_{t,i}}{m(n-1)}f_{i}(a_{t,i}+1){\huge{]}} \]同样，有
\[\sum_{i=1}^{n}f_{i}(a_{t,i})=1+\sum_{i=1}^{n}{\huge{[}}\frac{a_{t,i}}{m}f_{i}(a_{t,i}-1)+\frac{(m-a_{t,i})(n-2)}{m(n-1)}f_{i}(a_{t,i})+\frac{m-a_{t,i}}{m(n-1)}f_{i}(a_{t,i}+1){\huge{]}} \]还是设 \(1\) 分配到每个 \(i\) 的为 \(w_{t,i}\) ，然后加强限制，得到对于所有 \(i\) 要满足
\[f_{i}(a_{t,i})=\frac{a_{t,i}}{m}f_{i}(a_{t,i}-1)+\frac{(m-a_{t,i})(n-2)}{m(n-1)}f_{i}(a_{t,i})+\frac{m-a_{t,i}}{m(n-1)}f_{i}(a_{t,i}+1)+w_{t,i} \]设 \(p_i\) 为最后第 \(i\) 个人拥有所有饼干的概率，因为无论是谁到了这个状态都会结束，所以有
\[\operatorname{E}[\phi(A_T)]=\sum_{i=1}^{n}p_{i}f_{i}(m) \]而我们现在并不知道 \(p_i\) ，所以考虑令所有 \(f_{i}\) 相等，这样就可以使得 \(\operatorname{E}[\phi(A_T)]=f(m)\)
\(f_i\) 相等，即满足对于所有的 \(i,j(i \not = j)\) 使得 \(a_{t_1,i}=a_{t_2,j}(t_1,t_2<T)\) ，都有 \(w_{t_1,i}=w_{t_2,j}\) ，比如赋个 \(w_{t,i}=\frac{a_{t,i}}{m}\) ，然后有
\[f(a)=\frac{a}{m}f(a-1)+\frac{(m-a)(n-2)}{m(n-1)}f(a)+\frac{m-a}{m(n-1)}f(a+1)+\frac{a}{m} , \quad (0 \le a<m) \]若 \(a=m\) 则这就需要解方程（而且这种基本无解），但我们只关心 \(a<m\) ，就能有
\[f(a+1)=\Big[\frac{m(n-1)}{m-a}-(n-2)\Big] f(a) - \frac{a(n-1)}{m-a} (f(a-1) +1) \]直接设 \(f(0)=0\) ，递推即可求得一个合法的 \(f\) ，时间复杂度 \(O(n+m)\)
例 $2.3 \ \ $ Slime and Biscuits Strikes Back
$2.3.1 \ $ 问题描述
游戏与例 \(2.2\) 一样，但请你计算出每个人拿到所有饼干的概率
$2.3.2 \ $ 问题解析
和例 \(2.2\) 大体思想不变，注意到有
\[\operatorname{E}[\phi(A_T)]=\sum_{i=1}^{n}p_{i}f_{i}(m) \]所以我们计算 \(p_i\) 时，让 \(f_j(c)=0,\quad (j \not = i,0 \le c \le m)\) ，直接让 \(w_{t,k}=[k=i]\) 即可，可以发现对于不同的 \(i\) ， \(f_i\) 都是一样的，所以时间复杂度也是 \(O(n+m)\)
例 $2.4 \ \ $ Dye Color
$2.4.1 \ $ 问题描述
有 \(n\) 个球，每个球初始有一个颜色 \(c_i \in [1,n]\) ，每次等概率选一个子集，将其中的球重新染色，重新染色的定义如下
- 假设这个子集里的球为 \(a_1,a_2,\cdots,a_k\) ，等概率选出一个长度为 \(k\) 的序列 \(P\) 满足 \(p_i \in [1,n]\) 且两两不同，然后让 \(c_{a_i}=p_i\)
问球第一次全部染成同一种颜色的期望时间
$2.4.2 \ $ 问题解析
注意到我们只关心每种颜色的球的个数，具体怎么分布不是很重要，所以令 \(x_{t,i}\) 表示 \(A_t\) 状态下颜色 \(i\) 的球数
同时我们还是只关注终止时间而不关注到底哪个颜色获胜，所以直接设 \(\phi(A_t)=\sum\limits_{i=1}^{n}f(x_{t,i})\) ，然后令 \(p_{x,y}\) 表示原本一个颜色的球有 \(x\) 个，重新染色一次后有 \(y\) 个的概率，同样可以得到
\[\sum_{i=1}^{n}f(x_{t,i})=1+\sum_{i=1}^{n}\sum_{x=0}^{n}p_{x_{t,i},y}f(y) \]设 \(w_{t,i}\) 为 \(1\) 的分配方式，因为所有颜色共用一个 \(f\) ，所以 \(w_{t,i}\) 还是要满足例 \(2.2\) 中的条件，比如就让 \(w_{t,i}=\frac{1}{n}\) ，然后还是缩紧限制，有
\[f(x)=\sum_{y=0}^{n}p_{x,y}f(y)+\frac{1}{n} \]观察一下可以发现若 \(y>x+1\) ，则 \(p_{x,y}=0\) ，同时我们也不需要满足 \(x=n\) 时的限制，所以可以转为
\[p_{x,x+1}f(x+1)=(1-p_{x,x})f(x)-\sum_{y=0}^{x-1}p_{x,y}f(y)-\frac{1}{n} \]令 \(f(0)=0\) ，若能求得 \(p_{x,y}\) 即可递推求得答案，而 \(p_{x,y}\) 的式子也可以列出来，有
\[\begin{align*} p_{x,y}&=\frac{1}{2^n} {\huge {[}} \binom{x}{x-y}\sum_{i=0}\binom{n-x}{i}\frac{\tbinom{n-1}{i+x-y}}{\tbinom{n}{i+x-y}}+\binom{x}{x-y+1}\sum_{i=0}\binom{n-x}{i}\frac{\tbinom{n-1}{i+x-y}}{\tbinom{n}{i+x-y+1}} {\huge {]}} \\ &=\frac{1}{2^{n}n} {\huge {[}} \binom{x}{x-y}\sum_{i=0}\binom{n-x}{i}(n-(i+x-y))+\binom{x}{x-y+1}\sum_{i=0}\binom{n-x}{i}(i+x-y+1) {\huge {]}} \\ &=\frac{1}{2^{n}n} {\huge {[}} \binom{x}{x-y}2^{n-x}(n+1)+ \Big (\binom{x}{x-y+1}-\binom{x}{x-y}\Big)(2^{n-x}(x-y+1)+2^{n-x-1}(n-x)) {\huge {]}} \end{align*} \]时间复杂度 \(O(n^2)\)
标签：停时,mathbb,phi,frac,sum,笔记,期望,operatorname From： https://www.cnblogs.com/wyzwyz/p/17154891.html