首页 > 其他分享 >朋友的朋友大概率比我的朋友多

朋友的朋友大概率比我的朋友多

时间:2024-08-05 20:18:27浏览次数:16  
标签:概率 frac 朋友 sum 期望 sigma align

\(G=(V,E)\)
度数之和:

\[2|E| \]

那么每个人的朋友期望数量:

\[E(d)=\frac{2|E|}{|V|} \]

然后随机选择某一对关系(某一条边)与某个点有关的概率,然后再从这条边选其中一个端点,
假设自己是 \(u\),然后看一下点 \(u\) 的朋友的期望朋友数量:
对于每一个点 \(v~(v\ne u)\),点 \(v\) 是 \(u\) 的朋友的概率:

\[\frac{d_v}{2|E|-d_u} \]

对于一个点 \(v\) 对于期望的贡献就是:

\[\frac{d_v^2}{2|E|-d_u} \]

这里假设自己算自己的朋友,因为自己的朋友数量等于自己的朋友数量,不影响大小比较,所以对于某个点 \(u\),好友的期望好友数量就是:

\[\sum_{v\in V}{}\frac{d_v^2}{2|E|} \]

然后拿这个值和 \(u\) 点的朋友数量作差:

\[\begin{align} \Delta_u&=\sum_{v\in V}\frac{d_v^2}{2|E|}-d_u\\ &=\sum_{v\in V}\frac{d_v^2-\frac{2|E|d_u}{|V|}}{2|E|}\\ &=\sum_{v\in V}\frac{d_v^2-E(d)d_u}{2|E|} \end{align} \]

然后 \(u\) 是随机取的,我们要求出的是 \(E(\Delta)\),所以可以将 \(d_u\) 替换成 \(E(d)\)。
那么就有:

\[\begin{align} E(\Delta)&=\sum_{v\in V}\frac{d_v^2-E(d)^2}{2|E|}\\ &=\sum_{v\in V}\frac{d_v^2+E(d)^2-2E(d)^2-2d_vE(d)+2d_vE(d)}{2|E|}\\ &=\sum_{v\in V}\frac{(d_v-E(d))^2-2E(d)(E_d-d_v)}{2|E|}\\ \end{align} \]

然后观察分子上减号之前,发现 \(E(d)\) 就是期望(平均)度数,所以前半部分就是 \(\sigma\) (方差),那么那么原式:

\[\begin{align} E(\Delta)&=\sigma-\frac{\sum_{v\in V}2 E(d)(E_d-d_v)}{2|E|}\\ &=\sigma-\frac{E(d)\times|V|-\sum_{v\in V} d_v}{|E|}\\ &=\sigma-\frac{2|E|-2|E|}{|E|}\\ &=\sigma \end{align} \]

这里 \(\sigma\) 方差显然大于等于 \(0\):
做差发现大于等于 \(0\),所以朋友的朋友的期望个数大于等于自己的朋友的期望个数
也就是:朋友的朋友大概率比我的朋友多。


省流:朋友多的人大概率是我的朋友。

标签:概率,frac,朋友,sum,期望,sigma,align
From: https://www.cnblogs.com/weirdoX/p/18343972

相关文章

  • 微信小程序开发中的朋友圈分享和社交媒体接入
    微信小程序开发中的朋友圈分享和社交媒体接入基本概念社交媒体分享作用说明示例一:基础的朋友圈分享开启分享菜单配置分享内容示例二:自定义分享内容自定义分享内容示例三:动态调整分享内容动态调整分享内容页面结构示例四:分享到其他平台分享到QQ空间页面结构示例五:使......
  • 人工智能深度学习系列—深入探索KL散度:度量概率分布差异的关键工具
    文章目录1.背景介绍2.KL散度计算公式3.使用场景4.代码样例5.总结1.背景介绍在机器学习领域,准确衡量概率分布之间的差异对于模型的性能至关重要。KL散度(Kullback-LeiblerDivergence),作为一种衡量两个概率分布差异的方法,被广泛应用于机器学习、信息论和统计学中......
  • 【2024-08-01】医生朋友
    20:00凡读书,须整顿几案,令洁净端正。将书册齐整顿放,正身体,对书册,详缓看字,子细分明读之,须要读得字字响亮,不可误一字,不可少一字,不可多一字,不可倒一字,不可牵强暗记。只要多诵遍数,自然上口,久远不忘。古人云:“读书千遍,其义自见。”谓读得熟,则不待解说,自晓其义也。      ......
  • 离散意义下的基础概率与期望
    定义概率:某个随机事件出现的可能性大小。事件\(A\)发生的概率记作\(P(A)\),其取值范围为\([0,1]\)。期望:若\(X\)是一个离散型的随机变量,可能的取值为\(x_1,x_2,\dots,x_n\),对应的概率分别为\(p_1,p_2,\dots,p_n\),那么它的期望值为\(\sum_{i=1}^np_ix_i\)。随机变......
  • L1-020 帅到没朋友 分数 20
    有前导零,末尾不能有空格,会卡格式//17'05"#include<bits/stdc++.h>usingnamespacestd;intmain(){map<string,bool>hash;intn;cin>>n;for(inti=1;i<=n;++i){intk;cin>>k;......
  • 概率论与数理统计(一)
    1.1.2样本空间和随机事件判断随机试验:1.可重复性(相同条件)2.结果可知性3.不可预言性 eg:摸小球不放回不是与实验目的有关:比如为决定比赛首发,只关注硬币正反,对硬币滚动不倒情况不关心A={}1.1.3事件之间的关系及其基本运算包含关系和事件积事件互不相容逆事件(对立事件)差......
  • 基于概率距离削减法、蒙特卡洛削减法的风光场景不确定性削减(Matlab代码实现)
     ......
  • 概率论--置信区间和置信度
    目录置信区间置信度关系与权衡置信区间的计算公式有哪些不同的变体,以及它们各自的适用情况是什么?基于正态分布的置信区间:基于t分布的置信区间:单边置信区间:如何根据不同的研究目的和数据类型选择合适的置信水平(如95%或99%)?研究目的:样本量和数据类型:风险与区间长度之......
  • 测试面试宝典(三十)—— 请你对朋友圈点赞功能进行测试
    首先,从功能方面考虑:1.测试正常点赞操作,检查是否能成功点赞,点赞后是否有相应的提示,如“点赞成功”。2.多次点赞同一内容,观察是否有正确的处理,例如只记录一次点赞。3.取消点赞功能,验证取消后点赞数是否相应减少,且再次点赞能否正常操作。其次,从性能方面:1.测试大量用户同......
  • MultiLabelBinarizer:inverse_transform 如何获得根据概率排序的标签列表?
    我正在做多标签分类,我使用MultiLabelBinarizer将标签列表转换为零和一。我可以使用inverse_transform获取标签,这是超级的。但是,如果我想根据类的概率对类进行排名,即概率越高,即使(仅)在其概率小于0.5的情况下,对标签的判断也越好。我怎样才能得到根据概率返回标签的排......