概率期望小記
目錄
前言·參考資料
這裡介紹 OI 中常見的簡化了的離散概率理論。
很多初學者覺得概率期望難, 大多數情況下並不是初學者智商上的鍋, 是資訊源質量奇差的鍋, 當然本文就是那些傻逼資訊源的其中之一……
參考資料:
《淺析資訊學競賽中概率論的基礎與應用》胡淵鳴 (寫得不好 ,相互獨立的離散期望的乘積等於乘積的期望的證明有大的漏洞)
《具體數學》 正道的光, 我認為最好的教程
《演算法競賽進階指南》主要習題來源
《演算法競賽入門經典 訓練指南》主要習題來源
概率
定義
把一個隨機實驗的某種可能結果稱為 樣本點, 所有樣本點構成的集合稱為 樣本空間, 通常記為 \(\Omega\) (\Omega
) 。一個 隨機事件 是樣本空間的一個子集, 記所有隨機事件的集合為 \(F\) 。
記概率測度 \(P : F \rightarrow \Bbb R\) , 其需要滿足以下三條公理:
1.對於任意事件 \(A\) , 有 \(P(A) \ge 0\)
2.\(P(\Omega) = 1\)
3.對於事件 \(A\) 和 \(B\) , 若 \(A \cap B = \emptyset\) , 則 \(P(A\cup B) = P(A) + P(B)\)
條件概率
記事件 \(B\) 發生的前提下, 事件 \(A\) 發生的概率為 \(P(A\mid B)\) 。
\[P(A \mid B) = \dfrac{P(AB)}{P(B)} \]
\(P(A\cap B),\)\(P(AB)\) , \(P(A,B)\) 都表示事件 \(A\) 和事件 \(B\) 同時發生的概率。
全概率公式
如果 \(B_1 \cdots B_k\) 是對樣本空間的一個劃分, 那麼
\[P(A) = \sum_{1\le i \le k} P(A\mid B_i) P(B_i) \]
貝葉斯(Bayes)公式
由於 \(P(A\mid B)P(B) = P(AB) = P(B\mid A)P(A)\)
\[P(A\mid B) = \dfrac{P(B \mid A)P(A)}{P(B)} \]
期望
隨機變數
函式 \(X : \Omega \rightarrow \Bbb R\) 被稱為一個隨機變數。
隨機變數的期望
對於一個隨機變數 \(X\) , 定義其期望為
\[E[X] = \sum_{\omega \in \Omega} P(\omega)X(\omega) \]
對於 \(\{\omega\mid \omega\in \Omega, X(\omega)=x\}\) , 可以記為 \(X=x\) 。
顯然 \(E[X]\) 也可以表示為
\[\sum_{x \in X(\Omega)}x\sum_{\omega \in X=x} P(\omega) \]
\(X(\Omega)\) 是隨機變數 \(X : \Omega \rightarrow \Bbb R\) 的值域。
\(\sum\limits_{\omega \in X=x} P(\omega)\) 可以寫成 \(P(X=x)\) 。
隨機變數的獨立性和兩個隨機變數乘積的期望
對於兩個隨機變數 \(X_1\) 和 \(X_2\) , 如果對於任意 \(x_1 \in X_1(\Omega)\) 和 \(x_2 \in X_2(\Omega)\) 都有 \(P(X_1=x_1, X_2=x_2) = P(X_1=x_1)P(X_2=x_2)\) , 就稱 \(X_1\) 和 \(X_2\) 相互獨立。
對於兩個隨機變數 \(X_1\) 和 \(X_2\) , 它們的積 \(X_1X_2\) 是一個隨機變數 \(X_1X_2 : \Omega \rightarrow \Bbb R\) , 滿足 \((X_1X_2)(\omega) = X_1(\omega)X_2(\omega)\) 。
兩個獨立的隨機變數的積的期望等於這兩個隨機變數期望的積, 證明如下:
\[E[X_1X_2] = \sum_{\omega\in\Omega}X_1(\omega)X_2(\omega)P(\omega) \\ =\sum_{x_1\in X_1(\Omega)} \sum_{x_2 \in X_2(\Omega)} x_1x_2 P(X_1=x_1,X_2=x_2) \\ = \sum_{x_1\in X_1(\Omega)} \sum_{x_2 \in X_2(\Omega)} x_1x_2 P(X_1=x_1)P(X_2=x_2) \\ = E[X_1]E[X_2] \]
期望的線性性
對於兩個隨機變數 \(X_1\) 和 \(X_2\) , 它們的和是一個隨機變數 \(X_1+X_2 : \Omega \rightarrow \Bbb R\) , 滿足 \((X_1+X_2)(\omega) = X_1(\omega) + X_2(\omega)\) 。
不管兩個隨機變數 \(X_1\) 和 \(X_2\) 是否獨立, 總有:
\[E[\alpha X_1 + \beta X_2] = \alpha E[X_1] + \beta E[X_2] \]
證明如下:
\[E[X_1+X_2] = \sum_{\omega\in\Omega} P(\omega)(X_1+X_2)(\omega) \\ = \sum_{\omega\in\Omega} P(\omega)[X_1(\omega)+X_2(\omega)] \\ = \sum_{\omega\in\Omega} P(\omega)X_1(\omega)+\sum_{\omega\in\Omega} P(\omega)X_2(\omega) \\ = E[X_1] + E[X_2] \tag{1} \]
\[E[cX] = \sum_{\omega\in\Omega} P(\omega)cX(\omega) = cE[X] \tag{2} \]
全期望公式
不會證。也不知道是啥。
訓練指南里給出的一個定義是:把所有情況不重不漏分成若干類, 每類計算期望, 然後按概率加權求和。似乎很顯然, 以後再證。
題目
UVA11427 玩紙牌
每晚都玩紙牌, 單局遊戲獲勝的概率是 P, 每次遊戲結束後, 計算獲勝局數和總局數的比, 如果嚴格大於 P 就睡覺, 明晚繼續玩。 每晚最多玩 n 局, 如果第 n 局結束後, 勝局比還是不超過 P, 就再也不玩紙牌了。計算玩紙牌次數的期望。
首先計算每晚再也不玩紙牌的概率 Q 。設 f(i,j) 表示前 i 局勝局比都不超過 P, 一共獲勝 j 局的概率, 有:f(i,j) = f(i-1,j)(1-P) + f(i-1,j-1)P (當 j/i<=p時), f(i,j) = 0 (其他情況), 邊界為 f(0,0)=1, f(0,1)=0。 則 Q = \(\sum_if(n,i)\) 。
設隨機變數 X 為玩遊戲的天數, 則:
\[E[X] = Q + 2Q(1-Q) + 3Q(1-Q)^2 + \cdots + kQ(1-Q)^{k-1} + \cdots \]
\[E[X]/Q - E[X](1-Q)/Q = (1-Q)+(1-Q)^2+(1-Q)^3+\cdots = E[X] = 1/Q \]
UVA11762 得到 1
給出一個整數 N, 每次在不超過 N 的素數中隨機選擇一個 P, 如果 P | N, 則把 N 變成 N/P, 否則 N 不變。 問期望多少次把 N 變成 1?
設 f(i) 為當前數為 i 時期望多少次變成 1 。p(i) 為不超過 i 的素數有多少個, g(i) 為不超過 i 且是 i 的約數的素數有多少個。
\[f(i) = 1+\frac{p(i)-g(i)}{p(i)}f(i) + \sum_{d是i的素因子} \frac{1}{p(i)}f(\frac{i}d) \\ [1-\frac{p(i)-g(i)}{p(i)}]f(i) = 1 + \sum_{d是i的素因子} \frac{1}{p(i)}f(\frac{i}d) \\ f(i) = \frac{p(i)}{g(i)}[ 1 + \sum_{d是i的素因子} \frac{1}{p(i)}f(\frac{i}d)] \\ f(i) = {p(i)+\sum\limits_{d是i的素因子} f(\frac{i}d) \over g(i)} \]