boxmoe_header_banner_img

Hello! 欢迎来到DRheEheAM的blog!

加载中

文章导读

Aug. 1st 暑假集训总结 | 概率、期望


avatar
DRheEheAM_Garylv229憨毛怪 2026-08-01 32

AI Summary

暑假集训总结概率期望,包括期望定义、贝叶斯公式应用及AGC019F题的路径计数解法。

基础知识

期望

离散型随机变量 xx 概率分布为 pi=P{x=xi}p_i=P\{x=x_i\} ,若:

E(x)=xipiE(x)=\sum x_ip_i

绝对收敛,则 E(x)E(x)xx 的期望。

连续型随机变量 xx 密度函数为 f(x)f(x) ,若:

E(x)=xf(x)dxE(x)=\int_\R xf(x)\text{d}x

绝对收敛,则 E(x)E(x)xx 的期望。

题单链接 ZR 2026 Summer C 8.1

Probability|Given (UVA11181/洛谷 UVA11181)

根据贝叶斯公式:

P(Ai|B)=P(AiB)P(B)P(A_i|B)=\frac{P(A_iB)}{P(B)}

通过公式,枚举所有情况之后计算概率。

Yes or No (Atcoder AGC019F/洛谷 AT_agc019_f)

最优策略显然是猜 Yesno 中多的那个。

l=min(n,m)l=\min(n,m) ,考虑 y=xy=x 的一条直线。我们的策略显然是在向此直线靠近,而在从 (l,l)(l,l)(1,1)(1,1) 的所有路径则代表所有的答案分布。所以我们统计所有路径经过这条直线的总和:

i=1lC2iiCn+m2ini\sum_{i=1}^l C_{2i}^iC_{n+m-2i}^{n-i}

乘以 12\frac 1 2 得到期望,加上必得的 max(n,m)\max(n,m)



评论(0)

查看评论列表

暂无评论


发表评论

DRheEheAM_Gary Blog