当前位置：首页 > article >正文

概率论、组合数学知识点汇总

article 2025/2/19 8:40:30

1、概率论知识点

全概率公式：如果事件B1,B2,…,Bn是样本空间的一个划分，则： $P(A) = \sum_{i=1}^n P(AB_i) = \sum_{i=1}^n P(A|B_i) P(B_i)$
贝叶斯定理： $P(B|A)=\frac{P(A|B)P(B)}{P(A)}$
协方差：协方差用来衡量两个变量之间的变化趋势是否一致，公式为 $Cov(X,Y) = E[(X-E(X))(Y-E(Y))] = E[XY] - E[X]E[Y]$
相关系数（Pearson）：标准化协方差，取值范围 [−1,1]，公式为
- 独立和相关：独立必不相关，不相关未必独立
大数定律：大数定律描述了当试验次数趋于无穷大时，随机变量的平均值趋于其期望值
中心极限定理：中心极限定理描述了当试验次数趋于无穷大时，随机变量和/均值的分布趋近于正态分布

2、常见概率分布

离散分布

二项分布：X∼B(n,p)，表示n次独立试验中成功次数的概率分布。 $P(X=k) = C(n,k) p^k (1-p)^{n-k}$
几何分布：用于描述在一系列独立的伯努利试验中，首次成功出现所需的试验次数。如果每次试验成功的概率为p，则第k次试验首次出现成功的概率为 $P(X=k)=(1-p)^{k-1}p$ ，几何分布期望为 $\frac{1}{p}$ ，方差为 $\frac{1-p}{p^2}$
泊松分布：X∼Poisson(λ)，表示单位时间内事件发生的次数的概率分布。 $P(X=k) = \frac{\lambda^ke^{\lambda}}{k!}$

连续分布

均匀分布：X∼U(a,b)，概率密度函数为： $f(x)=\frac{1}{b-a}$
正态分布：X∼N(μ,σ^2)，概率密度函数为： $f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x - \mu)^2}{2\sigma^2}\right)$

3、组合数学知识点

排列与组合

排列：从n个元素中取出k个元素有序排列的方案数 $P(n,k) = \frac{n!}{(n-k)!}$
组合：从n个元素中取出k个元素无序组合的方案数 $C(n,k) = \frac{n!}{k!(n-k)!}$
重要性质：
- 递推公式： $C(n,k) = C(n-1,k-1) + C(n-1,k)$
- 二项式定理： $(a + b)^n = \sum_{k=0}^n C(n,k)a^kb^{n-k}$

鸽巢原理（抽屉原理）

基本形式：将n个物品放入k个容器，若n>k，则至少有一个容器包含超过一个物品
一般形式：如果有n个物品放入k个容器中，则至少有一个容器中包含至少⌈n/k⌉个物品
作用：鸽巢原理是一个非常直观的概念，尽管简单，但在组合数学、数论和计算机科学中有广泛的应用。它可以用于证明某些存在性问题，即证明某种情况必然存在，而不需要构造具体的例子

球盒问题

问题类型	公式	示例
球相同，盒子不同，允许空盒	C(n+k−1, k−1)	方程 x1+x2+⋯+xk=n 的非负整数解数
球相同，盒子不同，不允许空盒	C(n-1, k-1)	方程 x1+x2+⋯+xk=n 的正整数解数
球不同，盒子相同，允许空盒	第二类斯特林数S(n,k)	集合划分问题

第二类斯特林数

定义：表示将n个不同的元素划分为k个非空且无序集合的方式数，记作S(n,k)
递推公式： $S(n,k) = S(n-1,k-1) + k S(n-1,k)$
- 解释：第n个元素单独成一组：S(n−1,k−1)；第n个元素加入已有的k组中的任意一组：kS(n−1,k)
边界条件：S(n,1)=1；S(n,n)=1；S(n,k)=0 (若k>n)

卡特兰数

卡特兰数是组合数学中的一组重要数列，广泛应用于解决各种计数问题
显式公式： $C_n = \frac{1}{n+1}C(2n, n)$
递推公式： $C_n = \sum_{i=0}^{n-1} C_i*C_{n-1-i}$
应用：
- 给定n对括号，卡特兰数表示所有合法的括号组合的数量
- 给定n个不同的树节点，卡特兰数表示具有n个节点的不同二叉搜索树的数量

4、常见题型

几何概率：一根木棒，截成三截，组成三角形的概率是多少？
- 设木棒的总长度为1，随机截断两次，得到两个截点x和y（假设x<y）
- 三截木棒的长度分别为x、y-x、1-y，三角形不等式转化为x<0.5,y<x+0.5,y>0.5
- (x,y)分布区域总面积1/2，可行区域面积1/8，所以组成三角形的概率为1/4
随机变量问题：设X和Y是独立同分布的随机变量，求 Z=X+Y的分布
- 对于两个独立随机变量X和Y，它们的和Z=X+Y的概率密度函数可以通过卷积公式计算： $f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) f_Y(z-x) dx$
概率与算法结合：设计一个随机算法，从一个未知长度的数据流中均匀随机选择m个元素
- 蓄水池抽样算法：假设总共有n个元素，对于第k个元素（k > m），它被选中的概率是m/k，之后每个后续元素j（j > k）都有1 - m/j * 1/m = 1 - 1/j的概率不替换掉第k个元素。所以，第k个元素最终留在蓄水池中的概率是m/k * [k/(k+1)] * [(k+1)/(k+2)] * ... * (n-1)/n) = m/n
期望计算：抛一个六面的色子，连续抛直到抛到6为止，问期望的抛的次数是多少？
- 思路1： $E = p * 1 + (1 - p) * (1+E) \Rightarrow E = 1/p = 6$
- 思路2：根据几何分布的期望为1/p，得到答案
期望计算：假设有一个六面骰子，求掷出所有面至少一次所需的期望次数
- 分阶段计算在收集到 i−1 种不同优惠券后，再收集到第 i 种新优惠券所需的期望次数。将各阶段的期望次数累加起来，得到总的期望掷骰次数： $\sum_{i=1}^{6} 6/i$
期望计算：一个木桶里面有m个白球，每分钟从桶中随机取出一个球涂成红色（无论白或红都涂红）再放回，问将桶中球全部涂红的期望时间是多少？
- 设E(k)表示桶中还有k个白球时，将所有球涂红的期望时间
- 每次涂红一个球时，有两种可能：涂红一个白球：概率为k/m，状态从k转移到k-1；涂红一个红球：概率为(m-k)/m，状态仍为k
- 因此，期望时间E(k)满足递推关系： $E(k) = 1+\frac{k}{m}E(k-1) + \frac{m - k}{m}E(k) \Rightarrow E(k)=\frac{m}{k}E(k-1)$ ，所以答案 $E(m) =m(\frac{1}{m} + \frac{1}{m - 1} + \frac{1}{m-2} + ... + 1)$
贝叶斯问题：已知某疾病的发病率为 0.1%，检测准确率为 99%，求检测结果为阳性时实际患病的概率
- 贝叶斯公式 + 全概率公式
概率计算（生日问题）：假设有n个人（n <= 365），每个人的生日在一年中的任意一天，在这n个人中，至少有两个人生日相同的概率是多少？

$P = 1 - \prod_{i=1}^n \frac{365 - i + 1}{365}$
概率计算：54张牌，平均分成三堆，大小王在同一堆的概率？
- 固定大王的位置，计算小王与大王的相对位置关系。大王所在的堆已有1张牌，剩余17个空位，小王需从剩下的53个位置中选择与大王同一堆的17个位置，所以概率为17/53
概率计算（脑筋急转弯）：一个桶里面有白球、黑球各100个，现在按下述规则取球：1）每次从桶里面拿出来两个球；
2）如果取出的是两个同色球，就再放入一个黑球；3）如果取出的是两个异色球，就再放入一个白球。最后桶里面只剩下一个黑球的概率是多少？
- 白球数量始终保持偶数，剩下一个黑球的概率100%