[离散概率理论]

UVA - 11021 Tribles GRAVITATION, n. “The tendency of all bodies to approach one another with a strength proportion to the quantity of matter they contain – the quantity of matter they contain being ascertained by the strength of their tendency to app

POJ3869 Headshot 题意:给出左轮手枪的子弹序列,打了一枪没子弹,要使下一枪也没子弹概率最大应该rotate还是shoot 条件概率,|00|/(|00|+|01|)和|0|/n谁大的问题 |00|+|01|=|0| 注意序列是环形 // // main.cpp // poj3869 // // Created by Candy on 25/10/2016. // Copyright © 2016 Candy. All rights reserved. // #include <i

直接扣一枪没子弹的概率是一个条件概率,等于子串00的个数除以00和01总数(也就是0的个数),转一下再扣没子弹的概率等于0的比率. 设子串00的个数为a,0的个数为b,则两个概率分别为a/b和b/n,问题就是比较a*n和b*b. #include<cstdio> #include<cstring> const int maxn=105; char s[105]; int cnt0,cnt1,cnt2,cnt3; int main() { while(scanf("%s&q

用九元组表示当前状态,即每队牌剩的张数,状态总数为5^9=1953125. 设d[ i ]表示状态i对应的成功概率,则根据全概率公式,d[ i ]为后继成功概率的平均值,按照动态规划的写法计算即可. 既然求的是成功的平均概率. 拿 第一行来说  点数可能是 1 2 3 4 5 6 7 1  1. 那么 取走 第一位的1 和倒数第二位1的成功概率为p1 第一位与最后一位为p2 最后两位为p3 那么平均概率为 (p1+p2+p3) / 3: 自然后面每次情况都是这样. 递归求解.   用 九维数组来

今天推荐的是篇老帖,南京大学sir先生的<胡侃>以及后来的两篇补充帖子.算算是十几年前的帖子了,我知道帖子出自南京大学的BBS,百度了一下,却没有翻到原文.不过百度到了一大堆不负责任的转帖,我想我这也不算是抄袭了吧.当年有一位我很尊敬的学长给我推荐的这篇文章,让我受益匪浅(学长当年年轻气盛因为这事还吃过不少亏,他自己一直很内疚). 这几篇帖子适用于学习计算机理论,对于大学本科想要好好学计算机的同学,或者是工作后想要系统的学习计算机及数学理论的同学很有帮助. ==========转载需要分隔线=

我们先从一个看起来简单的问题说起: 假设有一枚均匀的硬币,用 H表示正面,T表示反面.反复地抛掷这枚硬币会得到一个由 H 和 T 组成的随机序列.问题是:平均需要掷多少次硬币,才能得到 THTHT 这个模式? 比如说掷硬币的结果是 HTTHTHT,那么总共用了 7 次才得到 THTHT 这个模式.而如果结果是 THHTTHTHT,则总共用了 9 次. 一个令人惊讶的事情是,同样长度的两个模式,它们的首次出现时间的期望是可以不同的.在这个问题中,答案是平均需要掷 42 次才能得到 THTHT 这个

概率是一种基于事件发生可能性来描述未来趋势的数学工具.其本质就是通过过去已经发生的事情来推断未来事件,并且将这种推断放在一系列的公理化的数学空间当中进行考虑.例如,抛一枚均质硬币,正面向上的可能性多大?概率值是一个0-1之间的数字,用来衡量一个事件发生可能性的大小.概率值越接近于1,事件发生的可能性越大,概率值越接近于0,事件越不可能发生.天气预报员通常会使用像"明天80%的可能性会下雨"这样的术语来对降雨进行预测,这里70%或者0.7就是下雨的概率.在现实生活中,要么下雨,要么不下雨

现代的骰子流行于中世纪, 文艺复兴时期浪子梅雷爵士提出了一个数学难题: 一个骰子抛掷4次, 至少一次是6点, 两个骰子抛掷24次, 至少一次是双6点;那种机会更多? 正常思维,对于这两种情形的赌博, 机率相同: 一个骰子:抛掷一次出现6点的机率=1/6,抛掷四次出现6点的机率=4x(1/6)=2/3 两个骰子:抛掷1次出现双6点的概率为1/36, 抛掷24次出现6点的机率为=24x(1/36)=2/3 但实际上第二种情形的赌博, 失败的次数更多. 梅雷爵士向他的朋友——天才布莱兹.帕斯卡(162

一.Sparse Coding稀疏编码 稀疏编码算法是一种无监督学习方法,它用来寻找一组“超完备”基向量来更高效地表示样本数据.稀疏编码算法的目的就是找到一组基向量 ,使得我们能将输入向量 表示为这些基向量的线性组合: 也就是 虽然形如主成分分析技术(PCA)能使我们方便地找到一组“完备”基向量,但是这里我们想要做的是找到一组 “超完备” 基向量来表示输入向量 (也就是说,k > n).超完备基的好处是它们能更有效地找出隐含在输入数据内部的结构与模式.然而,对于超完备基来说,系数 ai 不再由输