这个数学知识点很容易和其他有关的内容结合起来考。其中有几个性质值得我们注意。
1.1 概率定义
我们经常会做一些随机性的实验。实验往往会给出不同的结果，我们称之为样本点。我们把所有样本点构成的集合叫做样本空间，记为\(\Omega\)。
在这个样本空间里，我们称一个随机事件是样本空间\(\Omega\)的子集。这里算是扫清了过去的知识盲区：随机事件是一个集合，而不是真的是一个概念上的事件。
对于一个随机事件\(A\)，我们可以定义一个数来衡量它在样本空间的“比重”，那就是概率。随机事件\(A\)的概率记作\(P(A)\)。由于每个随机事件包含一系列样本点，而样本点是一个随机的结果，故概率\(\text{P}(A)\)可以看作是随机事件中，所有样本点发生的可能性。
概率有如下几个性质：
- \(\text{P}(A) \geqslant 0\)
- \(\text{P}(\Omega) = 1\)
- 对于若干个两两互斥事件 $A_1,A_2,\cdots $ ，有 \(\sum \text{P}(A_i) = \text{P}(\bigcup A_i)\)。
所谓的两两互斥，指的是\(\bigcap A_i = \varnothing\) ，即没有公共的样本点。
条件概率。有些随机事件可能有相互关联和依赖的关系。我们把”在事件\(B\)发生的条件下，\(A\)的概率“记作\(\text{P}(A | B)\)。注意到条件是放在后面的。
如果我们把\(A,B\)事件同时发生记作\(AB\)，那么我们有：\(\text{P}(AB)=\text{P}(A)\text{P}(B | A) = \text{P}(B)\text{P}(A | B)\)
如果消去\(\text{P}(AB)\)，我们就可以得到一个公式：
\[
\text{P}(A | B)=\dfrac{\text{P}(A)\text{P}(B | A)}{\text{P}(B)}
\]
这个是贝叶斯公式的简单形式。它的完整形式如下：
\[
P(B_i | A) = \dfrac{P(B_i) P (A | B_i)}{\sum_{j=1}^n P(B_j)P(A | B_j)} \tag{1}
\]
公式摘自百度百科。可以自行查找有关资料。
除此之外，我们还有全概率公式：
\[
P(B) = \sum_{i=1}^n P(A_i)P(B | A_i) \tag{2}
\]
其中\(A_1,A_2,\cdots,A_n\)两两互斥，且构成样本空间。
在之后的概率DP中，这种思想会得到体现。在求数学期望的时候，除了要算上“选取方案”的概率\(p\)，还要算上"不选取方案"的对应概率\(1-p\)。
随机变量
一种函数。更准确地来说，是一种映射，从样本空间到实数域的映射，也就是\(X : \Omega \rightarrow \mathbb{R}\)。
随机变量可以看成“记录实验的参数”。它分为离散型和连续性。鉴于后者的计算要用到积分，现阶段我们只研究前者。
如果随机变量的取值$X = x_1 , x_2 , \cdots \(，那么\)X = x_i\(就是一个随机事件。每一个取值都可以对应一个概率\)p_i = P(X = x_i)$。
数学期望
随机变量“最有可能的取值”，记作\(E(X)\)。按照定义，其计算方式为：
\[
E(X) = \sum_{i = 1} ^{k} p_i x_i
\\ X = x_1 , x_2 , \cdots , x_k
\]
显然的，有时候随机变量的值是实际上根本取不到的。但多次实验之后，随机变量的值和它的数学期望是最为接近的。
数学期望，同样的，是个函数。（但如果随机变量也是个函数，数学期望就应叫做“泛函”了。）它是一个线性函数，而且满足：
\[
E(aX + bY) = aE(X)+bE(Y)
\]
其中\(a,b\)是常数。
随机变量的常数可以看做“事件的叠加”，即“重复试验，再将取值求和”。举个例子，\(X\)如果表示投掷一枚骰子的点数，那么\(2X\)就表示投出两枚骰子的点数和。这样计算会更为方便。
\[
E(X) = \dfrac{1+2+3+4+5+6}{6} = \frac{7}{2}
\\ E(2X) = 7
\]
可以自己用两个骰子模拟一下，看看投出的点数和是不是和\(7\)比较接近。
概率论在动态规划中的应用
概率DP。这算是比较常见的一类DP。
概率DP的转移比较有特点：一般都是逆推为主。
考虑一个表示数学期望的状态\(f<state>\)。
到终态\(T\)时的期望\(f<T>\)一般比较好求，可以直接算出来。
由状态\(state\)转移到后继状态\(state_1 , state_2 , \cdots\)，转移的概率分别是\(p_1,p_2,\cdots,\)有：
\[
f<state> \rightarrow
\begin{cases}
f<state_1>p_1
\\ f<state_2>p_2
\\ \vdots
\end{cases}
\]
我们根据概率的定义，可以得到DP的大致方程：
\[
f<state> = \sum p_i f<state_i>
\]
其中\(state_i\)是\(state\)的后继状态。
根据终态\(f<T>\)就可以逆推出\(f<S>\)了。
原文地址：https://www.cnblogs.com/LinearODE/p/10809021.html