作者: KSkun

[CF16E]Fish 题解

[CF16E]Fish 题解

题目地址:Codeforces:Problem – 16E – C …

[ZJOI2015]地震后的幻想乡 题解

[ZJOI2015]地震后的幻想乡 题解

题目地址:洛谷:【P3343】[ZJOI2015]地震后的幻想乡 – 洛谷、B …

数学笔记:概率、期望

数学笔记:概率、期望

期望(Expectation)的定义

如果X是在概率空间[latex] (\Omega, F, P) [/latex]中的随机变量,那么它的期望值[latex]\mathrm{E}(X)[/latex]的定义是:
[latex display=”true”] \mathrm{E}(X) = \int_\Omega X \mathrm{d}P [/latex]
如果两个随机变量的分布相同,则它们的期望值也相同。
离散型:
如果X是离散的随机变量,输出值为[latex]x_1, x_2, \ldots[/latex],和输出值相应的概率为[latex]p_1, p_2, \ldots[/latex](概率和为1)。若级数[latex]\sum_i p_ix_i[/latex]绝对收敛,那么期望值[latex]\mathrm{E}(X)[/latex]是一个无限数列的和:
[latex display=”true”] \mathrm{E}(X) = \sum_i p_ix_i [/latex]
连续型:
如果X是连续的随机变量,存在一个相应的概率密度函数f(x),若积分[latex]\int_{-\infty}^\infty xf(x) \mathrm{d}x[/latex]绝对收敛,那么X的期望值可以计算为:
[latex display=”true”] \mathrm{E}(X) = \int_{-\infty}^\infty xf(x) \mathrm{d}x [/latex]

期望的性质

  1. [latex]\mathrm{E}(K) = K[/latex],K是任意实数
  2. [latex]\mathrm{E}(KX) = K\mathrm{E}(X)[/latex],X是随机变量,K是任意实数
  3. [latex]\mathrm{E}(X+Y) = \mathrm{E}(X) + \mathrm{E}(Y)[/latex],X和Y是在同一概率空间的两个随机变量
  4. 如果X和Y独立,则[latex]\mathrm{E}(XY) = \mathrm{E}(X)\mathrm{E}(Y)[/latex]
  5. [latex]\mathrm{E}(X) = \mathrm{E}(\mathrm{E}(X|Y))[/latex]

随机变量的独立与相关

两个事件A和B是独立的当且仅当[latex]\mathrm{P}(A, B) = \mathrm{P}(A)\mathrm{P}(B)[/latex]。
当[latex]\mathrm{E}(XY) = \mathrm{E}(X)\mathrm{E}(Y)[/latex]成立时,随机变量X和Y的协方差为0,又称它们不相关。
不相关的两个随机变量不一定独立。

全概率公式(Law of total probability)

假设{Bn: n = 1, 2, 3, …}是一个概率空间的有限或者可数无限的分割(既Bn为一完备事件组),且每个集合Bn是一个可测集合,则对任意事件A有全概率公式:
[latex display=”true”]\mathrm{P}(A) = \sum_n \mathrm{P}(A, B_n)[/latex]
又可以写成
[latex display=”true”]\mathrm{P}(A) = \sum_n \mathrm{P}(A | B_n) \mathrm{P}(B_n)[/latex]
还有
[latex display=”true”]\mathrm{P}(A) = \mathrm{E}(\mathrm{P}(A | N))[/latex]
此处N是任意随机变量。

全期望公式(Law of total expectation)

设X,Y为随机变量,下列期望和条件期望均存在,则
[latex display=”true”] \mathrm{E}(X) = \mathrm{E}(\mathrm{E}(X|Y)) [/latex]
以及
[latex display=”true”] \mathrm{E}(X) = \sum_i \mathrm{E}(X|A_i) \mathrm{P}(A_i) [/latex]

贝叶斯定理(Bayes’ theorem)

[latex display=”true”] \mathrm{P}(A, B) = \mathrm{P}(A)\mathrm{P}(B|A) = \mathrm{P}(B)\mathrm{P}(A|B) [/latex]
因此有
[latex display=”true”] \mathrm{P}(B|A) = \frac{\mathrm{P}(B)\mathrm{P}(A|B)}{\mathrm{P}(A)} [/latex]

先验概率和后验概率

在贝叶斯统计中,某一不确定量p的先验概率分布是在考虑”观测数据”前,能表达p不确定性的概率分布;一个随机事件或者一个不确定事件的后验概率是在考虑和给出相关证据或数据后所得到的条件概率。
举个例子:有两个事件A与B,P(A|B)就是A的后验概率,而P(A, B)就是A的先验概率。
这两者的关系:[latex]P(A|B) = \frac{P(A, B)}{P(B)}[/latex]
我们可以用先验概率和后验概率来定义先验期望等概念。

参考资料

拉格朗日插值法及其应用

拉格朗日插值法及其应用

概述 拉格朗日插值法常用于通过点值获得满足这些点值的多项式,是一种由点值到多项式的转换方式 …

[51Nod1716]多项式? 题解

[51Nod1716]多项式? 题解

题目地址:51Nod:多项式? 问题 – 51Nod 题目描述 现在有一个n次 …

数学笔记:泰勒公式、泰勒级数、泰勒展开

数学笔记:泰勒公式、泰勒级数、泰勒展开

别看这个标题上有三个名词,其实他们说的都是一个东西,就是下面的这个玩意:

泰勒定理(Taylor’s theorem)

设n是一个正整数。如果定义在一个包含a的区间上的函数f在a点处n+1次可导,那么对于这个区间上的任意x,都有:
[latex display=”true”]f(x) = f(a) + \frac{f'(a)}{1!}(x-a) + \frac{f”(a)}{2!}(x-a)^2 + \cdots + \frac{f^{(n)}(a)}{n!}(x-a)^n + R_n(x)[/latex]
其中的多项式称为函数在a处的泰勒展开式,剩余的[latex]R_n(x)[/latex]是泰勒公式的余项,是[latex] (x-a)^n [/latex]的高阶无穷小。
对于[latex]R_n(x)[/latex]这个东西,你可以理解为误差。

拉格朗日余项

[latex display=”true”]R_n(x) = \frac{f^{(n+1)}(\xi)}{(n+1)!}(x-\xi)^{n+1}[/latex]

泰勒公式(Taylor’s Formula)

泰勒公式是一个用函数在某点的信息来描述其在该点附近取值的公式。也就是说,是一个这个函数的多项式拟合式。函数的泰勒展开式由上面提到的泰勒定理而来,例如我们可以将[latex]e^x[/latex]在[latex]x=0[/latex]附近展开如下
[latex display=”true”]e^x \approx 1 + x + \frac{x^2}{2!} + \cdots + \frac{x^n}{n!}[/latex]
很多时候我们可以用这个方法求一些函数的近似值,例如[latex]e^x, \cos, \sin, \ln[/latex]等。

常见的展开

[latex display=”true”]\begin{aligned} \sin x &= \frac{-x}{1} + \frac{x^3}{6} + \cdots + \frac{(-1)^n x^{2n+1}}{(2n+1)!} + \cdots \\ \cos x &= 1 + \frac{-x^2}{2} + \cdots + \frac{(-1)^n x^{2n}}{(2n)!} + \cdots \\ (1+x)^m &= \sum_0^{+\infty} \frac{m(m-1)\cdots(m-n+1)}{n!}x^n \\ \ln(1+x) &= \frac{x}{1} + \frac{-x^2}{2} + \cdots + \frac{(-1)^nx^{n+1}}{n+1} + \cdots \end{aligned}[/latex]
我们说的[latex]e^{ix} = \cos x + i \sin x[/latex]就是由上述结论定义而来的。其证明参见:欧拉公式 – 维基百科,自由的百科全书。

参考资料

[NOI2001]反正切函数的应用 题解

[NOI2001]反正切函数的应用 题解

题目地址:POJ:1183 — 反正切函数的应用 题目描述 反正切函数可展开成 …

拉格朗日乘数法及其应用

拉格朗日乘数法及其应用

概述 拉格朗日乘数法是数学中一种求带限制时多元函数的极值的常用方法。下面我们介绍拉格朗日乘 …

[NOI2012]骑行川藏 题解

[NOI2012]骑行川藏 题解

题目地址:洛谷:【P2179】[NOI2012]骑行川藏 – 洛谷、BZOJ:Problem 2876. — [Noi2012]骑行川藏

题目描述

蛋蛋非常热衷于挑战自我,今年暑假他准备沿川藏线骑着自行车从成都前往拉萨。川藏线的沿途有着非常美丽的风景,但在这一路上也有着很多的艰难险阻,路况变化多端,而蛋蛋的体力十分有限,因此在每天的骑行前设定好目的地、同时合理分配好自己的体力是一件非常重要的事情。
由于蛋蛋装备了一辆非常好的自行车,因此在骑行过程中可以认为他仅在克服风阻做功(不受自行车本身摩擦力以及自行车与地面的摩擦力影响)。某一天他打算骑N段路,每一段内的路况可视为相同:对于第i段路,我们给出有关这段路况的3个参数 si , ki , vi’ ,其中 si 表示这段路的长度, ki 表示这段路的风阻系数, vi’ 表示这段路上的风速(表示在这段路上他遇到了顺风,反之则意味着他将受逆风影响)。若某一时刻在这段路上骑车速度为v,则他受到的风阻大小为 F = ki ( v – vi’ )^2(这样若在长度为s的路程内保持骑行速度v不变,则他消耗能量(做功)E = ki ( v – vi’ )^2 s)。
设蛋蛋在这天开始时的体能值是 Eu ,请帮助他设计一种行车方案,使他在有限的体力内用最短的时间到达目的地。请告诉他最短的时间T是多少。

输入输出格式

输入格式:
第一行包含一个正整数N和一个实数Eu,分别表示路段的数量以及蛋蛋的体能值。
接下来N行分别描述N个路段,每行有3个实数 si , ki , vi’ ,分别表示第 i 段路的长度,风阻系数以及风速。

输出格式:
输出一个实数T,表示蛋蛋到达目的地消耗的最短时间,要求至少保留到小数点后6位。

输入输出样例

输入样例#1:

3 10000
10000 10 5
20000 15 8
50000 5 6

输出样例#1:

12531.34496464

说明

【数据规模与约定】
对于10%的数据,N=1;
对于40%的数据,N<=2;
对于60%的数据,N<=100;
对于80%的数据,N<=1000;
对于所有数据,N <= 10000,0 <= Eu <= 108,0 < si <= 100000,0 < ki <= 1,-100 < vi’ < 100。数据保证最终的答案不会超过105。
【提示】
必然存在一种最优的体力方案满足:蛋蛋在每段路上都采用匀速骑行的方式。

题解

本题需要用到的数学姿势有:

  1. 偏导数:数学笔记:极限、导数、积分 | KSkun’s Blog
  2. 拉格朗日乘数法:拉格朗日乘数法及其应用 | KSkun’s Blog

其实这个题让我们求的就是[latex]f(v_1, v_2, \cdots, v_n) = \sum_{i=1}^n \frac{s_i}{v_i}[/latex]的最小值,且要求[latex]\sum_{i=1}^n (k_i (v_i – v’_i)^2 s_i) \leq E_u[/latex]。我们知道当不等式取等时肯定最优,则这个模型可以用拉格朗日乘数法求得极值。我们引入拉格朗日乘数[latex]\lambda[/latex],构建拉格朗日函数[latex]\mathcal{L}(v_1, v_2, \cdots, v_n, \lambda) = \sum_{i=1}^n \frac{s_i}{v_i} + \lambda(\sum_{i=1}^n (k_i (v_i – v’_i)^2 s_i) – E_u)[/latex]。对这个函数求每一个未知数的偏导,最后得到的是方程组[latex]\frac{\partial \mathcal{L}}{\partial v_i} = – \frac{s_i}{v_i^2} + 2 \lambda k_i(v_i – v’_i)s_i = 0[/latex],整理得[latex]2 \lambda k_i(v_i – v’_i)v_i^2 = 1[/latex],观察得知这个式子左边的值关于[latex]v_i[/latex]递增,故对于一个固定的[latex]\lambda[/latex]可以二分求[latex]v_i[/latex]。二分求[latex]v_i[/latex]时,要考虑上下界的问题,上界可以任意,而下界要考虑,顺风的时候肯定是至少等于风速比较好,这样这一段做功就是0,而逆风的时候总不可能开倒车吧,因此只需要在风速和0之间取最大值即可。
下面考虑[latex]\lambda[/latex]怎么搞,我们发现随[latex]\lambda[/latex]增大,[latex]v_i[/latex]减小,能量消耗减小,方案就越可能可行,因此可以考虑二分求[latex]\lambda[/latex]。

代码

// Code by KSkun, 2018/3
#include <cstdio>

#include <algorithm>

const int MAXN = 10005;
const double EPS = 1e-12, INF = 1e9;

int n;
double eu, s[MAXN], k[MAXN], u[MAXN], v[MAXN];

inline double calv(double x, int y) {
    double l = std::max(0.0, u[y]), r = INF;
    while(r - l > EPS) {
        double mid = (l + r) / 2;
        if(2.0 * x * k[y] * mid * mid * (mid - u[y]) <= 1.0) l = mid; else r = mid;
    }
    return l;
}

bool check(double x) {
    double nowe = 0;
    for(int i = 1; i <= n; i++) {
        v[i] = calv(x, i);
        nowe += k[i] * s[i] * (v[i] - u[i]) * (v[i] - u[i]);
    }
    return nowe - eu > EPS;
}

int main() {
    scanf("%d%lf", &n, &eu);
    for(int i = 1; i <= n; i++) {
        scanf("%lf%lf%lf", &s[i], &k[i], &u[i]);
    }
    double l = 0, r = INF;
    while(r - l > EPS) {
        double mid = (l + r) / 2;
        if(check(mid)) l = mid; else r = mid;
    }
    double ans = 0;
    for(int i = 1; i <= n; i++) ans += s[i] / v[i];
    printf("%.10lf\n", ans);
    return 0;
}
数学笔记:极限、导数、积分

数学笔记:极限、导数、积分

极限(Limit) 概念 c,L皆为实数,[latex]f: (- \infty, c & …