problem

有 nnn 个随机数生成器,第 iii 个生成器可以均匀随机地生成 [Li,Ri][L_i,R_i][Li​,Ri​] 内的一个实数

现在你要玩个游戏,从第 111 个生成器到第 nnn 个生成器,每次当前生成器会生成一个数,你需要选择

  1. 相信鲁迅,拿走这个数,游戏结束。
  2. 相信鲁迅,放弃这个数和这个生成器,使用下一个生成器(前提是下一个生成器必须存在)。

求使用使得期望答案最大的策略时,期望答案是多少。

solution

observation:对于一个均匀随机生成 [Li,Ri][L_i,R_i][Li​,Ri​] 的生成器,生成数的期望为 Li+Ri2\frac{L_i+R_i}{2}2Li​+Ri​​。

显然,如果上一个生成器产生的期望为 xxx,下一个生成器产生数的期望 yyy,且 x<yx<yx<y,肯定是选择下一个生成器。

更一般地,从后往前推。

设 fi:f_i:fi​: 从第 iii 个生成器开始游戏得到的最大期望。

比较与 Li−1,Ri−1L_{i-1},R_{i-1}Li−1​,Ri−1​ 的大小关系。

  • fi>Ri−1f_{i}>R_{i-1}fi​>Ri−1​,则 fi−1=fif_{i-1}=f_{i}fi−1​=fi​
  • fi<Li−1f_{i}<L_{i-1}fi​<Li−1​,则 fi−1=Li−1+Ri−12f_{i-1}=\frac{L_{i-1}+R_{i-1}}{2}fi−1​=2Li−1​+Ri−1​​
  • otherwise\text{otherwise}otherwise,k=fi−Li−1Ri−1−Li−1⇒fi−1=k∗fi+(1−k)∗(fi+Ri−1)2k=\frac{f_{i}-L_{i-1}}{R_{i-1}-L_{i-1}}\Rightarrow f_{i-1}=k*f_{i}+(1-k)*\frac{(f_i+R_{i-1})}{2}k=Ri−1​−Li−1​fi​−Li−1​​⇒fi−1​=k∗fi​+(1−k)∗2(fi​+Ri−1​)​

计算方法就是加权平均。

code

#include <cstdio>
#include <iostream>
using namespace std;
#define double long double
#define maxn 1000005
#define eps 1e-7
int n;
double l[maxn], r[maxn], f[maxn];int main() {freopen( "pag.in", "r", stdin );freopen( "pag.out", "w", stdout );scanf( "%d", &n );for( int i = 1;i <= n;i ++ ) scanf( "%Lf %Lf", &l[i], &r[i] );f[n] = ( l[n] + r[n] ) / 2;for( int i = n - 1;i;i -- ) {if( f[i + 1] - r[i] >= eps ) f[i] = f[i + 1];else if( f[i + 1] - l[i] >= eps ) {double k = ( f[i + 1] - l[i] ) / ( r[i] - l[i] );f[i] = k * f[i + 1] + ( 1 - k ) * ( r[i] + f[i + 1] ) / 2;}else f[i] = ( l[i] + r[i] ) / 2;}double ans = 0;for( int i = 1;i <= n;i ++ ) ans = max( ans, f[i] );printf( "%.5Lf\n", ans );return 0;
}

聚烷撑乙二醇(数学+期望)相关推荐

  1. python 数学期望_python机器学习笔记:EM算法

    完整代码及其数据,请移步小编的GitHub 传送门:请点击我 如果点击有误:https://github.com/LeBron-Jian/MachineLearningNote EM算法也称期望最大化 ...

  2. 随机变量的数字特征(数学期望,方差,协方差与相关系数)

    戳这里:概率论思维导图 !!! 数学期望 离散型随机变量的数学期望 (这里要求级数绝对收敛,若不绝对收敛,则E(X)不存在) 如果有绝对收敛,则有 ,其中 连续型随机变量的数学期望 (这里要求绝对收敛 ...

  3. 解题报告(一)F、(2018 ACM - ICPC shenyang I)Distance Between Sweethearts(数学期望 + 乘法原理 + FWT)(4.5)

    繁凡出品的全新系列:解题报告系列 -- 超高质量算法题单,配套我写的超高质量题解和代码,题目难度不一定按照题号排序,我会在每道题后面加上题目难度指数(1∼51 \sim 51∼5),以模板题难度 11 ...

  4. R语言:求二维变量数学期望

    想做一个二维变量数学期望实验, 查看若干资料终于找到方法 先看这篇文章熟悉一下R的函数 http://www.cyclismo.org/tutorial/R/tables.html 构造数据 通过下面 ...

  5. hdu 5419(数学期望)

    题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=5419 题解: 首先分母是C(m,3),考虑如何求出分子 考虑数学期望的独立性,我们首先可以用线性的时间 ...

  6. 概率论-2.2 随机变量的数学期望(重点:随机变量X的期望)

    分布有关的特征数:均值,方差,分位数等 期望的定义: 设离散随机变量X的分布列为pi=p(xi)=P(X=xi),i=1,2,-,n 若Sum(| xi |*p(xi))收敛(等价于Sum( xi * ...

  7. jzoj3801-[NOIP2014模拟8.23]骰子【数学期望】

    正题 题目链接:https://jzoj.net/senior/#main/show/3801 题目大意 mmm面的骰子是1∼m1\sim m1∼m,然后丢nnn次,求最大值的数学期望. 解题思路 若 ...

  8. HDU - 4586 数学期望

    题意 有一个骰子有n个面,掷到每一个面的概率是相等的,每一个面上都有相应的钱数.其中当你掷到某些面 一共m个面之一时,你有多掷一次的机会.问最后所得钱数的期望. 分析 数学期望是什么 数学期望就是一种 ...

  9. 几何分布的期望和方差公式推导_超几何分布的数学期望与方差推导

    考虑 个外表相同的物品,其中有 个同类物品与另一类的 个物品:抽取 个物品,每个物品的抽取等概率随机. 上述便是一个超几何分布(Hypergeometric Distribution)的基本模型. 抽 ...

最新文章

  1. 如何自学Python?这本技术大咖推荐Python书籍,就是你的第一选择
  2. 一次mysql瘫痪解救
  3. Google Brain与牛津大学主持最新《计算机视觉前沿》报告(146页PPT)
  4. Windows下32位汇编语言读取键盘输入单字符
  5. HttpClient 使用
  6. 怎样进入服务器修改东西,进入服务器修改数据库
  7. UrlReWriter 使用经验小结
  8. Sqoop数据迁移工具的使用
  9. 学计算机辐射,离散数学对计算机专业系统知识辐射作用.doc
  10. ShiftViT用Swin Transformer的精度跑赢ResNet的速度,论述ViT的成功不在注意力!
  11. 恭喜我司李震博士被聘为南京航空航天大学兼职教授
  12. 内蒙古农业大学微型计算机,内蒙古农业大学微机原理重点
  13. iOS通过ASIHTTPRequest提交JSON数据
  14. java jsessionid 会话_jsessionid 对JAVA WEB jsessionid的剖析
  15. 教你电脑微信多开方法,超级简单_多啦咪
  16. c语言程序中如何用超链接,使用id引用超链接
  17. OpenVINO之链接库
  18. 很多程序员都没搞明白的时间与时区知识 - 24时区/GMT/UTC/DST/CST/ISO8601
  19. ixgbe 驱动安装
  20. SAP Memory ABAP Memory超级详细解析

热门文章

  1. 人工智能路上,怎么能少了它!
  2. bat脚本中获取上级目录_使用Python写一个可以监控Tomcat 运行的脚本,并且把.py文件转换成.exe文件...
  3. 增长率不用计算机,事业单位行测:这类资料分析题根本不用计算
  4. 计算机表演赛新疆赛区,【图】第二十六届中国儿童青少年威盛中国芯HTC计算机表演赛“中国电信天翼杯”新疆赛区总决赛圆满结束_乌鲁木齐教育信息网...
  5. SimpleXMLRPC_python xmlrpclib SimpleXMLRPCServer 模块
  6. 如何查询服务器是否安装系统时间,如何查看系统当前的NTP配置?
  7. win7美化_Potplayer64位美化版,无棒子的tv推送
  8. echarts 地图自定义图标_DMKB08:Echarts 分段设色
  9. java实用教程——常用实用类——String类(字符串类)
  10. pytorch tensor 初始化_PyTorch简明笔记[1]-Tensor的初始化和基本操作