用户工具

站点工具


2020-2021:teams:intrepidsword:zhongzihao:conclusion

差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

两侧同时换到之前的修订记录 前一修订版
后一修订版
前一修订版
2020-2021:teams:intrepidsword:zhongzihao:conclusion [2021/01/24 15:05]
toxel add
2020-2021:teams:intrepidsword:zhongzihao:conclusion [2021/03/26 11:41] (当前版本)
toxel Irwin–Hall distribution
行 122: 行 122:
  
 设 $p(n)$ 为将 $n$ 写成若干个正整数和的方案数,若 $i$ 为自然数,称 $\frac{3i^{2}-i}{2}$ 和 $\frac{3i^{2}+i}{2}$ 为广义五边形数,并定义 $f(\frac{3i^{2}-i}{2}) = f(\frac{3i^{2}+i}{2}) = i$,则 $p(n) = \sum_{u,1 \le u \le n}(-1)^{f(u) - 1}p(n-u)$,其中 $u$ 为广义五边形数。$\displaystyle{\phi(x)=\prod_{i=1}^{\infty}(1-x^{i})}$ 称为欧拉函数,它是划分数生成函数的逆。$\phi(x) = \sum_{u}(-1)^{f(u)}x^{u}$,其中 $u$ 为广义五边形数。从 $0$ 开始,$p(n)$ 的前若干项为 $1,​1,​2,​3,​5,​7,​11,​15,​22,​30,​42,​56,​77$ 。 设 $p(n)$ 为将 $n$ 写成若干个正整数和的方案数,若 $i$ 为自然数,称 $\frac{3i^{2}-i}{2}$ 和 $\frac{3i^{2}+i}{2}$ 为广义五边形数,并定义 $f(\frac{3i^{2}-i}{2}) = f(\frac{3i^{2}+i}{2}) = i$,则 $p(n) = \sum_{u,1 \le u \le n}(-1)^{f(u) - 1}p(n-u)$,其中 $u$ 为广义五边形数。$\displaystyle{\phi(x)=\prod_{i=1}^{\infty}(1-x^{i})}$ 称为欧拉函数,它是划分数生成函数的逆。$\phi(x) = \sum_{u}(-1)^{f(u)}x^{u}$,其中 $u$ 为广义五边形数。从 $0$ 开始,$p(n)$ 的前若干项为 $1,​1,​2,​3,​5,​7,​11,​15,​22,​30,​42,​56,​77$ 。
 +
 +===== 划分容斥 =====
 +
 +在集合 $S$ 上定义一个等价关系,有 $n$ 个位置可以取 $S$ 中的值,要求两两值不同,另外还有一些别的限制。设 $M=\{1,​2,​\cdots,​n\}$,可以在 $M$ 的划分上进行容斥,$P$ 表示 $P$ 中每个子集中的元素相等,而子集间的关系不受限制,那么 $P$ 的容斥系数是 $\prod_{Q\in P}(-1)^{|Q|-1}(|Q|-1)!$。特别地,如果这 $n$ 的位置本质相同,还可以枚举划分数来做。[[project_euler#​writing_n_as_the_product_of_k_distinct_positive_integers|证明]]
  
 ===== 模2意义下的组合数 ===== ===== 模2意义下的组合数 =====
行 287: 行 291:
 ===== 随机串包含给定串的期望长度 ===== ===== 随机串包含给定串的期望长度 =====
  
-设有一串 $S$,从一个空串开始,每次等概率随机往后面加一个字符,包含 $S$ 时停止。期望长度为 $\sum_{i=1}^{|S|}[1..i\text{ is border}]|\Sigma|^{i}$。+设有一串 $S$,从一个空串开始,每次等概率随机往后面加一个字符,包含 $S$ 时停止。期望长度为 $\sum_{i=1}^{|S|}[1..i\text{ is border}]|\Sigma|^{i}$。[[random_string|证明]]
  
 +===== 二项式反演 =====
 +
 +$$
 +f_{n}=\sum_{i=0}^{n}(-1)^{i}{n\choose i}g_{i}\Leftrightarrow g_{n}=\sum_{i=0}^{n}(-1)^{i}{n\choose i}f_{i}\\
 +f_{n}=\sum_{i=0}^{n}{n\choose i}g_{i}\Leftrightarrow g_{n}=\sum_{i=0}^{n}(-1)^{n-i}{n\choose i}f_{i}
 +$$
 +
 +===== 广义二项式定理 =====
 +
 +$(x+y)^{\alpha}=\sum_{k=0}^{+\infty}{\alpha\choose k}x^{\alpha-k}y^{k}$,其中 ${\alpha\choose k}=\frac{\alpha(\alpha-1)\cdots(\alpha-k+1)}{k!}=\frac{(\alpha)_{k}}{k!}$。
 ===== 其它 ===== ===== 其它 =====
  
行 391: 行 405:
  
 [[similar_euclid|证明]] [[similar_euclid|证明]]
 +
 +===== 莫比乌斯反演 =====
 +
 +$$
 +f_{n}=\sum_{d\mid n}g_{d}\Leftrightarrow g_{n}=\sum_{d\mid n}\mu(\frac{n}{d})f_{d}\\
 +f_{n}=\sum_{n\mid d}g_{d}\Leftrightarrow g_{n}=\sum_{n\mid d}\mu(\frac{d}{n})f_{d}
 +$$
 +
 +若 $t$ 为完全积性函数,且 $t(1)=1$,那么
 +
 +$$
 +f_{n}=\sum_{i=1}^{n}t(i)g_{\lfloor\frac{n}{i}\rfloor}\Leftrightarrow g_{n}=\sum_{i=1}^{n}\mu(i)t(i)f_{\lfloor\frac{n}{i}\rfloor}
 +$$
  
 ===== 其他 ===== ===== 其他 =====
  
-$x^{2}+y^{2}=t$ 的整数解的个数为 $4(\sigma_{1}(t)-\sigma_{3}(t))$,其中 $\sigma_{1}(t)$ 表示 $t$ 的约数中模 $4$ 余 $1$ 的个数,$\sigma_{3}(t)$ 表示 $t$ 的约数中模 $4$ 余 $3$ 的个数。+$x^{2}+y^{2}=t$ 的整数解的个数为 $4(\sigma_{1}(t)-\sigma_{3}(t))$,其中 $\sigma_{1}(t)$ 表示 $t$ 的约数中模 $4$ 余 $1$ 的个数,$\sigma_{3}(t)$ 表示 $t$ 的约数中模 $4$ 余 $3$ 的个数。这一结论等价于,若 $t$ 中某 $4k+3$ 型的质数 $p$ 有奇数个,则无解。否则,答案为所有 $4k+1$ 型质数的积的约数个数乘 $4$
  
 设有 $m$ 个正整数 $c_{1},​c_{2},​\cdots,​c_{m}$,且严格递增。所有大于等于 $c_{m-1}c_{m}$,且能被 $\gcd(c_{1},​c_{2},​\cdots,​c_{m})$ 整除的整数可以用这 $m$ 个数使用非负整系数线性表示。[[http://​clatisus.com/​The%202016%20ACM-ICPC%20Asia%20China-Final%20(Shanghai)%20Contest#​i.-cherry-pick|证明]] 设有 $m$ 个正整数 $c_{1},​c_{2},​\cdots,​c_{m}$,且严格递增。所有大于等于 $c_{m-1}c_{m}$,且能被 $\gcd(c_{1},​c_{2},​\cdots,​c_{m})$ 整除的整数可以用这 $m$ 个数使用非负整系数线性表示。[[http://​clatisus.com/​The%202016%20ACM-ICPC%20Asia%20China-Final%20(Shanghai)%20Contest#​i.-cherry-pick|证明]]
行 447: 行 474:
  
 一个森林内部节点的度数平方和等于 2*(长度为 2 的路径数+长度为 3 的路径数)。 一个森林内部节点的度数平方和等于 2*(长度为 2 的路径数+长度为 3 的路径数)。
 +
 +一个 $n\times m$ 的四连通网格图的生成树数量为 $\prod_{i=1}^{m-1}\prod_{j=1}^{n-1}(4\sin^2(\pi i/​2m)+4\sin^2(\pi j/2n))$
 +====== 概率论 ======
 +
 +===== 一维随机游走 =====
 +
 +在 $[0,n]$ 上随机游走,从 $x$ 出发,每次等概率移动 $\pm 1$,走到 $0$ 的期望步数是 $x(2n-x)$。
 +
 +===== Irwin–Hall distribution =====
 +
 +设有 $n$ 个独立同分布的变量 $X_{i}\sim U[0,​1]$,那么 $\sum_{i=1}^{n}X_{i}$ 的累积分布函数是 $\frac{1}{n!}\sum_{k=0}^{\lfloor x\rfloor}(-1)^{k}{n\choose k}(x-k)^{n}$,概率密度函数是 $\frac{1}{(n-1)!}\sum_{k=0}^{\lfloor x\rfloor}(-1)^{k}{n\choose k}(x-k)^{n-1}$
 ====== 其它 ====== ====== 其它 ======
  
2020-2021/teams/intrepidsword/zhongzihao/conclusion.1611471943.txt.gz · 最后更改: 2021/01/24 15:05 由 toxel