随机数函数取样与概率
随机数函数取样与概率
本节主要受到《编程珠玑》第12章随机取样问题的启发，但不仅仅限于随机取样问题，进一步地，研究讨论了一些在笔试面试中常见的和随机函数以及概率相关的问题。
阅读本文所需的知识：
1.对C语言中或其他语言中等价的rand()、srand()有所了解。本文不讨论种子的设定和伪随机数的问题；
2.中学或以上水平的概率基本概念。
目录
利用随机数函数生成随机数
问题1（《编程珠玑》习题12.1后半段）：
给定一个rand()，可以产生从0到RAND_MAX的随机数，其中RAND_MAX很大（常见值:16位int能表示的最大整数32767），写出利用rand()生成[a,b]中任意整数的函数，其中a>=0, b<=RAND_MAX，且b-a<<RAND_MAX.
分析：
这是在编程工作最常见的随机函数的应用，在这里做一个起点再合适不过。把随机数区间的起点从0变为a，同时把一共RAND_MAX+1个数的区间缩小至只含有b-a+1个数的区间，写为 a + rand()%(b-a+1)，此时显然最大值是a+(b-a)= b。
进一步地，这个b-a<<RAND_MAX的条件虽然看上去不起眼，其实很重要。
附加思考：
如果b-a和RAND_MAX很接近会发生什么情况？读者不妨先做思考，问题2的分析会做出解答。
这个rand()，其实相当于《编程珠玑》提到的bigrand()。
问题2（笔试题变形）：
给定一个随机数函数rand7()，它能以等概率生成1~7这7个整数。请根据rand7()写出类似的rand5()。
分析：
如果直接像问题1中一样，把1+rand7()%5作为rand5()会有什么情况发生？这时确实能产生1~5的随机数没错，可是各个数的概率相等吗？
对于随机数2，既有可能来自于1+1%5，也有可能来自于1+6%5，显然其概率是2/7，而不是1/5，不满足rand5()等概率产生各随机数这一隐含要求。不同于问题1，问题1中一个很大的区间收缩成较小区间时，各个元素映射后的新元素概率虽然概率可能不完全一样，但却是近似相同的。
为了满足等概率的要求，可以这么做：
等概率的rand5()
虽然保证了1~5的概率都变成了1/5，但是有一个无法避免的缺点是，每当产生了6或者7都要抛弃，相当于这一次运行是“空转”，浪费了时间。
如果对1/5这个概率不明白，可以有两种理解：每次产生6或7就被抛弃，剩下数的概率相等，必然为1/5；或者用更严密的推理：产生1~5的随机数，最终得到某一个的概率为：1/7+(1/7)*(2/7)+(1/7)*(2/7)2+...，无限项求和，结果是1/5。
问题3（笔试题原题）
给定一个随机数函数rand7()，它能以等概率生成1~7这7个整数。请根据rand7()写出类似的rand10()。
分析：
有了问题2的概率基础，把rand7()变成rand10()仅仅需要一点点思考了。
等概率的rand10()
问题2和问题3是对《编程珠玑》上使用范围不大的randint(i,j)生成其他范围随机数方法的解答。在掌握了问题2和问题3的解法后，你已经学会随机数区间的收缩和扩张，类似的问题迎刃而解。
问题4（《编程珠玑》习题12.1前半段）
C库函数rand()常返回15个随机位，写出bigrand()，能够返回30个随机位。
分析：
其实问题4和问题3有点像，但是不同之处在于，这次我们的视角是从位出发的，把rand()看做了将15个位每一个位以1/2概率设为0或1，从而生成0~RAND_MAX。从某种意义上来说，按这种理解方式来解这个问题更轻松一些，但是仅局限于2的幂减1这样的数值的区间，比如从0到11...11。在此基础之上把两部分的位拼接起来即可。
位拼接的bigrand()
扩展：拒绝采样
这是一个简单粗暴有效的方法，使用这个方法你可以不用考虑复杂的区间扩展和收缩的问题。
以rand7()产生rand10()为例，构造一个二维数组并把它填成：
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 8 | 9 | 10 | 1 | 2 | 3 | 4 |
| 5 | 6 | 7 | 8 | 9 | 10 | 1 |
| 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 9 | 10 | 1 | 2 | 3 | 4 | 5 |
| 6 | 7 | 8 | 9 | 10 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 |
然后使用两次rand7()分别生成行号和列号，如果对应元素是0，抛弃重来；否则即是结果。
其实这种方法依然用到了区间扩展：把7扩展成7*7，并把不符合的部分抛弃。从这里可以看出这种方法其实还是有缺陷的：如果用rand7()生成rand50()，那这50个数可是填满这个表格后还有填不下的。
利用随机数函数产生随机事件
用随机事件表示随机事件？经过上面的区间收缩的思考，看上去并不难。把这个问题具体化为：使用rand()表示以M/N的概率发生的随机事件，M<=N，并可用作：if(事件A发生) ，其中P(A) = M/N，那么表示为：
随机事件
通过这种方式，我们就可以做出让程序“以M/N的概率执行某个命令”这样的设计了。
取样问题:从n个元素中随机选取m个
考虑整数0,1,2,...,n-1，可以用上节的方法以概率m/n选取0（推导方式略）。但是对于1，必须考虑之前0是否被选取而以(m-1)/(n-1)或m/(n-1)的概率选取1，后续就更加麻烦。好在迭代是计算机的长项，只需要把这个是否选择当前数的随机事件稍作修改即可，使之变成从r个其余的数中选择s个：
int gen(int m,int n) { int i, select = m,remaining = n; for(i=0;i<n;i++) { if(rand() % remaining <select) { printf("%d\n",i); select--; } remaining--; } return 0; }
其概率证明可见于Knuth的The Art of Computer Programming第2卷。进一步地可以优化为：
int genknuth(int m,int n) { int i; for(i=0;i<n;i++) if(rand()%(n -i) < m) { printf("%d\n",i); m--; } return 0; }
《编程珠玑》提示，这种算法是“所有n的所有m元子集被选中的概率相等”，这个条件强于“所有元素被选中的概率相同”。下面是习题12.2中提到的“以等概率选择搜有元素，但是有些m元子集被选中的概率比其他子集大”的算法：直接选择1个数，则这个m元集合为它本身即后续的一共m个数，可能包括回绕。
对于这种方法，总要产生n次随机数。进一步可以写为for(i=0;i<n&&m>0;i++)，但程序的平均运行时间是否变得更快需要权衡。对应地，习题12.7提供了一种稍微减少随机数产生次数的递归函数：
int randselect(int m,int n) { int r; //assert(m<=n && m>=0); if(m>0) { r = rand()%n; if(r < m) { printf("%d\n",n-1); randselect(m-1,n-1); } else randselect(m,n-1); } return 0; }
由于集合元素不重复，如果按等概率选择一个随机数，不在集合中就把它插入，反之直接抛弃，直到集合元素个数达到m个，同样可以满足要求，并且用C++的STL很容易实现：
void gensets(int m,int n) { set<int> S; while(S.size() < m) S.insert(rand()%n); set<int>::iterator i; for(i = S.begin();i!=S.end();++i) cout<<*i<<"\n"; }
这个算法的主要问题是，如果抛弃已存在的元素的次数过多，相当于多次产生随机数并进行集合操作，性能将明显下降。比如当n=100而m=99，取第99个元素时，算法“闭着眼睛乱猜整数，直到偶然碰上正确的那个为止”（《编程珠玑（续）》，13.1节）。虽然这种情况会在“从一般到特殊”提供解决方案，但下面的Floyd算法明显规避了产生随机数超过m次的问题。
习题12.9提供了一种基于STL集合的随机数取样方法，可以在最坏情况下也只产生m个随机数：限定当前从中取值的区间的大小，每当产生重复的随机数，就把这一次迭代时不会产生的第一个随机数拿来替换。
Floyd的算法
如果不必基于集合而实现，我自己写了一个原理类似的算法，思想是把“用过”的元素“扔”到下一次迭代的随机数取样区间之外：
我的算法
这是个来源于实际的想法：将所有n个元素打乱，取出前m个。更快的做法是，打乱前m个即可。对应的C++代码如下：
int genshuf(int m,int n) { int i,j; int *x = new int[n]; for(i = 0;i<n;i++) x[i] = i; for(i = 0;i<m;i++) { j = randint(i,n-1); //randint产生i到n-1之间的随机数 int t = x[i];x[i] = x[j];x[j] = t; } //sort(x,x+m); //sort是为了按序输出 for(i=0;i<m;i++) cout<<x[i]<<"\n"; }
把sort注释掉的这段代码，可以作为随机不重复序列产生器。类似的还有Floyd的算法P。（《编程珠玑（续）》，13.3节）
以上讨论的几种方式都不限定m和n的取值，只需m<=n即可。对于特殊的取值，有特殊的解决方案，以下是编程珠玑上的两例：
1.n = 106而m=n-10，这时可以先生成10个元素，然后输出其余的元素。进行这种处理的额外代码可以提高算法的平均速度。
2.n=231而m = 107，m<<n，这时可以先生成1.1*107个元素，排序后去掉重复的（由于n很大，m中出现重复元素的概率很低），得到 107个元素的样本。
附：
（《编程珠玑（续）》习题13.5）Doug McIlory的求N个元素中取M种的第G种情况的组合的算法，原书这个算法我没有理解，也没有看到比较满意的解释，可能用到了某些我不熟悉的组合数性质。原书中没有对其进行进一步解释，并且似乎只是作者的题外话而已。如果看着有困难，这部分代码完全可以跳过。介绍这个算法的原因是用它能在获得随机数G后，直接获得第G种N个元素取M个的取法，相当于只产生了一次随机数。
Doug McIlroy的算法
取样问题:从未知总数的元素中选择一个
从事先未知总数为n的对象中随机选择一个的方法。有两种常见的具体问题：
1.读取一个未知行数的文件，随机输出其中的的一行，同时最多只能缓冲一行的内容（《编程珠玑（续）》习题15.3利用了这种形式）；
2.对链表进行一趟遍历，随机输出其中的一个结点的元素，只能使用一个临时指针。
解法是，以概率1选择第一个元素存入缓存，以概率1/2用第二个元素替换掉缓存，...，直至遍历完所有元素，最后输出缓存的内容。可以分析出此时所有元素留在缓存的概率均为1/n，比如1，是1*(1/2)*(2/3)*...*((n-1)/n)。
int random_select(void) { int i,num=1; for(i=1;i<n;i++) //i<n代表某种终止条件，n未知 if(rand()%i ==0) num = i; return num; }
对于这个问题的常见应用：马尔科夫文本生成器里选择哈希表中某项对应链表的任意一个结点。
概率问题选编
1.（习题12.4）对于集合插入问题，每次产生随机数后都需要在集合中检测该元素是否已经存在，这个测试次数和调用随机数函数的次数相同。对于从n个元素中选择m个元素的问题，平均需要测试多少次才能保证选择了m个元素？
这里先处理特殊的问题，即“赠券收集问题”：必须收集多少张棒球卡才能保证拥有所有的n种卡？
记Pi为从收集了i-1种到i种的概率，Pi=(n-i+1)/n
此时需要收集的卡片数目ni = 1* Pi + 2*(1-Pi)*Pi + 3*(1-Pi)2*Pi + ... + n*(1-Pi)n*Pi + ...，这个无穷级数可以求解为ni=1/Pi
那么所需要总的卡片数目sum(ni) = n1+n2 +... +nn约为nlnn + γn + O(1)。相关维基百科
对于从n个元素中选择m个，相应地sum(ni) = n1+n2 +... +nm，约为nlnm+γn。（根据调和数的推导）
2.（习题12.11）每个玩家有一张包含16个覆盖点的纸牌，覆盖点下面隐藏着1~16的随机排列。玩家每次刮开一个点，如果出现3，则判玩家负；如果出现1或2，则判玩家胜。那么，随机选择覆盖点刮开，获胜的概率是多少？
解答：
其实胜负只对应两种排列：1和2都出现在3前则胜，否则负。前者的即*1*2*3*或*2*1*3*，后者为其余四种排列。显然获胜的概率为2/3。
不要把问题复杂化，应该尽量简化。4~16的数字都是没有用的。