博客
关于我
【Lintcode】266. Expect Distance
阅读量:214 次
发布时间:2019-02-28

本文共 304 字,大约阅读时间需要 1 分钟。

从山洞A出发,有两条路。一条路走x千米,回到A;另一条路走2千米,到达B。从B出发,也有两条路。一条路走y千米,回到A;另一条路走z千米,到达出口C。我们需要计算从A出发走出C的期望路程。

设E[X]为从A出发走出C的期望路程,E[Y]为从B出发走出C的期望路程。根据条件期望公式,可以建立以下方程:

  • 从A出发:E[X] = 1/2 (x + E[X]) + 1/2 (2 + E[Y])

  • 从B出发:E[Y] = 1/2 (y + E[X]) + 1/2 z

  • 通过解这两个方程,可以得到:

    E[X] = 2x + y + z + 4

    因此,从山洞A出发走出C的期望路程为:

    2x + y + z + 4 千米

    转载地址:http://txcs.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    Opencv中KNN背景分割器
    查看>>
    OpenCV中基于已知相机方向的透视变形
    查看>>
    OpenCV中的监督学习
    查看>>
    opencv中读写视频
    查看>>
    opencv之cv2.findContours和drawContours(python)
    查看>>
    opencv之namedWindow,imshow出现两个窗口
    查看>>