這章看得稀裏糊塗的，自己感覺沒弄懂，去網上看了看別人寫的博客。覺得人家寫的很好，自己看着有點豁然開朗的感覺。
下面我附上人家的鏈接地址：
我自己也就按着人家的思路寫寫吧，主要算是讓自己能夠更好的理解這裏的內容
這一章是是從僱傭問題開始的：假設要僱傭一名新的助理，然後要面試每個人要花費一筆費用，僱傭助理要話更多的錢，假設當前你面試的應聘者比當前助理優秀，你就辭退當前的助理去聘用新的助理。
要得到面試的費用，我們一部分是面試花的錢，另外一部分則是真正僱傭花費的錢
概率分析：
事實上，我們既不能得知應聘者出現的順序，也不能控制這個順序，因此我們使用概率分析。概率分析就是在問題的分析中使用概率技術。
爲了使用概率分析，必須使用關於輸入分佈的知識或者對其做假設，然後分析算法，計算出一個期望的運行時間。這個期望值通過對所有可能的輸入分佈算出。
存在的問題：
有些問題，我們對所有可能的輸入集合做某種假設。對於其他問題，可能無法描述一個合理的輸入分佈，此時就不能使用概率分析方法。 在僱傭問題中，可以假設應聘者是以隨機順序出現的。假設可以對任何兩個應聘者進行比較並確定哪個更優；換言之，在所有的應聘者之間存在這一個全序關係。
因此可以使用從1到n的唯一號碼來標誌應聘者的優秀程度。用rank(i)來表示應聘者i的名次。這個有序序列<rank(1),rank(2)，..., rank(n)>是序列<1,2,...,n>的一個排列。說應聘者以隨機的順序出現，就等於說這個排名列表是1到n的n！中排列中的任何一個，每種都以相等的概率出現。
隨機算法
在許多情況下，我們對輸入分佈知識知之甚少；即使知道關於輸入分佈的某些信息，也無法對這種分佈建立模型。然而通過使一個算法中的某些部分的行爲隨機化
，就常常可以利用概率和隨機性作爲算法設計和分析的工具。
比如在僱傭問題中，如果僱傭代理給我們一份應聘者的名單，每天我們隨機地挑選一個應聘者進行面試，從而確保了應聘序列的隨機性。
更一般地，如果一個算法的行爲不只有輸入決定，同時也由隨機數生成器所產生的數值決定，則稱這個算法是隨機的。
指示器隨機變量
爲了分析包括包括僱傭分析在內的許多算法，我們將使用指示器隨機變量，它爲概率和期望之間的轉換提供了一個便利的方法，給定一個樣本空間S和時間A，那麼事件A對應的指示器隨機變量
1 如果A發生
Xa = 0 如果A沒有發生
E[Xa] = Pr{A}
利用指示器隨機變量分析僱傭問題：
假設應聘者以隨機的順序出現，令X作爲一個隨機變量，其值等於僱傭一個新的辦公室次數。那麼 E[X] = ∑xPr{X=x}，但這一計算會很麻煩。
我們定義n個和每個應聘者是否被僱傭對應的變量，Xi爲對應於第i個應聘者被僱傭這個事件的指示器隨機變量。有X=X1+X2+...+Xn。
E[Xi] = Pr{Xi} = 1/i，因爲應聘者是隨機出現的，所以第i個應聘者比前面i-1個優秀的概率是1/i。
因此E[X] = 1+1/2+1/3+...+1/n = lnn。
概率分析與隨機隨機算法：
在僱傭問題中，如果應聘者是以隨機順序出現的話，僱傭一個新的辦公室助理的期望次數是lnn。這個算法是隨着輸入的變化而變化的。對於某個特定的輸入，它總是會產生固定的僱傭次數。這樣就存在昂貴的輸入，不貴的輸入和適中的輸入。如果先對應聘者進行隨機排列，此時隨機發生在算法上而不是發生在輸入分佈上。每次運行這個算法，執行依賴於隨機的選擇，而不是依賴於輸入。這就是隨機算法和概率分析的區別。
這章看得很水，以後有機會看到其他內容再回頭來看看吧