关注我们，每周发布最新的笔面试题目和解析
记得设为星标哦
前言
限时60min，4个概率和数理统计题、一个编程题，实则可以看为两个编程题。如果这些题是第一次做的话，还是比较难或者难以下手的，尤其是编程题考了动态规划，难度为力扣hard级别，对标互联网大厂笔试。但是做多了，就会发现基本都是经典题型，所以笔试前要好好准备，多刷绿宝书、红宝书，多刷LeeCode!
春招和暑期实习和笔试也陆陆续续开始了，欢迎同学们在公众号后台投稿，你们的每条留言小编都会仔细查看。累计投稿4场将获得知识星球100元优惠券。更全的笔面试资料及学习路线在知识星球中，会随着资源的积累不断涨价，早加入早学习早拿offer早赚米！
题目1
现在有 100 个人，他们分别拿到了从 1 号到 100 号的座位，这些乘客会按号码顺序登机并应当对号入座，如果他们发现对应号座位被别人坐了，就会在剩下空的座位随便挑一个坐。现在假设 1 号乘客疯了（其他人没疯），他会在 100 个座位中随便选一个座位坐下，问：第100 人正确坐到自己坐位的概率是多少？
【参考答案】1/2
经典概率题。寻找递推关系：
A.若乘客数量是2，则答案是1/2；
B.若乘客数量是3，则答案是1/2;
C.若乘客数量是n，求a(n)，那么，
1）疯子坐的是自己的位置，1/n
2）疯子坐的是第2个位置，则去掉疯子和第2个位置，此时变成了求a(n-1)；
3) 疯子坐的是第3个人的位置，去掉疯子和第2个位置，还有第2个人和第2个位置，此时变成了求a(n-2)；
4）以此类推；
则：a(n)=(1 a(n-1) a(n-2) ~ a(2))/n
同理，a(n-1)=(1 a(n-2) a(n-3) ~ a(2))/n-1；
等式变形有：na(n)-a(n-1)=(n-1)a(n-1);即a(n)=a(n-1)
所以，结果是1/2；
题目2
有 n 个口袋，每个口袋均有 a 个白球，b 个黑球，现在做如下操作：从第一个口袋中任取一球放入第二个口袋，从第二个口袋中任取一球放入第三个口袋，
以此类推，直至从第 n-1 个口袋任取一球放入第 n 个口袋。问：最后从第 n 个口袋任取一球，取到白色的概率为多少。（请写出思路和计算过程）
【参考答案】P=a/（a b）
数学归纳法或寻找递推关系。下面给出一个新思路：
n个口袋里的球的总数是n(a b) 其中白球na个 黑球nb个
此题相当于求在n(a b)个球中,取一个白球的概率
P=na/n(a b)=a/(a b)
题目3
x1,x2,x3,x4,x5 为0,1区间均匀分布的随机变量，求 min(x1,x2,x3,x4,x5)和max(x1,x2,x3,x4,x5)的相关系数
【参考解析】公式较多，不方便打，给出思路分析：
首先计算这些变量的期望值和方差，然后利用它们的定义或通过积分计算协方差，最后应用相关系数的公式。
题目4
长度为 10 米的钢筋，连续砍两刀（即先砍下一段，然后再砍剩下的一段），3 段都大于 1米的概率是多少？
【参考解析】
设第一刀离左端的距离为 x，第二刀离左端的距离为 y，那么第三段的长度为 10−x−y。
需要满足以下条件：
（1）x>0，即第一刀离左端距离大于 0。
（2）y>0，即第二刀离左端距离大于 0。
（3）10−x−y>1，即第三段长度大于 1。
将这些条件绘制在二维坐标系中，阴影部分表示满足要求的区域。我们需要计算这个阴影部分的面积。计算矩形的二重积分
题目5
编程题：（1）给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。设计一个最优算法，在只允许交易一次的前提下，来计算你所能获取的最大利润，且不能开空仓。
（2）若最多可以完成两笔交易呢？（必须在再次购买前出售掉之前的股票，亦不能开空
仓）
【参考答案】均为leetcode原题、股票买卖系列
（1）LeetCode num121买卖股票的最佳时机。枚举卖出价格，维护买入的最小值
代码语言：python代码运行次数：0复制class Solution:
def maxProfit(self, prices: List[int]) -> int:
ans = 0
min_pirce = prices[0]
for p in prices:
ans = max(ans, p - min_pirce)
min_pirce = min(min_pirce, p)
return ans(2) LeetCode num123 买卖股票的最佳时机Ⅲ。动态规划，思路看注释吧。比较难，不会的就学学吧！
代码语言：python代码运行次数：0复制class Solution:
def maxProfit(self, prices: List[int]) -> int:
# 甲：这n天怎样买股票赚的多-------------------------------------
n = len(prices)
# 乙：dp[i]代表第i天-------------------------------------------
# 乙：dp[i][0]代表第i天过后第一次买股票时的最大收益
# 乙：总之，今天过后我必有股票在手上，要么之前买的，要么今天买的
# 乙：dp[i][1]代表第i天过后第一次卖股票时的最大收益
# 乙：总之，今天过后我手上空空如也，要么本来就没有，有我也给卖了
# 乙：dp[i][2]代表第i天过后第二次买股票时的最大收益
# 乙：dp[i][3]代表第i天过后第二次卖股票时的最大收益
dp = [[0,0,0,0] for _ in range(n)]
# 乙：今天是第一天---------------------------------------------
# 乙：第一次买股票是吧，prices[0]块钱拿去，今天股票我买了
# 乙：第一次卖股票是吧，prices[0]块钱买来又卖掉，血赚0元
# 乙：第二次买，我买了又卖掉又买回来，花费prices[0]块钱
# 乙：第二次买，我买了又卖掉又买回来又卖掉，哎，就是玩
# 注：在同一天内反复买卖是不影响最终结果的，因为反正都是0
dp[0]=[-prices[0],0,-prices[0],0]
# 旁白：时间一天天过去
for i in range(1, n):
# 甲：今天是第i天，如果我第一次买股票，该怎么操作------
# 乙：dp[i-1][0] 今天的股票太贵了，买之前的股票更划算
# 乙：- prices[i] 今天的股票更便宜，我买了，prices[i]块钱拿去
dp[i][0] = max(dp[i-1][0], -prices[i])
# 甲：今天是第i天，如果我第一次卖股票，该怎么操作------
# 乙：dp[i-1][1] 今天股市不行，还是之前卖更划算
# 乙： prices[i] dp[i-1][0] 今天的行情不错，股票卖掉，血赚prices[i]块钱，
# dp[i-1][0]是我用低价买入花的钱
dp[i][1] = max(dp[i-1][1], prices[i] dp[i-1][0])
# 甲：今天是第i天，如果我第二次买股票，该怎么操作------
# 乙：dp[i-1][0] 今天的股票太贵了，买之前的股票更划算
# 乙：- prices[i] 今天的股票更便宜，我买了，prices[i]块钱拿去
# dp[i-1][1]是我第一次卖股票赚的钱
dp[i][2] = max(dp[i-1][2], - prices[i] dp[i-1][1])
# 甲：今天是第i天，如果我第一次卖股票，该怎么操作------
# 乙：dp[i-1][1] 今天股市不行，还是之前卖更划算
# 乙： prices[i] dp[i-1][0] 今天的行情不错，股票卖掉，血赚prices[i]块钱，
# dp[i-1][2]是我第二次买完股票后的最大收益
dp[i][3] = max(dp[i-1][3], prices[i] dp[i-1][2])
return dp[-1][-1]思路或想法欢迎在留言区交流
最后介绍一下我们的知识星球
每周发布私募、公募、资管、券商、期货、银行、保险等最新的笔面试题目和解析，发布行业前沿研究成果和最新量化资讯。创建这个星球，目的是为了沉淀有价值的内容，构建一个质量更高、更专注的学习和交流环境，从而帮助每一位成员提升自己。
在这个知识星球里，你将获得：
1.实习/校招/社招笔面试真题和经验分享：包含学习路线、准备笔面试的规划、方法、技巧等，同时提供全市面最全的真题资料，持续更新当前最新的笔面试题目和解析，帮助你充分准备，助力你成为offer收割机。
2.专业知识与技能提升：
数据处理与分析：分享如何处理和分析数据，包括使用最新的工具和技术，以及数据清洗和预处理的最佳实践。
量化策略：深入量化交易的世界，学习如何从零开始设计、测试和优化你的量化策略。提供丰富的案例和实践指导，帮助你打造出稳健的交易模型
因子挖掘：分享如何在庞大的数据海洋中发现影响市场的隐藏因素。将因子分析融入量化策略，增强模型的预测能力。
组合优化：介绍如何通过组合优化提高投资组合的性能，包括风险管理和资产配置的策略。
交易系统开发：分享交易系统的开发过程，从系统架构设计到实现，包括API接口的使用、自动化交易的实现等。
高性能计算：分享如何应用高性能计算技术处理大规模数据集，提高计算效率
3.不定期行业大咖分享：邀请量化投资与机器学习领域的行业专家，分享他们的知识、见解和经验。
4.编程技巧与算法知识：不定期分享编程技巧、算法知识、学习方法和个人心得，帮助成员更有效地规划时间和学习路径。
5.大厂面试内推渠道：实时发布大厂面试内推信息，为你的职业发展提供支持。
我们致力于打造一个全面、高效且互帮互助的社群。无论你是量化投资和机器学习领域的初学者，还是已有深厚背景的专业人士，这里都将是你学习新知识、分享经验、扩展人脉的理想之地。
