这一讲主要是介绍随机化版本的二叉查找树。BST I中也介绍了查找树的效率的关键就是树的高度，而这里想通过
随机化来使二叉查找树更加平衡，我们也将在数学上进行分析。
这一讲的主要内容是：1. BST sort与quicksort 的关系 2.二叉树的随机化版本 3.随机BST depth的分析
1. BST sort与quicksort 的关系
首先要讲的这个问题非常有意思，BST与quicksort一直存在着默默的关系，Ta俩本可以做情侣,最后却发现互相
是失散多年的兄妹关系。让我们首先考虑BST sort的过程:
BST SORT(A)
1 T <- Ø // Create an empty BST
2 for i=1 to n
3 do Tree-Insert(T,A[i])
4 Perform an inorder tree walk of T
让我们来考虑一个例子，并分析一下整个过程。 A=[3 1 8 2 6 7 5]; 建好树后的结构是：
分析时间复杂度： 对Tree-walk来说，时间复杂度就是Θ(n); 对于插入元素的过程，可以分别分析出现的最好的
情况和最差的情况。 最好情况是完全二叉树，树完全是平衡的，高度也达到最小。 对满二叉树，因为其高度为
lgn的个数是n/2,所以我们可以知道其复杂度是Θ(nlgn)。 当考虑最差情况，即元素时顺序或逆序是，生成的数就
是一个链表，其复杂度是Θ(n^2)。
根据上面的两个复杂度，我们很自然的想到了快排。 而实际上，BST sort和基本快排(即把第一个元素当分割点)
执行了相同的比较，但是按照不同的顺序。 然后由基本快排的优化方案，我们自然就想到了随机化版本的BST
sort。
2.二叉树的随机化版本
随机化BST sort的主要方法是先随机化的重新排列数组，然后再执行BST sort. 根据快排的时间复杂度我们知道
[T(BSTsort)=sum_{xin T}depth(x)=Theta(nlgn)] 所以我们可以得到树的平均深度的期望:[E[frac{1}{n}sum_{xin T}depth(x)]=Theta(lgn)]
所以说，我们关注的是平均高度而不是实际高度，即每个节点的高度和的平均值。而实际上，树的实际高度可能
远大于logn. 比如下面这个例子中，平均高度是lgn，但是实际高度是(sqrt[2]{n})
3.随机BST depth的分析
上面提到，随机化建立的树的高度可能不是lgn，而是节点的平均高度是lgn. 现在我们要证明的定理是随机化BST
建立的树的高度的期望确实是lgn(一定注意和上面的区别！我还没太想明白)
定理： E[height of rand built BST] = O(lgn)
这里先给出证明提纲，明确思路！
1 证明Jensen's 不等式 即 (f(E[x])≤E[f(x)]) for convex function f
2 假设Xn是n个节点时树的高度的随机变量，我们考虑Xn的一个凸函数(Y_n = 2^{X_n})
3 证明 (E[Y_n] = O(n^3))
4 根据3的结论， (O(n_3)=E[Y_n]≥2^{E[X_n]}),即可得到(E[X]=O(lgn))
定理具体的证明因为我实在不太会用自带的这个latex，所以我还是写到自己的算法笔记里面了。这里就给出上面的这些证明思路。