b) 桶排序基于假设：输入的的元素均匀的分布在区间[0, 1]上。
c) 感觉桶排没有什么大的实现价值，因为它限定了输入的区间，还要求最好是均匀分布，它的最坏情况并不好。
6. 所有的线性时间内的排序算法，都作出了一定的假设，是建立在一定的假设基础上的。
Output（代码：http://code.google.com/p/introduction-to-algorithms-notes/）:
===========开始计数排序===========
0 1 2 3 4 5 5 6 6 8 11 11 12 16 16 18 18 21 22 23 23 23 24
26 26 27 27 29 29 29 29 31 33 34 35 35 36 37 37 38 38 39 40
40 41 41 41 41 42 42 42 44 44 45 46 47 47 48 48 50 53 53 54
56 57 58 59 61 62 62 64 64 64 66 67 67 68 69 69 70 71 73 76
78 78 81 82 82 84 88 90 90 91 91 92 93 94 95 95 99
===========开始基数排序===========
833 115 639 658 704 930 977 306 673 386
115 306 386 639 658 673 704 833 930 977
===========开始桶排序===========
0.21 0.45 0.24 0.72 0.7 0.29 0.77 0.73 0.97 0.12
0.12 0.21 0.24 0.29 0.45 0.7 0.72 0.73 0.77 0.97
请按任意键继续. . .
第 9 章：中位数和顺序统计学
1. 第 i 个顺序统计量是该集合中第 i 小的元素。
最小值是第 1 个顺序统计量(i=1)最大值是第 n 个顺序统计量(i=n)
2. 中位数是它所在集合的“中点元素”
3. 找最大最小值的算法，一般人可能以为需要 2n 次比较，实际上只需要最多 3
次比较，使用的技巧是：
将一对元素比较，然后把较大者于 max 比较，较小者与 min 比较，这样就只需要 3
次比较就能得到最后的结果。
4. 以期望线性时间选择顺序统计量的方法是以快速排序为模型。如同在快速排序中一样，此算法的思想也是对输入数组进行
递归划分。但和快速排序不同的是，快速排序会递归处理划分的两边，而 randomized-select 只处理划分的一边。并由此将
期望的运行时间由 O(nlgn)下降到了 O(n)。
这就是顺序统计量算法能够如此高效的核心原因所在！
我觉得 C++ STL 中的 nth_element 用的可能就是这个算法，所以它的效率应该很高。
5. 最坏线性时间选择顺序统计量的方法的核心在于：要保证对数组的划分是一个好的划分。
于是方法使用了一个很奇怪的取主元的方法，虽然看起来很奇怪，但是该方法被这样的提出就肯定有它的理论基础的。
不过这种取巧的方法不太值得去写一遍，而且明显写出来也很容易的，没有什么新技术和新想法。
Output（代码：http://code.google.com/p/introduction-to-algorithms-notes/）:
41 467 334 500 169 724 478 358 962 464
0th element is:41
1th element is:169
2th element is:334
3th element is:358
4th element is:464
5th element is:467
6th element is:478
7th element is:500
8th element is:724
剩余42页未读，继续阅读
