İlk kafa ortaya çıkana kadar beklenen fırlatma sayısı


18

İlk kez bir kafa elde edilene kadar adil bir madalyonun art arda atıldığını varsayın.

  • İstenecek beklenen fırlatma sayısı nedir?
  • İlk kafa elde edilmeden önce beklenen kuyruk sayısı kaçtır?

2
Bu bağlantının her iki sorunun da cevabı vardır: en.wikipedia.org/wiki/Geometric_distribution
swmo

2
Bu kendi kendine çalışma sorusu ise, lütfen etiketi ekleyin.
Xi'an

Yanıtlar:


17

Bu, geometrik dağılım kullanılarak aşağıdaki gibi cevaplanabilir :

Arızaları sayısı k - 1 başarı bir olasılık ile ilk başarı (başları) önce p ( "kafaları") tarafından verilir:

p(X=k)=(1p)k1p

ile k deneyi sonlandırır ilk başlarının 'dahil fırlatır toplam sayısı olmak.

Ve beklenen değeri , X , belirli bir için p olan .1/p=2

Beklenen değerin türetilmesi burada bulunabilir . Örtük bırakılan son adımlar aşağıdaki gibi olmalıdır:

ifadeye eklenecek:ddr11r=1(1r)2

. İler=1-p, bu sadeleşirE(X)=p1px=1x rx=p1p r (ddr11r)=p1p r 1(1r)2r=1p

, yukarıdaki kullanımını haklı çıkarır.]E(X)=1p

Alternatif olarak, ilk başarıdan önceki başarısızlık sayısı olarak yorumlanan negatif binom dağılımını kullanabiliriz . Olasılık kütle fonksiyonu p olarak verilir ( r başarısına ulaşmadan önce başarısızlık sayısı, n | her Bernoulli çalışmasında belirli bir olasılık, p , başarı verildiğinde ):

p(n;r,p)=(n+r1r1)pr(1p)n

Deneme sayısı beklentisi, n + r genel formülle verilir:

r(1p)

Bilinen parametrelerimiz göz önüne alındığında: r = 1 ve p = 0.5 ,

E(n+r;1,0.5)=r1p=110.5=2

Bu nedenle, ilk kafaya ulaşmadan önce beklenen kuyruk sayısı iki fırlatma yapmayı bekleyebiliriz .E(n+r)r=1

Bunu kanıtlamak için bir Monte Carlo simülasyonu çalıştırabiliriz:

   set.seed(1)

p <- 1/2

reps <- 10000                         # Total number of simulations.

tosses_to_HEAD <- 0                   # Setting up an empty vector to add output to.

for (i in 1:reps) {
  head <- 0                           # Set the variable 'head' to 0 with every loop.
  counter <- 0                        # Same forlocal variable 'counter'.
  while (head == 0) {
    head <- head + rbinom(1, 1, p)    # Toss a coin and add to 'head'
    counter <- counter + 1            # Add 1 to 'counter'
  }
  tosses_to_HEAD[i] <- counter        # Append number in counter after getting heads.
}

mean(tosses_to_HEAD)
[1] 2.0097

1
Mevcut soru için, dağılıma Geometrik dağılım denir . G(p)
Xi'an

And the expected value of p 1 / p ve bunu nasıl kanıtlamalı? X for a given p is 1/p
Dilip Sarwate


4

Kutunun dışına bir bilet çizerek oyunu modelleyin . İki tür bilet var. Birinde "Dur, kafaları fırlattın" yazılı; diğer tarafta ise "Devam et, kuyrukları fırlattın." Birinci durumda beklenen ek fırlatma sayısı iken, ikinci durumda beklenen ek fırlatma sayısı x , diyelim ki - henüz bilmiyoruz ve çözmemiz gerekiyor.0x

Bu beklentileri ilgili biletlerine yazın: bunlar biletlerin değerleridir .

Bildiğimiz üç şey:

  1. "Durdur" bileti ( değeriyle ) çizme şansı s .0p

  2. "Devam" bileti ( değeriyle ) çekme şansı 1 - p'dir .x1p

  3. Bu tek çekilişin beklentisi, tanım gereği, her türlü bilet üzerindeki olasılık ağırlıklı değerlerin toplamıdır:

    p×0+(1p)×x=(1p)x.

Bu sayıyı yorumlayalım: bir kafa görünene kadar ihtiyaç duyulacak beklenen ek fırlatma sayısıdır . Bilet çekilişleri bozuk paraya karşılık geldiğinden, bilet almak için gereken çekilişi eklemek bize beklenen sayıda fırlatmayı verir - ki bu sadece kendisidir. Bu iki ifadeyi eşitlemek,x

x=1+(1p)x.

için çözme ilk soruyu cevaplar. x Kuyruk sayısı her zaman çekiliş sayısından bir az olduğundan, beklenen kuyruk sayısı da beklenen çekiliş sayısından bir daha az olmalıdır. Bu nedenle ikinci soruyu cevaplar.x1


Çok uzun bir tosses dizisi düşünülerek sezgisel olarak açık bir ikinci çözelti elde edilebilir . Kaç oyun oynandı? Cevap: kafa sayısı (sıra, bir dizi kuyrukla bitiyorsa eksik bir oyun daha). Kaç kafa bekleniyor? Yanıt: p n . Bu numaraya h deyin . Büyük Sayılar Zayıf Kanunu olduğunu iddia gerçek kafaları sayısı oldukça muhtemelen çok yakın için olmaktır p n sağlanan n yeterince büyüktür. Bu nedenle, ortalama oyun uzunluğu x , n / h ve n / arasında bir sayı ile verilirnpnhpnnxn/h , keyfi olarak n / ( p n ) 'ye yakın olacaktır, bu nedenle x'in kendisineeşit olmalıdır.n/(h+1)n/(pn)x

Bu, oyun uzunluklarının dağılımını simüle etmek için son derece verimli bir yol sağlar . İşte Rkod. "Heads" i bir boolean dizisinde true değerleri olarak kaydeder ve ardışık gerçek değerler arasındaki fırlağı hesaplar.

p <- 1/3                                           # Set the chance of heads
tosses <- runif(1e6) < p                           # Make a million tosses
sim <- diff(c(TRUE, which(tosses)))                # Compute game lengths
hist(sim, xlab="Game length", main="Distribution") # Graph their distribution
mean(sim)                                          # Report the average length

Ben tohum ayarladıktan sonra bu kodu çalıştırdığımızda ( ), çıkış farklılık x sadece küçük bir miktarda.17set.seed(17)x


Çizim oyununun “x” ve ikinci denklemdeki “x” in neden aynı şeyi temsil ettiğini anlamama yardımcı olabilir misiniz? İkinci denklemi nasıl elde ettiğine dair hiçbir fikrim yok. Çok teşekkür ederim.
Işık

@Işık İkinci denklem, önceki paragrafta açıklanır.
whuber

♦ ur cevap için teşekkür ederim. X'in tanımını ve tekrar tekrar söylediğin paragrafı okudum ama hala anlamıyorum. Anlayışımı söyleyeyim ve pls yanlış anlarsam bana bildirin. Anladığım kadarıyla, x, orijinal oyundan farklı bir oyun olan çizim biletleri oyununda "ek" beklenen sayıdır, çünkü madeni para oyununun beklentisi ("E" diyelim) ilk savurma içerir. Bence E "x + 1" olmalı, ama aynı şey değiller. Denklemde, x ve E'yi kafamı karıştıran şeyle aynı ettin. Teşekkür ederim.
Işık

2

X, bir kafa elde edilene kadar gereken jeton çevirme sayısı olsun. Yani, E (X) 'u hesaplamamız gerekiyor (yani X'in beklenen değeri).

E (X) 'u ilk çevirmemiz ne olursa olsun koşullandırabiliriz. E (X | H), ilk kapakta bir kafa bulduğumda kalan jeton çevirme sayısını gösterelim. Benzer şekilde, E (X | T) 'nin ilk kapakta bir kuyruğum olduğu göz önüne alındığında kalan jeton çevirme sayısını belirtelim.

İlk adım şartlandırma ile,

E(X)=12(1+E(X|H))+12(1+E(X|T))

E(X|H)

E(X|T)=E(X) , çünkü 1 kafa elde etmek için herhangi bir ilerleme kaydetmedik.

E(X)=12(1+0)+12(1+E(X))

E(X)=2

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.