6-сторонняя матрица катится итеративно. Какое ожидаемое количество бросков требуется, чтобы сумма была больше или равна K?
Перед редактированием
P(Sum>=1 in exactly 1 roll)=1
P(Sum>=2 in exactly 1 roll)=5/6
P(Sum>=2 in exactly 2 rolls)=1/6
P(Sum>=3 in exactly 1 roll)=5/6
P(Sum>=3 in exactly 2 rolls)=2/6
P(Sum>=3 in exactly 3 rolls)=1/36
P(Sum>=4 in exactly 1 roll)=3/6
P(Sum>=4 in exactly 2 rolls)=3/6
P(Sum>=4 in exactly 3 rolls)=2/36
P(Sum>=4 in exactly 4 rolls)=1/216
После редактирования
P(Sum>=1 in atleast 1 roll)=1
P(Sum>=2 in atleast 1 roll)=5/6
P(Sum>=2 in atleast 2 rolls)=1
P(Sum>=3 in atleast 1 roll)=4/6
P(Sum>=3 in atleast 2 rolls)=35/36
P(Sum>=3 in atleast 3 rolls)=1
P(Sum>=4 in atleast 1 roll)=3/6
P(Sum>=4 in atleast 2 rolls)=33/36
P(Sum>=4 in atleast 3 rolls)=212/216
P(Sum>=4 in atleast 4 rolls)=1
Я не уверен, что это правильно в первую очередь, но я думаю, что эта вероятность связана с ожидаемым количеством бросков?
Но я не знаю, как действовать дальше. Я иду в правильном направлении?
self-study
mean
expected-value
dice
saddlepoint-approximation
Обычно подозреваемый
источник
источник
Ответы:
Пока это только некоторые идеи для другого, более точного подхода, основанного на том же наблюдении, что и мой первый ответ. Со временем я буду расширять это ...
Сначала немного обозначений. Пусть некоторое заданное положительное (большое) целое число. Мы хотим , чтобы распределение N , которое является минимальным количеством бросков Обыкновенных костей , чтобы получить сумму по крайней мере K . Итак, сначала мы определяем X i как результат броска костей i , а X ( n ) = X 1 + ⋯ + X n . Если мы можем найти распределение X ( n ) для всех n, то мы можем найти распределение N , используя P ( N ≥К N К Икся я Икс( н )= Х1+⋯+Xn X(n) n N
и все готово.
Теперь возможными значениями для являются n , n + 1 , n + 2 , … , 6 n и для k в этом диапазоне, чтобы найти вероятность P ( X 1 + ⋯ + X n = k ) нам нужно найти общее количество способов записать k как сумму ровно n целых чисел, все в диапазоне 1 , 2 , …X1+⋯+Xn n,n+1,n+2,…,6n k P(X1+⋯+Xn=k) k n . Но это называется ограниченная целочисленная композиция, проблема, хорошо изученная в комбинаторике. Некоторые связанные вопросы по математике SE можно найти по адресу https://math.stackexchange.com/search?q=integer+compositions.1,2,…,6
Поэтому, ища и изучая эту литературу по комбинаторике, мы можем получить точные результаты. Я буду следить за этим, но позже ...
источник
Существует простая замкнутая формула в терминах корней многочлена степени 6.
На самом деле немного проще рассмотреть обычный честный кристалл сd≥2 гранями, помеченными номерами 1,2,…,d.
Пустьek будет ожидаемым числом бросков, необходимым для того, чтобы равняться или превышать k. Для k≤0, ek=0. В противном случае ожидание на единицу больше, чем ожидание количества бросков для достижения непосредственно предшествующего значения, которое будет среди k−d,k−d+1,…,k−1, откуда
Это линейное рекуррентное соотношение имеет решение в виде
гдеλi - d комплексные корни многочлена
Константыai находятся путем применения решения (2) к значениям k=−(d−1),−(d−2),…,−1,0 где ek=0 в каждом случае. Это дает набор d линейных уравнений по d константам и имеет единственное решение. То, что решение работает, может быть продемонстрировано проверкой повторения (1) используя тот факт, что каждый корень удовлетворяет (3):
Это решение в закрытой форме дает нам хорошие способы приблизить ответ, а также оценить его точно. (Для малых и умеренных значенийk, непосредственное применение рецидива является эффективной вычислительной техникой). Например, при dзнак равно6 мы можем легко вычислить
Для приближений будет существовать единственный наибольший кореньλ+= 1 поэтому в конечном итоге (при достаточно большом К ) член λК+ будет доминировать над d членами в ( 2 ) . Ошибка будет экспоненциально уменьшаться в соответствии со второй наименьшей нормой корней. Продолжая пример с к = 6 , коэффициент λ+ представляет + = 0,4761905 , а следующий-наименьшая норма 0,7302500. (Кстати, другойa+= 0,4761905 0,7302500. aя склонен быть очень близким к1 размеру.) Таким образом, мы можем приблизить предыдущее значение как
с ошибкой порядка0.7302500106≈ 10- 314368,
Чтобы продемонстрировать, насколько практичным является это решение, ниже приведенеК для любого К (в рамках вычислений с плавающей запятой двойной точности) и не слишком большого d (оно уменьшится, когда d» 100 ):
R
код, который возвращает функцию для оценкиВ качестве примера его использования здесь рассчитываются ожидания дляk = 1 , 2 , … , 16 :
Возвращаемый объект включает в себя корниλя и их множители aя для дальнейшего анализа. Первым компонентом массива множителей является полезный коэффициент a+,
(Если вам интересно, для чего предназначены другие параметры
die
, выполнитеdie(2, 2, 0, c(1,0))$f(1:10)
и посмотрите, распознаете ли вы вывод ;-). Это обобщение помогло в разработке и тестировании функции.)источник
die
выдает ошибку для меняobject 'phi' not found
.phi
наa
) в последнюю минуту для соответствия тексту. Я исправил (и проверил) это.нет никакого способа получить точное ожидаемое количество бросков в целом, кроме как для К.
Пусть N будет событием ожидаемого броска, чтобы получить сумму => K.
для K = 1, E (N) = 1
для K = 2,Е( N) = ( 56+ 2 ∗ 1 ) / ( 56+ 1 ) = 1711
и так далее.
Например, будет сложно получить E (N) для большого K. Например, для K = 20 вам нужно ожидать (4 броска, 20 бросков)
Вы знаете K, Z (при любой ошибке) ........ тогда вы можете получить N = E (N) с некоторым доверительным процентом, решая уравнение.
источник
Далее мы должны решить уравнение седловой точки.
Это делается с помощью следующего кода:
Функция для возврата хвостовой вероятности:
#
И так далее. Используя все это, вы можете получить приближение для ожидания самостоятельно. Это должно быть намного лучше, чем приближения, основанные на центральной предельной теореме.
источник