Formula per il lancio di dadi (forza non bruta)

Prima di tutto, non sono sicuro di dove pubblicare questa domanda. Sto chiedendo se un problema di statistica è NP-Complete e se non risolverlo a livello di codice. Lo sto postando qui perché il problema statistico è il punto centrale.

Sto cercando di trovare una formula migliore per risolvere un problema. Il problema è: se ho 4d6 (4 dadi a 6 facce ordinari) e li lancio tutti in una volta, rimuovo un dado con il numero più basso (chiamato "lancio"), quindi somma i restanti 3, qual è la probabilità di ogni possibile risultato ? So che la risposta è questa:

Sum (Frequency): Probability
3   (1):         0.0007716049
4   (4):         0.0030864198
5   (10):        0.0077160494
6   (21):        0.0162037037
7   (38):        0.0293209877
8   (62):        0.0478395062
9   (91):        0.0702160494
10  (122):       0.0941358025
11  (148):       0.1141975309
12  (167):       0.1288580247
13  (172):       0.1327160494
14  (160):       0.1234567901
15  (131):       0.1010802469
16  (94):        0.0725308642
17  (54):        0.0416666667
18  (21):        0.0162037037

La media è 12,24 e la deviazione standard è 2,847.

Ho trovato la risposta di cui sopra con la forza bruta e non so come o se esiste una formula per essa. Sospetto che questo problema sia NP-Complete e quindi possa essere risolto solo con la forza bruta. Potrebbe essere possibile ottenere tutte le probabilità di 3d6 (3 dadi a 6 facce normali), quindi inclinarli verso l'alto. Questo sarebbe più veloce della forza bruta perché ho una formula veloce quando tutti i dadi sono tenuti.

Ho programmato la formula per tenere tutti i dadi al college. Ne avevo chiesto al mio professore di statistica e aveva trovato questa pagina , che poi mi ha spiegato. C'è una grande differenza prestazionale tra questa formula e la forza bruta: 50d6 ha impiegato 20 secondi ma 8d6 ha fatto cadere gli arresti più bassi dopo 40 secondi (la memoria di Chrome si esaurisce).

Questo problema è NP-Complete? In caso affermativo, fornire una prova, in caso contrario fornire una formula di forza non bruta per risolverlo.

Nota che non so molto su NP-Complete, quindi potrei pensare a NP, NP-Hard o qualcos'altro. La prova della NP-completezza è inutile per me l'unica ragione per cui lo chiedo è di impedire alle persone di indovinare. E, per favore, mettiti a nudo con me dato che è da molto tempo che non mi occupo di questo: non ricordo le statistiche e potrei aver bisogno di risolverlo.

Idealmente sto cercando una formula più generica per il numero X di dadi con i lati Y quando N di loro viene lasciato cadere, ma sto iniziando con qualcosa di molto più semplice.

Modificare:

Preferirei anche la formula per emettere frequenze ma è accettabile solo l'output delle probabilità.

Per gli interessati ho programmato la risposta di Whuber in JavaScript sul mio GitHub (in questo commit solo i test utilizzano effettivamente le funzioni definite).

Soluzione

Lascia che ci siano dadi ciascuno che dia pari possibilità ai risultati 1 , 2 , ... $n=4$ . Permettere$1, 2, \ldots, d=6$ sia il minimo dei valori quando tutti i n dadi vengono lanciati indipendentemente.$K$$n$

Prendere in considerazione la distribuzione della somma di tutte le valori condizionali su K . Permettere$n$$K$ sia questa somma. La funzione generatrice del numero di modi per formare un dato valore di X , dato che il minimo è almeno k , è$X$$X$$k$

$$f_{(n,d,k)}(x) = x^k+x^{k+1} + \cdots + x^d = x^k\frac{1-x^{d-k+1}}{1-x}.\tag{1}$$

Poiché i dadi sono indipendenti, la funzione generatrice del numero di modi per formare valori di $X$ cui tutti i dadi mostrano valori di k o maggiore è$n$$k$

$$f_{(n,d,k)}(x)^n = x^{kn}\left(\frac{1-x^{d-k+1}}{1-x}\right)^n.\tag{2}$$

Questa funzione di generazione include termini per gli eventi in cui supera k , quindi è necessario sottrarli. Pertanto, la funzione generatrice del numero di modi per formare valori di X , dato$K$$k$$X$ , è$K=k$

$$f_{(n,d,k)}(x)^n - f_{(n,d,k+1)}(x)^n.\tag{3}$$

Notando che la somma dei valori più alti è la somma di tutti i valori meno la più piccola, pari a X - K . La funzione di generazione deve quindi essere divisa per k . Diventa una funzione generatrice di probabilità al moltiplicarsi per la probabilità comune di qualsiasi combinazione di dadi, ( $n-1$$X-K$$k$ :$(1/d)^n$

$$d^{-n}\sum_{k=1}^dx^{-k}\left(f_{(n,d,k)}(x)^n - f_{(n,d,k+1)}(x)^n\right).\tag{4}$$

Poiché tutti i prodotti e i poteri polinomiali possono essere calcolati in $O(n\log n)$ (sono convoluzioni e quindi possono essere eseguiti con la trasformata di Fourier veloce discreta), lo sforzo computazionale totale è . In particolare,è un algoritmo temporale polinomiale.$O(k\,n\log n)$

---

Esempio

Esaminiamo l'esempio nella domanda con e $n=4$ .$d=6$

Formula per PGF di X condizionale su K ≥ k dà$(1)$$X$$K\ge k$

$$\eqalign{ f_{(4,6,1)}(x) &= x+x^2+x^3+x^4+x^5+x^6 \\ f_{(4,6,2)}(x) &= x^2+x^3+x^4+x^5+x^6 \\ \ldots \\ f_{(4,6,5)}(x) &= x^5+x^6 \\ f_{(4,6,6)}(x) &= x^6 \\ f_{(4,6,7)}(x) &= 0. }$$

Alzandoli alla potenza come nella formula ( 2 ) produce$n=4$$(2)$

$$\eqalign{ f_{(4,6,1)}(x)^4 &= x^4 + 4x^5 + 10 x^6 + \cdots + 4x^{23} + x^{24} \\ f_{(4,6,2)}(x)^4 &= x^8 + 4x^9 + 10x^{10}+ \cdots + 4x^{23} + x^{24} \\ \ldots \\ f_{(4,6,5)}(x)^4 &=x^{20} + 4 x^{21} + 6 x^{22} + 4x^{23} +x^{24}\\ f_{(4,6,6)}(x)^4 &= x^{24}\\ f_{(4,6,7)}(x)^4 &= 0 }$$

Le loro successive differenze nella formula sono$(3)$

$$\eqalign{ f_{(4,6,1)}(x)^4 - f_{(4,6,2)}(x)^4 &= x^4 + 4x^5 + 10 x^6 + \cdots + 12 x^{18} + 4x^{19} \\ f_{(4,6,2)}(x)^4 - f_{(4,6,3)}(x)^4 &= x^8 + 4x^9 + 10x^{10} + \cdots + 4 x^{20} \\ \ldots \\ f_{(4,6,5)}(x)^4 - f_{(4,6,6)}(x)^4 &=x^{20} + 4 x^{21} + 6 x^{22} + 4x^{23} \\ f_{(4,6,6)}(x)^4 - f_{(4,6,7)}(x)^4 &= x^{24}. }$$

The resulting sum in formula $(4)$ is

$$6^{-4}\left(x^3 + 4x^4 + 10x^5 + 21x^6 + 38x^7 + 62x^8 + 91x^9 + 122x^{10} + 148x^{11} + \\167x^{12} + 172x^{13} + 160x^{14} + 131x^{15} + 94x^{16} + 54x^{17} + 21x^{18}\right).$$

For example, the chance that the top three dice sum to $14$ is the coefficient of $x^{14}$, equal to

$$6^{-4}\times 160 = 10/81 = 0.123\,456\,790\,123\,456\,\ldots.$$

It is in perfect agreement with the probabilities quoted in the question.

By the way, the mean (as calculated from this result) is $15869/1296 \approx 12.244598765\ldots$ and the standard deviation is $\sqrt{13\,612\,487/1\,679\,616}\approx 2.8468444$.

A similar (unoptimized) calculation for $n=400$ dice instead of $n=4$ took less than a half a second, supporting the contention that this is not a computationally demanding algorithm. Here is a plot of the main part of the distribution:

Since the minimum $K$ is highly likely to equal $1$ and the sum $X$ will be extremely close to having a Normal$(400\times 7/2, 400\times 35/12)$ distribution (whose mean is $1400$ and standard deviation is approximately $34.1565$), the mean must be extremely close to $1400-1=1399$ and the standard deviation extremely close to $34.16$. This nicely describes the plot, indicating it is likely correct. In fact, the exact calculation gives a mean of around $2.13\times 10^{-32}$ greater than $1399$ and a standard deviation around $1.24\times 10^{-31}$ less than $\sqrt{400\times 35/12}$.

Edit: @SkySpiral has had trouble getting the below formula to work. I currently don't have time to work out what the issue is, so if you're reading this it's best to proceed under the assumption it's incorrect.

---

I'm not sure about the general problem with varying numbers of dice, sides, and drops, but I think I can see an efficient algorithm for the drop-1 case. The qualifier is that I'm not completely sure that it's correct, but right now I can't see any flaws.

Let's start by not dropping any dice. Suppose $X_n$ represents the $n$th die, and suppose $Y_n$ represents the sum of $n$ dice. Then

$$p(Y_n = a) = \sum_k p(Y_{n-1} = a - k)p(X_n=k)$$

Now suppose $Z_n$ is the sum of $n$ dice when one die is dropped. Then

$$p(Z_n = a) = p(\text{$n$th die is the smallest})p(Y_{n-1} = a) + \\ p(\text{$n$th die is not the smallest})\sum_k p(Z_{n-1} = a - k)p(X_n=k)$$

If we define $M_n$ to be distribution of the minimum of $n$ dies, then

$$p(Z_n = a) = p(X_n \leq M_{n-1})p(Y_{n-1} = a | X_n \leq M_{n-1}) + \\ p(X_n > M_{n-1})\sum_k p(Z_{n-1} = a - k)p(X_n=k | X_n > M_{n-1})$$

and we can calculate $M_n$ using

$$p(M_n = a) = p(X_n \leq M_{n-1})p(X_n = a |X_n \leq M_{n-1}) + p(X_n > M_{n-1})p(M_{n-1} = a|X_n > M_{n-1})$$

Anyway, together this all suggests a dynamic programming algorithm based on $Y_n, Z_n$ and $M_n$. Should be quadratic in $n$.

edit: A comment has been raised on how to calculate $p(X_n \leq M_{n-1})$. Since $X_n, M_{n-1}$ can each only take on one of six values, we can just sum over all possibilities:

$$p(X_n \leq M_{n-1}) = \sum_{a,b} p(X_n = a, M_{n-1} = b, a \leq b)$$

Similarly, $p(X_n = k | X_n > M_{n-1})$ can be calculated by applying Bayes rule then summing over the possible values of $X_n, M_{n-1}$.

I have a reasonably efficient algorithm for this that, on testing, seems to match results of pure brute force while relying less heavily on enumerating all possibilities. It's actually more generalized than the above problem of 4d6, drop 1.

Some notation first: Let $X_NdY$ indicate that you are rolling $X$ dice with $Y$ faces (integer values $1$ to $Y$), and considering only the highest $N$ dice rolled. The output is a sequence of dice values, e.g. $4_3d6$ yields $3, 4, 5$ if you rolled $1, 3, 4, 5$ on the four dice. (Note that I'm calling it a "sequence," but the order is not important here, particularly since all we care about in the end is the sum of the sequence.)

The probability $P(X_NdY = S)$ (or more specifically, $P(4_3d6 = S)$) is a simplified version of the original problem, where we are only considering a specific set of dice, and not all possible sets that add up to a given sum.

Suppose $S$ has $k$ distinct values, $s_0, s_1, ..., s_k$, such that $s_i > s_{i+1}$, and each $s_i$ has a count of $c_i$. For example, if $S = 3, 4, 4, 5$, then $(s_0,c_0) = (5,1)$, $(s_1,c_1) = (4,2)$, and $(s_2,c_2) = (3,1)$.

You can calculate $P(X_NdY = S)$ in the following way:

$$P(X_NdY = S) = \frac{ \left( \prod_{i=0}^{k-1} {X - \sum_{h=0}^{i-1} c_h \choose c_i} \right) \left( \sum_{j=0}^{X-N} { c_k+X-N \choose c_k+X-N-j} (s_k-1)^j \right)}{ Y^X }$$

That's pretty messy, I know.

The product expression $\prod_{i=0}^{k-1}$ is iterating through all but the lowest of the values in $S$, and calculating all the ways those values may be distributed among the dice. For $s_0$, that's just $X \choose c_i$, but for $s_1$, we have to remove the $c_0$ dice that have already been set aside for $s_0$, and likewise for $s_i$ you must remove $\sum_{h=0}^{i-1}c_h$.

The sum expression $\sum_{j=0}^{X-N}$ is iterating through all the possibilities of how many of the dropped dice were equal to $s_k$, since that affects the possible combinations for the un-dropped dice with $s_k$ as their value.

By example, let's consider $P[4_3d6=(5,4,4)]$:

$$(s_1, c_1) = (5, 1)$$ $$(s_2, c_2) = (4, 2)$$

So using the formula above:

$$P[4_3d6=(5,4,4)] \\ = \frac{ {4 \choose 1} \left( {3 \choose 3} \cdot 3^0 + {3 \choose 2} \cdot 3^1 \right) }{ 6^4 } \\ = \frac{5}{162} = 0.0\overline{308641975}$$

The formula breaks down on a domain issue when $s_k=1$ and $j=0$ in the summation, leading to a first term of $0^0$, which is indeterminate and needs to be treated as $1$. In such a case, a summation is not actually necessary at all, and can be omitted, since all the dropped dice will also have a value of $s_k = 1$.

Now here's where I do need to rely on some brute force. The original problem was to calculate the probability of the sum being some value, and $X_NdY$ represents the individual dice left after dropping. This means you must add up the probabilities for all possible sequences $S$ (ignoring ordering) whose sum is the given value. Perhaps there is a formula to calculate this across all such values of $S$ at once, but I haven't even tried broaching that yet.

I've implemented this in Python first, and the above is an attempt to express it mathematically. My Python algorithm is accurate and reasonably efficient. There are some optimizations that could be made for the case of calculating the entire distribution of $\sum X_NdY$, and maybe I'll do that later.