Numero previsto di lanci fino a quando non esce la prima testa


18

Supponiamo che una moneta giusta venga lanciata ripetutamente fino a quando non si ottiene una testa per la prima volta.

  • Qual è il numero previsto di lanci che saranno richiesti?
  • Qual è il numero atteso di code che saranno ottenute prima di ottenere la prima testa?

2
Questo link ha le risposte per entrambe le domande: en.wikipedia.org/wiki/Geometric_distribution
swmo

2
Se questa è una domanda di studio autonomo, aggiungi il tag.
Xi'an,

Risposte:


17

A questo si può rispondere usando la distribuzione geometrica come segue:

Il numero di guasti k - 1 prima del primo successo (teste) con una probabilità di successo p ("teste") è dato da:

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

con k è il numero totale di lanci, comprese le prime "teste" che terminano l'esperimento.

E il valore atteso di X per un dato p è 1/p=2 .

La derivazione del valore atteso è disponibile qui . Gli ultimi passaggi lasciati impliciti dovrebbero essere i seguenti:

ddr11r=1(1r)2 da inserire nell'espressione:

. Conr=1-p, semplificaE(X)=p1px=1x rx=p1p r (ddr11r)=p1p r 1(1r)2r=1p

, giustificando il suo uso sopra.]E(X)=1p

In alternativa, potremmo usare la distribuzione binomiale negativa interpretata come il numero di guasti prima del primo successo. La funzione di massa di probabilità è data come p (numero di fallimenti, n , prima di raggiungere r successi | data una certa probabilità, p , di successo in ogni prova di Bernoulli):

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

L'aspettativa per il numero di prove, n + r è data dalla formula generale:

r(1p)

Dati i nostri parametri noti: r = 1 e p = 0,5 ,

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

Quindi possiamo aspettarci di fare due lanci prima di ottenere la prima testa con il numero atteso di code che è .E(n+r)r=1

Possiamo eseguire una simulazione Monte Carlo per dimostrarlo:

   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
Per la domanda attuale, la distribuzione è chiamata distribuzione geometrica . G(p)
Xi'an,

And the expected value of p 1 / p e come si dovrebbe provare questo? X for a given p is 1/p
Dilip Sarwate,

C'è una bella derivazione su math.stackexchange.com/questions/235927/… Ma posso includere la fine di quella derivazione nella mia risposta.
Antoni Parellada,

4

Modella il gioco estraendo un biglietto da una scatola. Esistono due tipi di biglietti. Su uno è scritto "Stop, hai lanciato la testa"; dall'altro è scritto "Continua, hai lanciato la coda". Il numero previsto di lanci aggiuntivi nel primo caso è mentre il numero previsto di lanci aggiuntivi nel secondo caso è x , diciamo - non lo sappiamo ancora e dobbiamo scoprirlo.0X

Scrivi queste aspettative sui rispettivi biglietti: questi sono i valori dei biglietti.

Le tre cose che sappiamo sono:

  1. La possibilità di estrarre un biglietto "Stop" (con valore ) è pag0p .

  2. La possibilità di pescare un biglietto "Continua" (con valore ) è 1 - pX1-p .

  3. L'aspettativa di questa singola estrazione è, per definizione, la somma dei valori ponderati per la probabilità su tutti i tipi di biglietti:

    p×0+(1-p)×X=(1-p)X.

Interpretiamo questo numero: è il numero previsto di lanci aggiuntivi che saranno necessari fino a quando appare una testa. Poiché le estrazioni di biglietti corrispondono a lanci di monete, l'aggiunta dell'estrazione necessaria per ottenere un biglietto ci dà il numero previsto di lanci - che è solo stesso. Equiparando queste due espressioni,X

X=1+(1-p)X.

Risolvendo per risponde alla prima domanda. X Poiché il numero di code è sempre uno in meno del numero di estrazioni, anche il numero previsto di code deve essere uno in meno del numero previsto di estrazioni. Pertanto risponde alla seconda domanda.X-1


npnhpnnXn/hn/(h+1)n/(pn)X

Questo porta ad un modo estremamente efficiente per simulare la distribuzione delle lunghezze di gioco . Ecco il Rcodice. Registra "teste" come valori veri in una matrice booleana e calcola i lanci tra valori veri successivi.

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

17set.seed(17)X


Potresti aiutarmi a capire perché la "x" del gioco di disegno e la "x" nella seconda equazione rappresentano la stessa cosa? Non ho idea di come si ottiene la seconda equazione. Grazie mille.
Luce,

@Light La seconda equazione è spiegata nel paragrafo precedente.
whuber

♦ Grazie per la tua risposta. Ho letto la definizione di xe il paragrafo che hai detto più volte, ma ancora non capisco. Lasciami dire che la mia comprensione e per favore aiutami a capire se fraintendo sth. Da quanto ho capito, x è il numero atteso "aggiuntivo" nel gioco dei biglietti da disegno, che è un gioco diverso dal gioco originale, perché l'aspettativa (fammi chiamarlo "E") del gioco a gettoni include il primo lancio. Secondo me, E dovrebbe essere "x + 1", ma non sono la stessa cosa. Nell'equazione, hai reso x ed E la stessa cosa che mi rende confuso. Grazie.
Luce

2

Sia X il numero di lanci di monete richiesti fino ad ottenere una testa. Quindi, dobbiamo calcolare E (X) (ovvero il valore atteso di X).

Possiamo condizionare E (X) su qualunque sia il nostro primo capovolgimento. Lascia che E (X | H) denoti il ​​numero di lanci rimanenti di monete dato che ho ottenuto una testa sul primo lancio. Allo stesso modo, sia E (X | T) a indicare il numero di lanci rimanenti, dato che ho ottenuto una coda al primo lancio.

Al primo passo condizionamento, abbiamo

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

Ora, come E(X|H) indicato i lanci rimanenti dopo aver ricevuto la testa sul primo, sarà uguale a 0 in quanto non ho bisogno di lanciare dopo aver ottenuto 1 testa.

E, E(X|T)=E(X), poiché non abbiamo fatto alcun progresso per ottenere 1 testa.

Così, E(X)=12*(1+0)+12*(1+E(X))

=> E(X)=2

Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.