Można na nie odpowiedzieć, stosując następujący rozkład geometryczny :
Liczbę awarii k - 1 przed pierwszym sukcesem (główkami) z prawdopodobieństwem sukcesu p („główkami”) podaje:
p(X=k)=(1−p)k−1p
gdzie k jest całkowitą liczbą rzutów, w tym pierwszymi „główkami” kończącymi eksperyment.
A oczekiwana wartość X dla danego p wynosi .1/p=2
Wyprowadzenie oczekiwanej wartości można znaleźć tutaj . Ostatnie kroki pozostawione domyślnie powinny wyglądać następująco:
które należy podłączyć do wyrażenia:ddr11−r=1(1−r)2
. Przyr=1-pupraszcza sięE(X)=p1−p∑x=1∞x rx=p1−p r (ddr11−r)=p1−p r 1(1−r)2r=1−p
, uzasadniając powyższe użycie.]E(X)=1p
Alternatywnie, moglibyśmy zastosować ujemny rozkład dwumianowy interpretowany jako liczba awarii przed pierwszym sukcesem. Funkcja masy prawdopodobieństwa jest podawana jako p (liczba niepowodzeń, n , przed osiągnięciem r sukcesów | przy pewnym prawdopodobieństwie, p , sukcesu w każdej próbie Bernoulliego):
p(n;r,p)=(n+r−1r−1)pr(1−p)n
Oczekiwaną liczbę prób, n + r określa ogólny wzór:
r(1−p)
Podane nasze znanych parametrów: R = 1 i P = 0,5 ,
E(n+r;1,0.5)=r1−p=11−0.5=2
Dlatego możemy spodziewać się, że wykonamy dwa rzuty, zanim zdobędziemy pierwszą głowę, a spodziewana liczba ogonów to .E(n+r)−r=1
Możemy uruchomić symulację Monte Carlo, aby to udowodnić:
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