Losowy spacer po krawędziach sześcianu


35

Mrówka jest umieszczana w rogu sześcianu i nie może się poruszać. Pająk zaczyna od przeciwnego rogu i może poruszać się wzdłuż krawędzi sześcianu w dowolnym kierunku z jednakowym prawdopodobieństwem . Średnio ile kroków będzie musiał pająk dostać się do mrówki?(x,y,z)1/3

(To nie jest praca domowa, to pytanie do wywiadu.)


7
Zadanie domowe? Czego spróbowałeś do tej pory?
Adrian

Jeśli chodzi o łańcuchy Markowa, oto świetne wprowadzenie setosa.io/blog/2014/07/26/markov-chains
DL Dahly

1
Zwykle tego rodzaju rutynowe rezerwacje powinny być oznaczone self-studytagiem i postępować zgodnie ze wskazówkami na jego wiki wiki . Edytuj to pytanie i
dołącz do

4
@GarethMcCaughan - Nie, to było pytanie do wywiadu.
Elizabeth Susan Joseph

Po @alesc zrobiłem JavaScript Plunker. plnkr.co/edit/jYQVDI
abbaf33f

Odpowiedzi:


32

Sugeruję modelowanie problemu jako łańcuch Markowa, w którym każdy stan reprezentuje odległość między pająkiem a mrówką. W tym przypadku mamy 4 możliwe stany ponieważ odległości mogą wynosić .Sii{0,1,2,3}

Kiedy pająk znajduje się w przeciwległym rogu sześcianu, znajduje się w odległości 3 kroków od mrówki. Jest w stanie .S3

Budowanie macierzy przejścia .P

  • Jeśli narysujemy sześcian, zobaczymy, że gdy jesteśmy w stanie , każdy ruch zmniejsza odległość między pająkiem a mrówką do 2 kroków. Tak więc, gdy jesteśmy w stanie , przechodzimy do stanu z prawdopodobieństwem 1.S3S3S2

  • Kiedy jesteśmy w stanie , możemy wrócić do stanu używając krawędzi, którą stamtąd przybyliśmy, lub możemy zmniejszyć odległość do tylko jednego kroku, jeśli wybieramy dwie inne krawędzie. Tak więc, gdy jesteśmy w stanie , możemy przejść do stanu z prawdopodobieństwem 2/3 i do stanu z prawdopodobieństwem 1/3.S2S3S2S1S3

  • Gdy jesteśmy w stanie , możemy przejść do stanu używając jednej z trzech możliwych krawędzi. Jeśli użyjemy pozostałych dwóch, wrócimy do stanu . Tak więc, gdy jesteśmy w stanie , możemy przejść do stanu z prawdopodobieństwem 1/3 i do stanu z prawdopodobieństwem 2/3.S1S0S2S1S0S2

  • Kiedy dochodzimy do stanu , zostajemy tam, ponieważ jest to naszym celem. jest stanem pochłaniającym.S0S0

P=[PS3S3PS3S2PS3S1PS3S0PS2S3PS2S2PS2S1PS2S0PS1S3PS1S2PS1S1PS1S0PS0S3PS0S2PS0S1PS0S0]=[01001/302/3002/301/30001]

Jest to pochłaniający łańcuch Markowa z trzema stanami przejściowymi ( , S 2 , S 1 ) i jednym stanem pochłaniającym ( S 0 ).S3S2S1S0

Zgodnie z teorią macierz przejściowa łańcucha Markowa z stanami przejściowymi i stanami pochłaniania r może zostać przepisana jako: P = [ Q t R 0 r × t I r ]tr

P=[QtR0r×tIr]

gdzie jest w odległości t x t matrycy, który pokazuje prawdopodobieństwo przejście z pewnym stanie nieustalonym do innego stanie nieustalonym, a R jest t x R macierz prawdopodobieństw przejście z jednego z T stanów przejściowych z jednym z r absorbujący stany. Macierz tożsamości I r pokazuje nam, że gdy osiągnięty zostanie którykolwiek ze stanów pochłaniania r , nie następuje przejście od tego stanu. Macierz wszystkich zer 0 r × t można interpretować jako brak przejścia z któregokolwiek z rQtt×tRt×rtrIrr0r×trstany pochłaniające do dowolnego z stanów przejściowych.t

wejścia Q , T oznacza prawdopodobieństwo przejścia ze stanu ı do stanu j dokładnie w jednym etapie. Aby uzyskać prawdopodobieństwo dla k kroków, potrzebujemy wpisu ( i , j ) Q k t . Podsumowując dla wszystkich k , otrzymujemy macierz, która zawiera w swoim ( i , j ) wpisie oczekiwaną liczbę wizyt w stanie przejściowym j po rozpoczęciu od stanu przejściowego i .(i,j)Qtijk(i,j)Qtkk(i,j)ji

k=0Qtk=(ItQt)1

Aby uzyskać liczbę kroków do wchłonięcia, po prostu zsumuj wartości każdego rzędu . Może to być reprezentowane przez(ItQt)1

t=(ItQt)11

gdzie jest wektorem kolumny ze wszystkimi składnikami równymi 1.1

Zastosujmy to do naszego przypadku:

Jak wspomniano powyżej, w tym przypadku mamy = 3 stanów przejściowych i r = 1 stan chłonnej, więc: Q , T = [ 0 1 0 1 / 3 0 2 / 3 0 2 / 3 0 ]tr

Qt=[0101/302/302/30]R=[001/3]

Macierz z oczekiwaną liczbą odwiedzin wynosi

(ItQt)1=[2.54.531.54.53133]

Matrycę tę można interpretować w następujący sposób. Zaczynając od stanu a przed wchłonięciem w S 0 odwiedzamy średnio S 3 2,5 razy, S 2 4,5 razy i S 13 razy.S3S0S3S2S1

Oczekiwana liczba kroków od stanu do stanu S 0 jest określona przez pierwszy składnik następującego wektora:S3S0

t=[2.54.531.54.53133][111]=[1097].

Drugi i trzeci składnik to oczekiwana liczba kroków do S 0, jeśli zaczniemy odpowiednio od S 2 i S 1 .tS0S2S1


Nie mam pojęcia, czym jest mcmc. Muszę to przeczytać, a następnie sprawdzić twoje rozwiązanie. Czy istnieje jakieś dobre wyjaśnienie MCM, które uzupełnia twoje rozwiązanie?
Elizabeth Susan Joseph

10
@ElizabethSusanJoseph Zauważ, że łańcuchy Markowa i MCMC (łańcuch Markowa Monte Carlo) to dwie odrębne koncepcje (chociaż MCMC opiera się na łańcuchach Markowa). Ta odpowiedź nie używa MCMC do niczego. Prawdopodobnie szukasz dobrego wyjaśnienia na temat łańcuchów Markowa, a nie MCMC.
Juho Kokkala

tiagotvv your explanation would be improved by defining and explaining the use of the transition matrix P, the meaning of the quantity r, and the height of the column vector. Bonus points for meaning of subsequent elements of the vector t. :)
Alexis

@JuhoKokkala - thanks I will then look at the markov chain explanations.
Elizabeth Susan Joseph

@Alexis I added some explanation regarding the matrices and vectors.
tiagotvv

21

Let x be the number of expected steps. Let x1 be the number of expected steps from any corner adjacent to the origin of the spider and x0 ditto for the ant.

Then x=1+x1 and x0=1+23x1. Since

x1=1+23x0+13x=1+23x0+13+13x1

we get that x1=x0+2. So x0=1+23x0+43 implying that x0=7 and x1=9.

We get our answer as x=10.

Edit:

If we draw the cube with coordinates (x,y,z) then 111 is the starting position of the spider and 000 the position of the ant.

The spider can move to either 011, 101 or 110.

By the symmetry of the cube these must have the same number of expected steps to the ant, denoted by x1. From x1, we can either return to the origin (with probability 1/3) or (with probability 2/3) we can go to one of the points 001, 100, 010 depending on which state we are in.

Again, by symmetry, these points will have the same number of expected steps which we call x0. From these positions we can reach the goal in one step with probability 1/3) or go back to one of the x1-positions with probability 2)/3). This means that x0=13)1+2)3)(1+x1)=1+2)3)x1.


Could you further elaborate your answer? Please explain in layman terms :)
Elizabeth Susan Joseph

17

One nice abstraction to think of it is this:

Think of the Position of the Ant as (0,0,0) and Spider (1,1,1), now each move the spider can make will essentially switch exactly one of the three components from 10 or 01. So the question becomes:

If I randomly switch bits in (1,1,1) after how many steps in average do I get 0,0,0

We see the shortest way is 3 switches. Since it doesn't matter with which bit I start the probability of that happening is 1 * 2/3 * 1/3 = 2/9. If we make 1 mistake (switch one bit back to 1) we will need 5 steps. And the chances of making a mistake are 7/9 - if we want to make only one mistake, we have to get from there back and do everything right again - so the chance of making exactly 1 mistake resulting in 5 steps is 7/9 * 2/9 and the chance of making 2 mistakes aka 7 steps is (7/9)² * 2/9 and so on.

So the formula for the expected average number of steps is:

E(steps)=n=0(3+2n)29(79)n=10

Your solution is some what confusing. What is this formula? what is n here?
Elizabeth Susan Joseph

5
It is actually the shortest and cleanest solution. The solution is in the form of an infinite sum of numbers from zero to infinity and n is the current integer in that infinite sum.
alesc

This is really nice! My answer is similar, but breaks up the sequence of switches into pairs - which lets me expectate a geometric variable (or alternatively, sum a geometric series) rather than sum an arithmetico-geometric series. That's the only substantive difference: it doesn't matter much whether one takes "first three switches, then subsequent pairs" (as you did) or "first switch, then subsequent pairs" (as I did), since unless the fly is caught in 3 switches, then either way you're dealing with one odd and two even parities.
Silverfish

16

Just to compliment tiagotvv's answer:

Naturalnie nie myślę o tego rodzaju problemach jako o matrycach (nawet jeśli są). Muszę to wyciągnąć, co zrobiłem poniżej. Widać, że istnieją 3 miejsca do przejścia z S, z których wszystkie są As. Z dowolnego A możesz wrócić do S lub przejść do jednego z dwóch Bs. Z dowolnego B możesz przejść do E lub do jednego z dwóch As. Wszystko to przekłada się na macierz przejścia podaną przez tiagotvv, którą można również narysować w formie wykresu.

wprowadź opis zdjęcia tutaj

Ponieważ jestem okropny z matematyki, po prostu spróbuję zasymulować twój problem. Możesz to zrobić za pomocą pakietu markovchain w R.

  library(markovchain)
  library(ggplot2)

  # Create a markovchain object, given the states and their transition matrix

  mcCube <- new("markovchain", 
                states = c("S", "A", "B", "E"),
                transitionMatrix = matrix(data = c(0,   1,   0,   0,
                                                   1/3, 0,   2/3, 0,
                                                   0,   2/3, 0,   1/3,
                                                   0,   0,   0,   1), 
                                          byrow = T, nrow = 4),
                name = "cube")

  # The following code calcuates the probability of landing on E after taking
  # between 1 and 100 steps from the start, given the above set of transition
  # probabilities.

  start <- c(1, 0, 0, 0)

  list <- list()

  for (i in 1:100){

    list[[i]] <- (start * mcCube^i)[4] 

  }

   a <- do.call(rbind, list)

   data <- data.frame(propE = a, 
                      steps = c(1:100))

   ggplot(data, aes(x = steps, y = propE)) +
    geom_line(size = 1) +
    ylab("Probability you reached the spider") +
    xlab("Number of steps taken") +
    theme_bw() +
    theme(panel.grid.minor = element_blank())

wprowadź opis zdjęcia tutaj

  # This code simulates 1000 different applications of the markov chain where you 
  # take 1000 steps, and records the step at which you landed on E

  list <- list()
  for (i in 1:1000) {


    b <- rmarkovchain(n = 1000, object = mcCube, t0 = "S", include.t0 = T)

    list[[i]] <- 1001 - length(b[b == "E"])

  }

  data <- as.data.frame(do.call(rbind, list))

  ggplot(data, aes(x = V1)) +
    geom_density(fill = "grey50", alpha = 0.5) +
    geom_vline(aes(xintercept = mean(V1))) +
    ylab("Density") +
    xlab("Number of steps to reach E") +
    theme_bw() +
    theme(panel.grid.minor = element_blank())

  mean(data$V1)  # ~10 is the average number of steps to reach E in this set of
                 # simulations

wprowadź opis zdjęcia tutaj

Odpowiedź tiagotvv można obliczyć w R jako:

q = matrix(c(0,   1,   0,   
             1/3, 0,   2/3, 
             0,   2/3, 0), byrow = T, nrow = 3)


(solve(diag(3) - q) %*% c(1, 1, 1))[1] # = 10

11

Względy parzystości dają bardzo czyste rozwiązanie, przy użyciu zaskakująco prostych mechanizmów: bez łańcuchów Markowa, bez powtarzanych oczekiwań i tylko podsumowania na poziomie szkoły średniej. Podstawową ideą jest to, że jeśli pająk poruszył się parzystą liczbę razy wx kierunek, powrócił do swojego pierwotnego xwspółrzędna, więc nie może być w pozycji mrówki. Jeśli poruszył się nieparzystą liczbę razy wx kierunek, to jego xwspółrzędna odpowiada mrówce. Tylko jeśli poruszył się nieparzystą liczbę razy we wszystkich trzech kierunkach, będzie pasował dox, y i z współrzędne mrówki.

Początkowo pająk wykonał zero ruchów w dowolnym z trzech kierunków, więc parzystość dla każdego kierunku jest parzysta. Wszystkie trzy parytety muszą zostać odwrócone, aby dotrzeć do mrówki.

Po pierwszym ruchu pająka (oznaczmy ten kierunek x), dokładnie jeden kierunek ma nieparzystą parzystość, a pozostałe dwa (y i z) są parzyste. Aby złapać mrówkę, tylko te dwa parytety muszą zostać odwrócone. Ponieważ nie można tego osiągnąć w nieparzystej liczbie kolejnych ruchów, odtąd rozważamy pary ruchów. Istnieje dziewięć możliwych kombinacji dla pierwszego sparowanego ruchu:

(x,x),(x,y),(x,z),(y,x),(y,y),(y,z),(z,x),(z,y),lub(z,z)

Musimy się wprowadzić y i z wskazówki, jak dotrzeć do mrówki po jednym sparowanym ruchu, a osiągną to dwie z dziewięciu kombinacji: (y,z) i (z,y) zapewniłby, że wszystkie trzy parytety są nieparzyste.

Pozostałe siedem kombinacji pozostawia jeden parzysty i dwa parzyste. Trzy powtarzające się ruchy(x,x), (y,y) lub (z,z), pozostaw wszystkie parytety na niezmienionym poziomie, więc nadal potrzebujemy jednego y i jeden zruch do mrówki. Pozostałe pary zawierają dwa różne ruchy, w tym jeden wxkierunek. To przełącza parzystośćx i jeden z pozostałych parytetów (albo y lub z), więc nadal mamy jeden parzysty nieparzysty i dwa parzyste. Na przykład para(x,z) pozostawia nas potrzebujących jeszcze jednego x i jeszcze jeden ydotrzeć do mrówki: sytuacja równoważna (po ponownym znakowaniu osi) do poprzedniej. Następnie możemy przeanalizować następny sparowany ruch w ten sam sposób.

In general paired moves start with one odd and two even parities, and will either end with three odd parities (with probability 29) and the immediate capture of the ant, or with one odd and two even parities (with probability 79) which returns us to the same situation.

Let M be the number of paired moves required to reach the ant. Clearly M follows the geometric distribution on the support {1,2,3,} with probability of success p=29 so has mean E(M)=p1=92=4.5. Let N be the total number of moves required, including the initial move and the M subsequent paired moves. Then N.=2)M.+1 stosując liniowość oczekiwań, mi(N.)=2)mi(M.)+1=2)×4.5+1=10.

Możesz też zauważyć P.(M.m)=(79)m-1i zastosuj dobrze znaną formułę dla średniej dyskretnego rozkładu przyjmującego tylko nieujemne wartości całkowite ,mi(M.)=m=1P.(M.m). To dajemi(M.)=m=1(79)m-1 który jest serią geometryczną z pierwszym terminem za=1 i wspólny stosunek r=79 ma też sumę za1-r=11-7/9=12)/9=92). Możemy wtedy wziąćmi(N.) jak wcześniej.

Porównanie do rozwiązań łańcuchowych Markowa

Jak mogłem to zauważyć w macierzy przejścia łańcucha Markowa? Używając notacji @ DLDahly, stany w macierzy przejścia odpowiadają mojemu opisowi liczby kierunków z nieparzystą parzystością.

Pająk mrówka w kostce

Macierz przejścia jednoetapowego to

P.=[P.S.S.P.S.ZAP.S.bP.S.miP.ZAS.P.ZAZAP.ZAbP.ZAmiP.bS.P.bZAP.bbP.bmiP.miS.P.miZAP.mibP.mimi]=[01001/3)02)/3)002)/3)01/3)0001]

Pierwszy rząd pokazuje nam, że po jednym ruchu pająk jest w stanie A (jeden nieparzysty i dwa parzyste). Dwuetapowa macierz przejścia to:

P.(2))=P.2)=[1/3)02)/3)007/902)/92)/904/91/3)0001]

Drugi rząd pokazuje nam, że po wejściu pająka w stan A, w czasie dwóch ruchów albo z prawdopodobieństwem powrócił do stanu A 7/9 lub osiągnął stan E (wszystkie nieparzyste parytety) i schwytał mrówkę z prawdopodobieństwem 2)/9. Po osiągnięciu stanu A widzimy z dwuetapowej macierzy przejścia, że ​​liczbę wymaganych ruchów dwuetapowych można analizować przy użyciu rozkładu geometrycznego jak powyżej. Nie tak znalazłem swoje rozwiązanie, ale czasami warto obliczyć kilka pierwszych mocy macierzy przejścia, aby sprawdzić, czy można wykorzystać taki użyteczny wzór. Czasami zdarza mi się, że daje to prostsze rozwiązania, niż konieczność odwracania matrycy lub ręcznego wykonywania eigendecompozycji - co prawda jest tak naprawdę istotne tylko w przypadku egzaminu lub rozmowy kwalifikacyjnej.


2

Napisałem krótki program Java, aby liczbowo odpowiedzieć na twoje pytanie. Przemieszczanie się pająka jest naprawdę losowe, co oznacza, że ​​może również przemieszczać się cyklicznie przed dotarciem do mrówki.

Nie zdefiniowałeś jednak terminu „przeciwny róg”, więc mam dwa różne scenariusze. Naprzeciwko jak w poprzek tej samej płaszczyzny lub jak przez sześcian. W pierwszym scenariuszu najkrótsza ścieżka to 2 kroki i 3 kroki w drugim scenariuszu.

Użyłem 100 milionów powtórzeń, a wyniki są następujące:

-- First scenario --
Steps sum: 900019866
Repeats: 100000000
Avg. step count: 9.00019866

-- Second scenario --
Steps sum: 1000000836
Repeats: 100000000
Avg. step count: 10.00000836

Kod źródłowy:

import java.util.Random;
import java.util.concurrent.atomic.AtomicLong;
import java.util.stream.IntStream;

public class ProbabilityQuizSpider {

    // Edges of the cube
    private static final int[][] EDGES = new int[][] {
            {1, 3, 7}, // corner 0
            {0, 2, 4}, // corner 1
            {1, 3, 5}, // corner 2
            {0, 2, 6}, // corner 3
            {1, 5, 7}, // corner 4
            {2, 4, 6}, // corner 5
            {3, 5, 7}, // corner 6
            {0, 4, 6}  // corner 7
    };

    private static final int START = 0; // Spider
    private static final int FINISH = 5; // Ant
    private static final int REPEATS = (int) Math.pow(10, 8);

    public static void main(String[] args) {

        final Random r = new Random();
        final AtomicLong stepsSum = new AtomicLong();

        IntStream.range(0, REPEATS).parallel().forEach(i -> {

            int currentPoint = START;
            int steps = 0;

            do {

                // Randomly traverse to next point
                currentPoint = EDGES[currentPoint][r.nextInt(3)];

                // Increase number of steps
                steps++;

            } while(currentPoint != FINISH);

            stepsSum.addAndGet(steps);

        });

        // Results
        System.out.println("Steps sum: " + stepsSum.get());
        System.out.println("Repeats: " + REPEATS);
        System.out.println("Avg. step count: " + (((double) stepsSum.get()) / ((double) REPEATS)));

    }

}

EDYCJA: poprawiono literówkę w skrypcie (a także zaktualizowałem wyniki)


2
Myślę, że twoje krawędzie są błędne. Róg 3 ma 7 na swojej liście, ale róg 7 nie ma 3 na swojej liście. (Sugeruję, że właściwym sposobem mapowania wierzchołków na liczby 0..7 jest stwierdzenie, że każda pozycja bitu odpowiada jednej osi, tak że przemieszczenie krawędzi równa się XOR z 1, 2 lub 4.)
Gareth McCaughan

1
Dziękuję za komentarz. Zrobiłem literówkę podczas definiowania rogu nr 3, tak powinno być {0, 2, 6}. Ponownie uruchomiłem program i otrzymałem następujący wynik: 10,00000836 kroków przejścia od rogu 0 do rogu 5 (przekątna sześcianu). Jest to również zgodne z @Hunaphu.
alesc

Tak, o wiele lepiej.
Gareth McCaughan

2

Rozwiązałem waszą zagadkę za pomocą symulacji Monte Carlo (n=104) i uzyskane mmizan(stmips)10.

Symulacja Monte Carlo ($ n = 10 ^ 4 $)

Oto kod R, którego użyłem:

ant = c(0,0,0) # ant's coordinates 

sim = 1e4 # number of MC simulations
steps = numeric() # initialize array of steps

for (i in 1:sim)
{
  spider = c(1,1,1) # spider's coordinates
  count = 0 # initialize step counter

  # while ant's coordinates == spider's coordinates
  while (!isTRUE(all.equal(ant, spider)))
  {

  # random walk in one of three dimensions
  xyz = trunc(runif(1,1,4))

  # let the spider move
  if (spider[xyz] == 1) 
    {
    spider[xyz] = 0
    } else if (spider[xyz] == 0) 
    {
    spider[xyz] = 1
    }

  # add one step
  count = count + 1
  }

# add the number of step occurred in the ith iteration
steps = c(steps, count)

# print i and number of steps occurred
cat("\n", i, " ::: ", count)
}

# print the mean of steps
(mean(steps))

9
Kod jest ładny i przejrzysty - ale wymaga od większości użytkowników obejrzenia miliona linii wydrukowanych w ciągu pół godziny! A skąd wiesz, że poprawna odpowiedź nie brzmi, powiedzmy,10,000001? :-) FWIW, możesz wykorzystać niektóre natywne Rfunkcje, aby przyspieszyć to do niecałej sekundy:n.sim <- 1e6; x <- matrix(runif(n.sim*3), ncol=3); moves <- x >= pmax(x[, 1], x[, 2], x[, 3]); positions <- apply(moves, 2, cumsum) %% 2; types <- rowSums(positions); vertices <- types[types==0 | types==3]; transitions <- cumsum(diff(vertices) != 0); n.sim / transitions[length(transitions)]
whuber

-1

Uważam, że alesc jest na dobrej drodze, gdy wspomina „Jednak nie zdefiniowałeś terminu„ przeciwny róg ”. O ile nie brakuje mi czegoś w pytaniu, nie ma poprawnej odpowiedzi, tylko odpowiedzi oparte na założeniach. Rozmiar kostki nie jest zdefiniowany IE 10 stóp sześciennych, 1000 stóp sześciennych itp. Rozmiar mrówki nie jest zdefiniowany IE mały ogród, cieśla, olbrzymi czerwony itp., Typ pająka nie jest zdefiniowany (aby określić rozmiar kroku) IE mały ogród, tarantula itp. JEŻELI połączysz wszystkie „nie zdefiniowano "zmienne. Odpowiedź może wynosić 0 kroków lub nieokreśloną / nieskończoną liczbę kroków.


3
Ta odpowiedź nie doprowadziłaby do przejścia na kolejny poziom wywiadów, chyba że dotyczyłaby pozycji ogrodniczej.
whuber

1
W tym przypadku jest na tyle jasne, że „krok” oznacza „przejście z jednego węzła (narożnika) do sąsiedniego węzła” i jest całkiem jasne, co oznacza „przeciwny narożnik” sześcianu - na przykład kostka jednostkowa - jeśli mrówka znajduje się w rogu (x, y, z) na sześcianie jednostkowym, pająk znajduje się w (1-x, 1-y, 1-z) (więc jeśli mrówka jest u początku, pająk ma w (1,1 , 1)). W związku z tym wydaje się, że żadne z twoich problemów nie ma istotnego związku z postawionym pytaniem. [Uwaga dla wyborców: Chociaż nie sądzę, że jest to dobra odpowiedź bez merytorycznej edycji, nie sądzę, że powinno to być przedmiotem głosowania o skreśleniu - wystarczające są głosy w górę i w dół]
Glen_b

@Glen_b Ponieważ wydaje się, że poszukuje jasności w szczegółach pytania, pomyślałem, że prawdopodobnie miał on być komentarzem, a nie merytoryczną odpowiedzią.
Silverfish

1
@Silverfish Być może masz rację, ale wtedy zamknie się jako „brak odpowiedzi”. Zamiast tego czytam to jako próbę powiedzenia „na to pytanie nie można odpowiedzieć”, co zwykle uważam za odpowiedź, gdy poparte jest rozumowaniem, ale myślę, że przyczyny są po prostu niezrozumieniem pytania.
Glen_b
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.