Z pewnością możesz użyć kodu, ale nie symulowałbym.
Zignoruję część „minus M” (możesz to zrobić dość łatwo na końcu).
Można bardzo łatwo obliczyć prawdopodobieństwa rekurencyjnie, ale rzeczywistą odpowiedź (z bardzo wysokim stopniem dokładności) można obliczyć na podstawie prostego rozumowania.
Niech bułki być . Niech .S t = ∑ t i = 1 X iX1,X2,...St=∑ti=1Xi
Niech być najmniejszy wskaźnik gdzie .S τ ≥ MτSτ≥M
P.( Sτ= M.) = P( dotarł do M.- 6 przy τ- 1 i wyrzucił 6 )+ P( dotarł do M.- 5 przy τ- 1 i wyrzucił 5 )+⋮+P.( dotarł do M.- 1 przy τ- 1 i rzucił 1 )= 16∑6j = 1P.( Sτ- 1= M.- j )
podobnie
P.( Sτ= M.+ 1 ) = 16∑5j = 1P.( Sτ- 1= M.- j )
P.( Sτ= M.+ 2 ) = 16∑4j = 1P.( Sτ- 1= M.- j )
P.( Sτ= M.+ 3 ) = 16∑3)j = 1P.( Sτ- 1= M.- j )
P.( Sτ= M.+ 4 ) = 16∑2)j = 1P.( Sτ- 1= M.- j )
P.( Sτ= M.+ 5 ) = 16P.( Sτ- 1= M.- 1 )
Równania podobne do pierwszego powyższego można następnie (przynajmniej w zasadzie) cofać, dopóki nie osiągniesz któregokolwiek z warunków początkowych, aby uzyskać algebraiczną zależność między warunkami początkowymi a oczekiwanymi prawdopodobieństwami (co byłoby uciążliwe i niezbyt pouczające) , lub możesz zbudować odpowiednie równania do przodu i uruchomić je z warunków początkowych, co jest łatwe do zrobienia numerycznie (i tak sprawdziłem moją odpowiedź). Możemy jednak tego wszystkiego uniknąć.
Prawdopodobieństwa punktów są ważonymi średnimi wcześniejszych prawdopodobieństw; te (geometrycznie szybko) wygładzą wszelkie zmiany prawdopodobieństwa z początkowego rozkładu (wszelkie prawdopodobieństwo w punkcie zero w przypadku naszego problemu). The
W przybliżeniu (bardzo dokładne) możemy powiedzieć, że do powinny być prawie równie prawdopodobne w czasie (naprawdę blisko), a więc z powyższego możemy zapisać, że prawdopodobieństwa będą bardzo bliscy bycia w prostych stosunkach, a ponieważ muszą być znormalizowane, możemy po prostu zapisać prawdopodobieństwa.M - 1 τ - 1M.- 6M.- 1τ- 1
Oznacza to, że widzimy, że gdyby prawdopodobieństwo przejścia od do było dokładnie równe, istnieje 6 jednakowo prawdopodobnych sposobów dotarcia do , 5 do i tak dalej do 1 sposób na dostanie się do .M - 1 M M + 1 M + 5M.- 6M.- 1M.M.+ 1M.+ 5
Oznacza to, że prawdopodobieństwa są w stosunku 6: 5: 4: 3: 2: 1 i sumują się do 1, więc są łatwe do zanotowania.
Dokładne obliczenie go (aż do skumulowanych błędów numerycznego zaokrąglenia) przez uruchomienie rekurencji prawdopodobieństwa do przodu od zera (zrobiłem to w R) daje różnice w kolejności .Machine$double.eps
( na mojej maszynie) od powyższego przybliżenia (to znaczy: proste rozumowanie zgodnie z powyższymi wierszami daje efektywnie dokładne odpowiedzi, ponieważ są one tak bliskie odpowiedziom obliczonym na podstawie rekurencji, jak przypuszczalibyśmy, że dokładne odpowiedzi powinny być).≈2.22e-16
Oto mój kod do tego (większość po prostu inicjuje zmienne, praca jest w jednym wierszu). Kod zaczyna się po pierwszym rzucie (aby zaoszczędzić mi wpisania komórki 0, co jest niewielką uciążliwością w R); na każdym kroku pobiera najniższą komórkę, którą można zająć, i przesuwa się do przodu za pomocą rzutu kostką (rozkładając prawdopodobieństwo tej komórki na kolejne 6 komórek):
p = array(data = 0, dim = 305)
d6 = rep(1/6,6)
i6 = 1:6
p[i6] = d6
for (i in 1:299) p[i+i6] = p[i+i6] + p[i]*d6
(moglibyśmy użyć rollapply
(z zoo
), aby zrobić to bardziej wydajnie - lub wielu innych takich funkcji - ale łatwiej będzie to przetłumaczyć, jeśli będę to wyraźnie wyrażać)
Zauważ, że d6
jest to dyskretna funkcja prawdopodobieństwa powyżej 1 do 6, więc kod wewnątrz pętli w ostatnim wierszu konstruuje średnie ważone z wcześniejszych wartości. To właśnie ta relacja sprawia, że prawdopodobieństwo wygładza się (aż do kilku ostatnich wartości, którymi jesteśmy zainteresowani).
Oto pierwsze 50 nieparzystych wartości (pierwsze 25 wartości oznaczone kółkami). Przy każdym wartość na osi y reprezentuje prawdopodobieństwo, które zgromadziło się w najbardziej tylnej komórce, zanim przetoczyliśmy ją do następnych 6 komórek.t
Jak widzisz, wygładza się (do , odwrotność średniej liczby kroków, które wykonuje każdy rzut kości) dość szybko i pozostaje stała.1 / μ
A kiedy trafimy w , te prawdopodobieństwa maleją (ponieważ nie przedstawiamy z kolei prawdopodobieństwa dla wartości w i dalej)MM.M.
Zatem oczywiste jest, że idea, że wartości od do powinny być równie prawdopodobne, ponieważ wahania warunków początkowych zostaną wygładzone.M - 6M.- 1M.- 6
Ponieważ rozumowanie nie zależy od niczego, ale jest na tyle duże, że warunki początkowe wypłukują się, tak że do są prawie równie prawdopodobne w czasie , rozkład będzie zasadniczo taki sam dla każdego duże , jak sugerował Henry w komentarzach.M - 1 M - 6 τ - 1 M.M.M.- 1M.- 6τ- 1M.
Patrząc wstecz, wskazówka Henry'ego (która jest również w twoim pytaniu), aby pracować z sumą minus M zaoszczędziłaby trochę wysiłku, ale argument byłby bardzo podobny. Możesz kontynuować, pozwalając i pisać podobne równania dotyczące z poprzednimi wartościami i tak dalej.R 0Rt= St- MR0
Z rozkładu prawdopodobieństwa średnia i wariancja prawdopodobieństw są wtedy proste.
Edycja: Przypuszczam, że powinienem podać średnią asymptotyczną i odchylenie standardowe pozycji końcowej minus :M.
Średni asymptotyczny nadmiar wynosi a odchylenie standardowe to . Przy jest to dokładne w znacznie większym stopniu, niż możesz się tym przejmować. 2 √53) M=3002 5√3)M.= 300
[self-study]
tag i przeczytaj jego wiki . Następnie powiedz nam, co rozumiesz do tej pory, czego próbowałeś i gdzie utknąłeś. Podamy wskazówki, które pomogą Ci się odblokować.