概率不均等时如何掷硬币

最新推荐文章于 2022-01-12 22:29:35 发布
最新推荐文章于 2022-01-12 22:29:35 发布
阅读量1k 收藏
点赞数
分类专栏： 杂项
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/swordinhand/article/details/84371183
版权
掷硬币大家都知道，正常情况下硬币掷出正反面的概率均等，在猜输赢的时候，大家各选一面，掷出硬币之后，获胜的概率是均等的。

可是如果硬币掷出正反面的概率是不均等的呢？ 比如一枚硬币，掷出正面的概率是70%，掷出反面的概率是30%，这时候应该如何才能让选正面和选反面有同样的获胜概率呢？冯诺依曼给出了一个很简单的解决方案，以掷两次硬币为一个单位来观察结果，那么就可能有下面两种情况出现：
1，两次结果相同，这时候，把这两次结果都舍弃，重新掷两次
2，两次结果不同，这时候，取第一次掷的结果，舍弃第二次掷的结果
理由很简单，先掷出正面再掷出反面和先掷出反面再掷出正面的概率是一样的，排除掉两次结果都相同的情况之后，那么只要取第一次的结果就可以了。维基百科上有关于这个的内容，http://en.wikipedia.org/wiki/Fair_coin#Fair_results_from_a_biased_coin
swordinhand
关注
专栏目录
c代码-抛硬币sss
07-14
这个函数可能包含一系列的代码，用于模拟抛硬币的过程，可能包括随机数生成，因为抛硬币的结果是随机的，正面或反面的概率均等。 关于随机数生成，在C语言中，我们通常会使用`<stdlib.h>`库中的`rand()`函数。`rand...
冯诺依曼解决的一个抛硬币问题
人在江湖
02-20 6941
被誉为“现代电子计算机之父”的冯诺依曼同时也是伟大的数学家，他曾经巧妙的解决一个抛硬币问题。 总所周知，很多球赛或者各种场合需要进行抛硬币来进行公平的选择，因为硬币的正反面是等概率的，现在有一枚硬币，由于变型导致正反面的概率不一样了，问怎样才能才能进行一次公平的选择（即做出一次猜测的概率为50%）？ “博弈论”的奠基人冯诺依曼给的答案是这样的：把这枚硬币抛两次，如果两次的结果一样，则从
纳什均衡-- 硬币正反
w77AYU的博客
04-19 6659
今天看了一篇文章《如何制定一个必赢的赌博规则》，讲的是纳什均衡的问题，感觉挺有趣。于是编程实现了一下，发现这个还真是能实现。关于纳什均衡搜一下网上有很多的资料，这里主要讲的是纳什均衡中硬币正反的问题。硬币正反问题:假如你正在图书馆枯坐，一位陌生美女主动过来和你搭讪，并要求和你一起玩个数学游戏。美女提议：“让我们各自亮出硬币的一面，或正或反。如果我们都是正面，那么我给你3元，如果我们都是反面，我给你...
不均匀硬币产生随机数
zhangbaoanhadoop的博客
09-01 2585
问题描述：有一枚不均匀的硬币，已知抛出此硬币后，正面向上的概率为p（0 &lt; p &lt; 1）。请利用这枚硬币产生出概率相等的两个事件。 这个问题跟之前的利用等概率Rand5产生等概率Rand3非常像，但却简单的多。几个月前还为这个事情头疼了一下，现在想来真是不应该。 某一次抛出硬币，正面向上的概率是p，反面向上的概率是1 - p，当p不等于0.5时，这两个事件的概率就不一样了。怎么...
公平事件的算法
weixin_30815427的博客
11-10 160
问题: 一个硬币， 出现正面的概率为p, 出现反面的概率为 1-p, p !=1/2. 如何制造一个公平的“硬币”。 解答： 利用条件概率公式 => P(first coin is head | both coins are different) = p (1-p) / (2p(1-p)) = 1 / 2. 同理可知 P(first coin is tail | both coins ...
【合集第一弹】那些年折磨过你的字节智力题！
试问道几许
08-28 1112
【第一题】25匹马，5个赛道，每次只能同时有5匹马跑，最少比赛几次选出排名前三快的马？ 思路解析： 这个题目字节经常问，一共需要...
二年级数学上册 抛硬币3教案 北师大版 教案.doc
10-21
1. 抛硬币游戏：通过抛硬币，学生观察并记录正反面出现的次数，理解正面和反面出现的概率均等，因为硬币只有两个面。教师引导学生根据实验结果得出正面或反面朝上都是有可能的。 2. 石头、剪子、布游戏：通过玩这个...
二年级数学上册 抛硬币 4教案 北师大版 教案.doc
10-21
4. **概率基础知识**：抛硬币活动让学生理解随机事件的概念，即正面和反面出现的概率均等，为以后学习更复杂的概率理论奠定基础。 5. **确定性和不确定性**：在“连一连”部分，学生需要区分确定性事件（如太阳每天...
不确定现象.ppt
12-05
总的来说，本课介绍了不确定现象的概念，通过抽签、抛硬币、游戏和故事等实例，让学生体验和理解概率和随机性，以及如何区分不确定现象和确定现象。同时，通过实践活动和练习，加深了学生对这些概念的实际应用。
用频率估计概率教学方案.doc
09-26
- **知识与技能**：理解当试验结果无限或概率不均等时，如何用统计频率来估算概率。 - **过程与方法**：让学生通过实际操作和数据分析，了解在相同条件下，大量重复试验后，频率稳定下来的值可作为事件概率的估计...
一个机器人玩抛硬币的游戏，一直不停的抛一枚不均匀的硬币，硬币有A,B两面，A面的概率为3/4，B面的概率为1/4。问第一次出现连续的两个A年的时候，机器人抛硬币的次数的期望是多少？
小小程序员
05-18 1621
一个机器人玩抛硬币的游戏，一直不停的抛一枚不均匀的硬币，硬币有A,B两面，A面的概率为3/4，B面的概率为1/4。问第一次出现连续的两个A年的时候，机器人抛硬币的次数的期望是多少？ 假设T为扔的次数（期望）。 那么如果扔到B，则重新开始扔，即再扔T次。 第一次扔到B，则重新扔，即1/4*(1+T)；这时1+T是结束游戏所扔次数； 第一次扔到A，第二次扔到B，重新扔，即3/41/4(2+T)；2+T是结束游戏所仍次数； 第一次扔到A，第二次扔到A，结束游戏。3/43/42；2为结束游戏所仍次数； 所以T=1/
智力题一
Lucky小黄人的博客
12-18 950
参考：Cyc2018、https://www.nowcoder.com/discuss/428774 1、1000个苹果分在10个篮子里，问如何分配使得想取任意个苹果的时候都能整篮提走？ 2的10次方，考查二进制 2、三个开关和三盏灯 在房里有三盏灯,房外有三个开关,在房外看不见房内的情况,你只能进门一次,你用什判断每个开关分别控制哪盏灯 先把个开关打开十分钟，关掉，再打开第二个开关，...
概率题：掷一枚不均匀的硬币，正面概率为0.7，反面的概率为0.3，如何最高效地获得一个概率为0.5的事件？
Jack_Kuo的博客
01-12 1387
题目 掷一枚不均匀的硬币，正面概率为0.7，反面的概率为0.3，如何最高效地获得一个概率为0.5的事件？ 解答： 丢两次。正反的概率和反正的概率各为 0.3 * 0.7 = 0.21，正正和反反的情况抛弃，这样两个事件的概率各为 0.5。 这样的话，硬币的抛掷的次数的大约 (1 - 0.21 * 2) = 0.58 倍抛掷是无效投掷(正正或者反反), 需要被抛弃。 参考：地址 ...
硬币的不等概率转等概率问题
lijiaqi0612的博客
07-09 979
有一枚硬币，它的正反面概率是不一样的，假设概率为p，如何让其正反面概率变为一样的？ 思路： 硬币只能出现正反两面，0代表正面，1代表反面，所以设0的概率为票，1的概率为1-p import random def core(p): re_dict = { '01': 0, '10': 1 } re_temp = [] ...
利用不均匀硬币产生等概率
阿歇的专栏
07-04 5972
利用不均匀硬币产生等概率   Part 7 of 15 in the series 常见面试算法题 问题描述：有一枚不均匀的硬币，已知抛出此硬币后，正面向上的概率为p（0 ）。请利用这枚硬币产生出概率相等的两个事件。 这个问题跟之前的利用等概率Rand5产生等概率Rand3非常像，但却简单的多。几个月前还为这个事情头疼了一下，现在想来真是不应该。 某一次抛出硬币，正面向上的概率是p，
C++面试之概率问题
Augmented Reality & Computer Graphics
10-14 3981
一 利用不均匀硬币产生等概率 问题描述：有一枚不均匀的硬币，抛出此硬币后，可用foo()表示其结果。已知foo()能返回0和1两个值，其概率分别为0.6和0.4。问怎么利用foo()得到另一个函数，使得返回0和1的概率均为0.5。 问题分析：分析连续抛出两次硬币的情况，正反面的出现有四种情况，概率依次为： (1) 两次均为正面：0.6*0.6=0.36 (2)第一次正面，第二次反面：0.6
用正反面概率不相等的硬币，凑出50%
dl674756321的博客
11-25 2367
用正反面概率不相等的硬币，凑出50% 某一次抛出硬币，正面向上的概率是p，反面向上的概率是1 - p 两次均为正面：p * p 第一次正面，第二次反面：p * (1 - p) 第一次反面，第二次正面：(1 - p) * p 两次均为反面：(1 - p) * (1 - p) 中间两种情况的概率是完全一样的。于是问题的解法就是连续抛两次硬币，如果两次得到的相同则重新抛两次；否则根据第一次（或第二次）...
一个有趣的抛硬币问题
narutolby的专栏
09-14 383
题目：一个有趣的抛硬币问题 假设有一个硬币，抛出字（背面）和花（正面）的概率都是0.5，而且每次抛硬币与前次结果无关。现在做一个游戏，连续地抛这个硬币，直到连续出现两次字为止，问平均要抛多少次才能结束游戏？注意，一旦连续抛出两个“字”向上游戏就结束了，不用继续抛。   解答：设平均要抛T次硬币才能结束游戏。          首先简述一下抛硬币的过程。          1. 抛出第...
冯诺依曼的三大原理
热门推荐
wobuyaoshiye的博客
09-26 1万+
冯.诺依曼的三大原理是 1.计算机由控制器、运算器、存储器、输入设备、输出设备五大部分组成。 2.程序和数据以二进制代码形式不加区别地存放在存储器中，存放位置由地址确定。 3.控制器根据存放在存储器中地指令序列（程序）进行工作，并由一个程序计数器控制指令地执行。控制器具有判断能力，能根据计算结果选择不同的工作流程。 根据冯诺依曼体系结构构成的计算机，必须具有如下功能： 把需要的程序和数据送至计算机...
考虑简单的抛硬币问题. 现有两枚硬币$A$和$B$，正面朝上的概率分别为$\theta_A, \theta_B$, 结果朝上 记为H~(head), 朝下记为T~(tail). 独立地进行$N$轮实验, 在第$k$轮实验中, 以均等概率选择一枚硬币$Z_k \in \{A,B\}$并重复抛掷$M$次, 其中硬币朝上的次数$X_k$为可观测变量, 而选择的硬币类型$Z_k$为隐变量不可观测. 我们将使用EM算法, 迭代一次, 对参数$\theta = (\theta_A, \theta_B)$进行估计, 使用的实验数据如表\ref{table: EM}所示. 具体而言共3轮实验, 每轮选取的硬币记为$z_i ~ (i=1,2,3)$, 抛掷10次并记录结果, 硬币朝上的次数记为$x_i ~ (i=1,2,3)$. 假设参数的初始值$\theta^0 = (0.6, 0.5)$. 请结合实验数据, 推断出隐变量取值$\z = (z_1, z_2)$的分布, 即推断出第$i$轮实验~($i=1,2,3$)中抛掷硬币$A$、硬币$B$各自的概率
最新发布
06-06
首先，我们需要构建完整数据的似然函数，即将隐变量$\z$也考虑进去，得到完整数据似然函数为： $$ L_c(\theta) = \prod_{i=1}^N p(\x_i, \z_i | \theta) = \prod_{i=1}^N [p(\x_i | \z_i, \theta) \cdot p(\z_i)] $$ 其中，$p(\x_i | \z_i, \theta)$是已知选择了硬币$z_i$的情况下，观测到$x_i$的概率，即： $$ p(\x_i | \z_i, \theta) = \binom{M}{x_i} \theta_{z_i}^{x_i}(1-\theta_{z_i})^{M-x_i} $$ $p(\z_i)$是隐变量$\z_i$的先验分布，由于每次实验选择硬币的概率均等，因此： $$ p(\z_i) = \begin{cases} 0.5 & \text{if } \z_i = A \\ 0.5 & \text{if } \z_i = B \\ \end{cases} $$ 对于EM算法，我们需要先求出完整数据的对数似然函数，即： $$ \begin{aligned} \ln L_c(\theta) &= \sum_{i=1}^N [\ln p(\x_i | \z_i, \theta) + \ln p(\z_i)] \\ &= \sum_{i=1}^N \left[\ln \binom{M}{x_i} + x_i \ln \theta_{z_i} + (M-x_i)\ln(1-\theta_{z_i}) + \ln 0.5 \right] \end{aligned} $$ 接下来，我们需要求在给定参数$\theta$下，隐变量$\z$的后验概率$p(\z_i | \x_i, \theta)$。根据贝叶斯公式： $$ p(\z_i | \x_i, \theta) = \frac{p(\x_i, \z_i | \theta)}{p(\x_i | \theta)} = \frac{p(\x_i | \z_i, \theta) \cdot p(\z_i)}{\sum_{\z_i} p(\x_i | \z_i, \theta) \cdot p(\z_i)} $$ 其中，分母是边缘概率，可以按照以下方式计算： $$ p(\x_i | \theta) = \sum_{\z_i} p(\x_i | \z_i, \theta) \cdot p(\z_i) $$ 然后，我们可以根据EM算法的求解步骤，依次进行E步和M步： 1. E步：在给定参数$\theta^t$的情况下，计算隐变量$\z$的后验概率$p(\z_i | \x_i, \theta^t)$。 2. M步：在给定隐变量的后验概率$p(\z_i | \x_i, \theta^t)$的情况下，计算参数的更新值$\theta^{t+1}$。 具体而言，在E步中，我们需要计算每个隐变量的后验概率： $$ \begin{aligned} p(z_i=A | \x_i, \theta^t) &= \frac{p(\x_i | z_i=A, \theta^t) \cdot p(z_i=A)}{p(\x_i | \theta^t)} \\ &= \frac{\binom{M}{x_i} \theta^t_A}{\binom{M}{x_i} \theta^t_A + \binom{M}{x_i} \theta^t_B} \\ &= \frac{\theta^t_A}{\theta^t_A + \theta^t_B} \end{aligned} $$ $$ \begin{aligned} p(z_i=B | \x_i, \theta^t) &= \frac{p(\x_i | z_i=B, \theta^t) \cdot p(z_i=B)}{p(\x_i | \theta^t)} \\ &= \frac{\binom{M}{x_i} \theta^t_B}{\binom{M}{x_i} \theta^t_A + \binom{M}{x_i} \theta^t_B} \\ &= \frac{\theta^t_B}{\theta^t_A + \theta^t_B} \end{aligned} $$ 在M步中，我们需要计算参数的更新值。对于硬币$A$，我们可以将完整数据的对数似然函数对$\theta_A$求导数，并令其等于$0$，得到： $$ \frac{\partial \ln L_c(\theta)}{\partial \theta_A} = \sum_{i=1}^N\left[\frac{x_i}{\theta_A} - \frac{M-x_i}{1-\theta_A}\right] = 0 $$ 化简后得到： $$ \theta_A^{t+1} = \frac{\sum_{i=1}^N p(z_i=A | \x_i, \theta^t) x_i}{\sum_{i=1}^N p(z_i=A | \x_i, \theta^t) M} $$ 同理，对于硬币$B$，我们可以得到： $$ \theta_B^{t+1} = \frac{\sum_{i=1}^N p(z_i=B | \x_i, \theta^t) x_i}{\sum_{i=1}^N p(z_i=B | \x_i, \theta^t) M} $$ 根据以上推导，我们可以使用EM算法对参数$\theta$进行估计，具体实现过程可以参考下面的Python代码：
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值