【概率论】对弈输光模型,ruin model

一个很有意思的问题:

设甲有资金元,乙有元,,两人对弈,每局甲以概率赢1元,以概率,输1元。规定不欠不借,对弈到甲乙中有一人输光才结束。求甲输光的概率。

一般的,我们将甲在有资金的时候最终输光的概率记为,求此时输光的概率的关键是求的一个满足地推关系。为此我们利用如下的随机事件:

。显然有关系

    

得到一个递推关系,经过简单的计算得到:

    

两个边界条件

    

(1):

可以解

    

;得到

    

 

所以

    

从而

(2):特别的,当(即公平博弈),

不难推出

    

这个例子是全概率公式的一个典型应用,即若后一个实验结果与前一个有关,前一个实验的所有结果已经组成了一个划分,那么可以用全概率公式得到有关概率的一个递推方程。这种方法称为首部分析法。

结果是很有意思的,就算是所谓的公平博弈,最后还是钱多的人赢的概率大。所以庄家都赚得盆满钵满,而对于散户来说验证了久赌必输这个道理。不输到倾家荡产绝不罢休,所以对于屁民我,还是真爱生命远离赌博。

转载于:https://www.cnblogs.com/chend926/archive/2012/06/05/2536642.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python是数据科学和机器学习领域中非常流行的语言,其中有许多强大的库支持概率论和统计模型的实现。其中两个核心库是NumPy和SciPy,它们提供了大量的数学函数和算法,而更高级的库如Pandas用于数据处理,matplotlib和seaborn则用于数据可视化。 在概率论方面,你可以使用: 1. `numpy.random`模块:提供了各种随机数生成器,如均匀分布、正态分布等。 2. `scipy.stats`模块:包含许多概率分布和统计测试函数,比如计算累积分布函数(CDF)、概率密度函数(PDF)或进行假设检验。 3. `statsmodels`库:提供更高级的统计模型,如线性回归、时间序列分析、以及各种假设检验。 在统计模型方面,有: 1. `sklearn`(scikit-learn):这是机器学习的基础库,包含了诸如线性回归、决策树、聚类算法、分类器等常用统计模型。 2. `pandas`的数据框结构非常适合数据探索和预处理,这对于构建统计模型至关重要。 3. `pyMC3`和`Stan`:用于构建和估计贝叶斯模型的库,支持概率编程。 4. `TensorFlow Probability`或`Edward`:如果你需要在深度学习背景下使用概率模型,这些库提供了概率图模型和自动概率编程功能。 如果你对某个特定的统计模型或概率方法感兴趣,例如贝叶斯网络、马尔可夫链蒙特卡洛(MCMC)或时间序列分析,请告诉我,我可以为你提供更详细的介绍和代码示例。另外,还有许多用于机器学习的高级库,如`Keras`和`TensorFlow`,它们也支持概率相关的组件。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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