ผลรวมของสัมประสิทธิ์การกระจายแบบพหุนาม


10

ฉันกำลังจะตายอย่างยุติธรรม เมื่อใดก็ตามที่ฉันได้รับ 1, 2 หรือ 3 ฉันจะเขียน '1' เมื่อใดก็ตามที่ฉันได้ 4 ฉันเขียน '2'; เมื่อใดก็ตามที่ฉันได้ 5 หรือ 6 ฉันจะเขียน '3'

ให้Nเป็นจำนวนพ่นฉันต้องการสำหรับผลิตภัณฑ์ของตัวเลขทั้งหมดที่ผมเขียนลงไปเป็น≥100000100000 ฉันต้องการคำนวณ (หรือโดยประมาณ) P(N≥25)และการประมาณสามารถให้เป็นฟังก์ชันของการแจกแจงแบบปกติ

ครั้งแรกผมรู้ว่าP(N≥11)=1เพราะlog3⁡100.000≈10.4810.48 ทีนี้ลองa , bและcเป็นจำนวนครั้งที่ผมเขียน 1, 2 และ 3 ตามลำดับ แล้ว:

P(a,b,c∣n)={(na,b,c)(12)a(16)b(13)c if a+b+c=n0 otherwise

สิ่งที่ฉันต้องการคำนวณคือ:

P(a+b+c≥25∣2b3c≥100000)

ฉันจะคำนวณสิ่งนี้ได้อย่างไร

--EDIT:

ดังนั้นจึงแนะนำว่าฉันสามารถแทนที่เงื่อนไขด้วย:

P(a+b+c≥25∣αa+βb+γc≥δ)

ที่ , ,และ100000α=0β=log⁡2γ=log⁡3δ=log⁡100000

วิธีนี้ดูแก้ไขได้มากขึ้น! ฉันโชคไม่ดีที่ยังไม่รู้วิธีแก้ปัญหา


2
+1 ปัญหานี้อาจจะดูคุ้นตากว่าเล็กน้อยและให้ยืมชัดเจนกว่าโซลูชันโดยประมาณหากคุณต้องเขียนเงื่อนไขในรูปแบบโดยที่และ(100000) αa+βb+γc≥δα=0,β=log⁡(2),γ=log⁡(3),δ=log⁡(100000)
— whuber

ฉันได้เพิ่มวิธีการใหม่ในการเขียนเงื่อนไข แต่น่าเสียดายที่ฉันยังไม่รู้วิธีการแก้ปัญหานี้!
— Pedro Carvalho

คำใบ้อีกอย่างคือถ้ามีเหตุการณ์ของ '2' คุณจะหยุด คุณสามารถประมาณค่านี้ด้วยทวินามลบด้วยพารามิเตอร์และ (เช่นและ ) คำตอบที่แน่นอนก็จัดการได้เช่นกันเนื่องจากมีชุดค่าผสมไม่มาก นอกจากนี้เงื่อนไขไม่ถูกต้อง - คุณต้องรวมว่า '2' หรือ '3' ถูกบันทึกในม้วนลำดับที่17170.5111/3N
— ความน่าจะเป็นทาง

คำตอบ:


1

คำถามปัจจุบันเป็นกรณีเฉพาะที่คุณกำลังเผชิญกับปริมาณที่เป็นฟังก์ชันเชิงเส้นของตัวแปรสุ่มแบบมัลติโนเมียล เป็นไปได้ที่จะแก้ปัญหาของคุณอย่างแน่นอนโดยการระบุชุดค่าผสมแบบหลายค่าที่ตอบสนองความไม่เท่าเทียมกันที่ต้องการและรวมการกระจายในช่วงนั้น ในกรณีที่มีขนาดใหญ่สิ่งนี้อาจกลายเป็นไปไม่ได้ที่คำนวณได้ ในกรณีนี้มันเป็นไปได้ที่จะได้รับการกระจายโดยประมาณโดยใช้การประมาณค่าแบบมัลติโนเมียล รุ่นทั่วไปของการประมาณนี้แสดงไว้ด้านล่างจากนั้นจะนำไปใช้กับตัวอย่างเฉพาะของคุณN


ปัญหาประมาณทั่วไป:สมมติว่าเรามีลำดับของตัวแปรสุ่มแลกเปลี่ยนที่มีช่วงม. สำหรับเราสามารถนับจำนวน vectorซึ่งนับจำนวน การเกิดขึ้นของผลลัพธ์แต่ละรายการในค่าแรกของลำดับ เนื่องจากลำดับพื้นฐานสามารถแลกเปลี่ยนได้เวกเตอร์การนับจะถูกกระจายเป็น:1,2,...,mn∈NX≡X(n)≡(X1,X2,...,Xm)n

X ~ Mu(n,θ)θ=limn→∞X(n)/n.

ทีนี้สมมติว่าเรามีเวกเตอร์น้ำหนักไม่เชิงลบและเราใช้น้ำหนักเหล่านี้เพื่อกำหนดฟังก์ชันเชิงเส้น:w=(w1,w2,...,wm)

A(n)≡∑i=1mwiXi.

เนื่องจากน้ำหนักจะไม่ลบปริมาณใหม่นี้จะไม่ลดลงnจากนั้นเราจะกำหนดหมายเลขซึ่งเป็นจำนวนการสังเกตที่น้อยที่สุดที่จำเป็นในการรับค่าต่ำสุดที่ระบุสำหรับฟังก์ชันเชิงเส้นของเรา เราต้องการประมาณการกระจายตัวของในกรณีที่ค่านี้มีขนาดใหญ่ (สุ่ม)nN(a)≡min{n∈N|A(n)⩾a}N(a)


การแก้ปัญหาการประมาณทั่วไป:ประการแรกเราทราบว่าเนื่องจากไม่ลดลงใน (ซึ่งถือเพราะเราได้สันนิษฐานว่าน้ำหนักทั้งหมดไม่เป็นลบ) เรามี:A(n)n

P(N(a)⩾n)=P(N(a)>n−1)=P(A(n−1)<a).

ดังนั้นการกระจายตัวของจะเกี่ยวข้องโดยตรงกับการกระจายของ สมมติว่าปริมาณในอดีตมีขนาดใหญ่เราสามารถประมาณการกระจายตัวของหลังด้วยการแทนที่เวกเตอร์แบบสุ่มโดยสิ้นเชิงด้วยการประมาณอย่างต่อเนื่องจากการแจกแจงปกติหลายตัวแปร สิ่งนี้นำไปสู่การประมาณค่าปกติสำหรับ linear quantitiyและเราสามารถคำนวณช่วงเวลาของปริมาณนี้โดยตรง ในการทำสิ่งนี้เราใช้ข้อเท็จจริงที่ว่า ,และสำหรับเจ ด้วยพีชคณิตพื้นฐานนี่ทำให้เรา:NAXA(n)E(Xi)=nθiV(Xi)=nθi(1−θi)C(Xi,Xj)=−nθiθji≠j

μ≡E(1nA(n))=∑i=1mwiθi,

σ2≡V(1nA(n))=∑i=1mwiθi−(∑i=1mwiθi)2=μ(1−μ).

การประมาณปกติกับพหุนามตอนนี้ทำให้เรามีตัวอย่างการกระจายMU)) การใช้การประมาณนี้ให้ผลตอบแทน:A(n) ~ N(nμ,nμ(1−μ))

P(N(a)⩾n)=P(A(n−1)<a)≈Φ(a−(n−1)μ(n−1)μ(1−μ)).

(สัญลักษณ์เป็นสัญกรณ์มาตรฐานสำหรับฟังก์ชันการแจกแจงแบบปกติมาตรฐาน.) มันเป็นไปได้ที่จะใช้ประมาณนี้เพื่อหาน่าจะเกี่ยวข้องกับปริมาณสำหรับค่าที่ระบุของ นี่คือการประมาณขั้นพื้นฐานซึ่งไม่ได้พยายามรวมการแก้ไขความต่อเนื่องกับค่าของค่าการนับหลายค่าที่เกี่ยวข้อง มันได้มาจากการประมาณค่าปกติโดยใช้ช่วงเวลาสองช่วงกลางเหมือนกันกับฟังก์ชันเชิงเส้นที่แน่นอนΦN(a)a


การประยุกต์ใช้กับปัญหาของคุณ:ในปัญหาของคุณคุณมีความน่าจะเป็น , น้ำหนักและตัดค่า100000 คุณจึงมี (ปัดเศษทศนิยมหกจุด)0.481729 การใช้การประมาณข้างต้นที่เรามี (ปัดเศษเป็นทศนิยมหกตำแหน่ง):θ=(12,16,13)w=(0,ln⁡2,ln⁡3)a=ln⁡100000μ=16ln⁡2+13ln⁡3=0.481729

P(N(a)⩾25)≈Φ(ln⁡100000−24⋅0.48172924⋅0.499666)=Φ(−0.019838)=0.492086.

โดยการประยุกต์ใช้การแจกแจงพหุนามที่แท้จริงรวมกับชุดค่าผสมทั้งหมดที่เป็นไปตามข้อกำหนด , มันสามารถแสดงให้เห็นว่าผลลัพธ์ที่แน่นอนคือ0.483500 ดังนั้นเราจะเห็นได้ว่าการประมาณนั้นค่อนข้างใกล้เคียงกับคำตอบที่แน่นอนในกรณีปัจจุบันP(A(24)<a)P(N(a)⩾25)=0.483500

หวังว่าคำตอบนี้ให้คำตอบสำหรับคำถามเฉพาะของคุณในขณะที่วางไว้ในกรอบทั่วไปของผลลัพธ์ความน่าจะเป็นที่นำไปใช้กับฟังก์ชันเชิงเส้นของเวกเตอร์แบบสุ่มหลายส่วน วิธีการในปัจจุบันควรอนุญาตให้คุณหาวิธีแก้ไขปัญหาโดยประมาณเกี่ยวกับประเภททั่วไปที่คุณกำลังเผชิญอยู่ซึ่งทำให้สามารถเปลี่ยนแปลงตัวเลขเฉพาะในตัวอย่างของคุณได้


0

ลองทำค่าประมาณปกติ

ก่อนอื่นให้ปรับปรุงปัญหาของคุณในบันทึกให้สมบูรณ์ คุณเริ่มต้นที่ 0 ในเวลา t = 0 จากนั้นในแต่ละขั้นตอนคุณจะเพิ่ม:

  • 0 ที่มีความน่าจะเป็น 1/2

  • log⁡(2)มีความน่าจะเป็น 1/6

  • log⁡(3)ด้วยความน่าจะเป็น 1/3

คุณหยุดกระบวนการนี้เมื่อผลรวมของคุณเกินณ จุดที่คุณดูว่ามีการโยนกี่ครั้ง จำนวนการโยนที่คุณไปถึงจุดนั้นคือ ^log⁡(105)N

เครื่องคิดเลขของฉันบอกฉันว่าค่าเฉลี่ยของการเพิ่มขึ้นของคุณคือ:และความแปรปรวนเป็น0.25 สำหรับการอ้างอิงจุดสิ้นสุดอยู่ที่ดังนั้นเราจะไปถึงเขาในเวลาประมาณ 24 ขั้น≈0.48≈0.25≈11.51

เงื่อนไขกับความจริงที่ว่าเราได้ทำไปแล้ว 25 ขั้นตอนการกระจายตัวของผลรวมนั้นเป็นแบบเกาส์ซึ่งมีศูนย์กลางที่ 12.0 และมีความแปรปรวน 6.25 สิ่งนี้ทำให้เราประมาณแบบเกาส์คร่าวๆของp(N≥25)≈0.5

คุณต้องดูยอดรวมของผลรวมที่ N = 25 เพื่อให้ทราบว่าการประมาณแบบเกาส์นั้นดีหรือไม่ เนื่องจากการเพิ่มขึ้นนั้นไม่สมมาตรค่าประมาณอาจไม่ดีที่สุด


1
คุณช่วยทำให้ฉันสำเร็จได้ไหม? ฉันมีเวลายากที่จะเห็นมัน นอกจากนี้ยังไม่มีวิธีที่แน่นอนในการคำนวณหรือไม่
— Pedro Carvalho

1
คุณไม่ได้หมายถึง "log (2)" และ "log (3)" ที่คุณมีบันทึก (1) และ log (2) ใช่หรือไม่
— Glen_b -Reinstate Monica

@GuillaumeDehaene wrote: .... โดยการคำนวณของฉันในสองวิธีที่แตกต่างกันซึ่งแตกต่างกันมากกับ 0.5p(N≥25)≈0.5P(N≥25)=1−P(N≤24)=1−11272918566330716499837226778624≈0.8266
— wolfies

คุณจะได้ P (n \ leq24) ได้ประมาณ 0.18 อย่างไร
— Guillaume Dehaene
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.