আমার কাছে যদি একটি পয়েন্ট জেতার 58% সম্ভাবনা থাকে তবে আমার কাছে পিং পং গেমটি 21-তে জিতে, 2 দ্বারা জয়ের কী সুযোগ থাকবে?


90

আমার এক সহকর্মীর সাথে বাজি আছে যে 50 টি পিং পং গেমের মধ্যে (21 পয়েন্ট প্রথম জিতে, 2 দ্বারা জিতে), আমি সব 50 জিততে পারি So এখন পর্যন্ত আমরা 15 টি গেম খেলেছি এবং গড়ে আমি 58% জিতেছি পয়েন্টগুলি, এবং আমি এ পর্যন্ত সমস্ত গেম জিতেছি। সুতরাং আমরা ভাবছি যে আমার কাছে পয়েন্ট জয়ের 58% সুযোগ আছে এবং তার কাছে একটি পয়েন্ট জয়ের 42% সম্ভাবনা আছে, আমি কীভাবে শতকরা সম্ভাবনা পাব? এমন কোনও সূত্র আছে যা আমরা% সম্ভাবনাগুলিতে পার্থক্য করতে পারি?

আমরা সর্বত্র গুগল করেছি এবং আমাদের সংস্থার ডেটা বিজ্ঞানীদের কাছে জিজ্ঞাসা করেছি কিন্তু এর কোনও সরল উত্তর খুঁজে পাইনি।

সম্পাদনা: বাহ, আমি প্রতিক্রিয়াগুলির সম্পূর্ণতা দ্বারা দূরে উড়ে গেলাম। আপনাদের সকলকে অসংখ্য ধন্যবাদ!!! লোকেরা যদি কৌতূহলী হয় তবে আমার বাজিটি কীভাবে চলছে সে সম্পর্কে আমার একটি আপডেট রয়েছে: আমি এখন 50 টির মধ্যে 18 টি জিতেছি, সুতরাং আমার আরও 32 টি গেম জিততে হবে। আমি সমস্ত পয়েন্টের 58.7% জিতেছি এবং আমার প্রতিপক্ষ তাই পয়েন্টের 41.3% জিতেছে। আমার প্রতিপক্ষের জন্য স্ট্যান্ডার্ড বিচ্যুতি 3.52, তার গড় স্কোর 14.83, এবং তার গড় স্কোর 15.50। নীচে এ পর্যন্ত প্রতিটি গেমের স্কোরের স্ক্রিনশট রয়েছে। লোকেরা আগ্রহী হলে আমি বাজিটি চলতে চলতে আপডেট রাখতে পারি।

সম্পাদনা # 2 : দুর্ভাগ্যক্রমে আমরা কেবল আরও কয়েকটি গেম খেলতে সক্ষম হয়েছি, নীচের ফলাফলগুলি। আমি কেবল ছবিটি প্রতিস্থাপন করতে যাচ্ছি যাতে আমার কাছে স্কোরের একগুচ্ছ স্ক্রিনশট না থাকে।

চূড়ান্ত আপডেট : অবশেষে আমি # 28 এ আমার সহকর্মীর কাছে হেরেছি। তিনি আমাকে মারলেন 21-13। তোমার সকল সাহায্যের জন্য ধন্যবাদ!

এখানে চিত্র বর্ণনা লিখুন


11
সেখানে হয় একটি সূত্র: এর জন্য এটা আকারে এর সব 21 পদ (বড় কোফিসিয়েন্টস সঙ্গে, বৃহত্তম মাত্রাধিক: বার ডিগ্রী-20 বহুপদী )। সমস্ত পয়েন্ট যদি স্বতন্ত্র থাকে তবে আপনার পরবর্তী 35 গেমস জয়ের সম্ভাবনা রয়েছে কেবলমাত্র । পি 21 / ( 1 - 2 পি + 2 পি 2 ) 1.6 × 10 16 0.432 %p=0.58,p21/(12p+2p2)1.6×10160.432%
whuber

8
আমি সন্দেহ করি যে সমস্ত পয়েন্ট (এবং গেমস) একে অপরের থেকে পৃথক (বিভিন্ন কারণে)। স্বতন্ত্রতা উত্তরের উপর একটি বড় প্রভাব ফেলতে পারে।
মার্ক এল স্টোন

8
আমি খেলেছি এটি একই খেলা অনুমান করে, আমি মনে করি যে পরিবেশনকারীটির একটি সুবিধা রয়েছে; সুতরাং "হট হ্যান্ড" সম্পর্কে সমস্ত কিছু উপেক্ষা করা এমন হতে পারে যে আপনি পরিবেশন করার সময় %৮% এবং যখন না হন 48% জিততে পারেন - যা সমস্ত সম্ভাবনাকে তছনছ করবে; এমনকি যদি এটি 58% এর বাইরে চলে যায় তবে আমাদের কাছে পর্যাপ্ত তথ্য নেই ..
হ্যানস ওলসন

5
শুধু একটি মন্তব্য - 21 পয়েন্ট? টেবিল টেনিস একটি 11 বিন্দু ফর্ম্যাটে স্যুইচ, 7 গেম সেরা, 2 একটি সময়ে খেলোয়াড় প্রতি তোলে 2001 সালে পিছনে,
rcgldr

5
আমি প্রতি বাজে ~ 5 গেম বাজেটে এই বেটে আপডেট পোস্ট করতে থাকব। দুর্ভাগ্যক্রমে আমরা কেবলমাত্র কাজের পরে খেলি তাই প্রতি সপ্তাহে আমরা কয়েকটি গেম খেলি।
রিচার্ড

উত্তর:


119

কমপক্ষে দুটি পয়েন্টের ব্যবধানে জয়টি করার জন্য গেমটি "ওভারটাইম" এর মধ্যে যায় বলে এই বিশ্লেষণটি জটিল। (অন্যথায় এটি https://stats.stackexchange.com/a/327015/919- তে দেখানো সমাধানের মতোই সহজ হবে)) আমি কীভাবে সমস্যাটি কল্পনা করতে পারি এবং সহজেই গণনা করা অবদানগুলিকে এটিকে ভাঙতে কীভাবে ব্যবহার করব তা আমি দেখাব উত্তর. ফলাফলটি যদিও খানিকটা অগোছালো, পরিচালনাযোগ্য। একটি সিমুলেশন এর সঠিকতা বহন করে।


যাক একটি বিন্দু সিদ্ধিলাভ আপনার সম্ভাবনা হও। p ধরুন সমস্ত পয়েন্ট স্বাধীন। আপনার গেমটি জয়ের সুযোগটি (ননওভারল্যাপিং) ইভেন্টগুলিতে বিভক্ত হতে পারে আপনার প্রতিপক্ষের শেষে কতগুলি পয়েন্ট ধরে ধরে নেওয়া হয় যে আপনি ওভারটাইম ( ) এ যাবেন না বা আপনি ওভারটাইমে যাবেন না । পরবর্তী ক্ষেত্রে এটি স্পষ্টতই (বা হয়ে যাবে) যে কোনও পর্যায়ে স্কোরটি 20-20 ছিল।0,1,,19

একটি দুর্দান্ত দৃশ্যায়ন আছে। গেম চলাকালীন স্কোরগুলিকে পয়েন্ট হিসাবে প্লট করা যাক যেখানে আপনার স্কোর এবং আপনার প্রতিপক্ষের স্কোর। গেমটি উন্মোচিত হওয়ার সাথে সাথে স্কোরগুলি প্রথম চতুর্ভুজ শুরু করে পূর্ণসংখ্যার জাল দিয়ে অগ্রসর হয় , গেমের পথ তৈরি করে । এটি আপনার প্রথম একজনের সর্বনিম্ন স্কোর হয়েছে এবং কমপক্ষে মার্জিন রয়েছে এটি শেষ হয় । এই জাতীয় পয়েন্ট দুটি পয়েন্টের দুটি সেট গঠন করে, এই প্রক্রিয়ার "শোষণকারী সীমানা", গেমের পথটি অবসন্ন করতে হবে।x y ( 0 , 0 ) 21 2(x,y)xy(0,0)212

ব্যক্তিত্ব

এই চিত্রটি শোষক সীমানার একটি অংশ দেখায় (এটি অসীম এবং ডানদিকে প্রসারিত হয়) ওভারটাইমের মধ্যে গিয়েছিল এমন একটি গেমের পথের সাথে (হায় হায় আফসোস)।

চল গুনি. উপায় খেলা সঙ্গে শেষ করতে পারেন সংখ্যা আপনার প্রতিপক্ষের জন্য পয়েন্ট পূর্ণসংখ্যা জাফরি মধ্যে স্বতন্ত্র পাথ সংখ্যা স্কোর প্রাথমিক স্কোর -এ শুরু এবং উপান্ত্য স্কোর এ বিভক্তি । আপনি যে গেমটি জিতেছেন তার মধ্যে পয়েন্টগুলির মধ্যে এমন পাথগুলি নির্ধারিত হয় । সুতরাং তারা সংখ্যার আকারের উপসর্গের সাথে এবং সেগুলির মধ্যে । যেহেতু এই জাতীয় প্রতিটি পথে আপনি পয়েন্ট (স্বাধীন সম্ভাব্যতার সাথে প্রতিবার, চূড়ান্ত পয়েন্ট গণনা করে) জিতেছেন এবং আপনার প্রতিপক্ষ জয়ী হয়েছে( x , y ) ( 0 , 0 ) ( 20 , y ) 20 + y 20 1 , 2 , , 20 + yy(x,y)(0,0)(20,y)20+y201,2,,20+y(20+y20)পি y 1 - পি ওয়াই21py পয়েন্ট (প্রতিটিবার স্বতন্ত্র সম্ভাব্যতা সহ ), সাথে সম্পর্কিত পাথগুলি মোট সুযোগের জন্য অ্যাকাউন্ট করে1py

f(y)=(20+y20)p21(1p)y.

একইভাবে, টাই উপস্থাপন করে পৌঁছানোর উপায় রয়েছে । এই পরিস্থিতিতে আপনার একটি নির্দিষ্ট জয় নেই। আমরা একটি সাধারণ সম্মেলন অবলম্বন করে আপনার জয়ের সম্ভাবনা গণনা করতে পারি: এখন পর্যন্ত কত পয়েন্ট হয়েছে তা ভুলে যান এবং পয়েন্ট ডিফারেনশিয়াল ট্র্যাকিং শুরু করুন। খেলার ডিফারেনশিয়াল হয় এবং যখন এটি প্রথম ছুঁয়েছে শেষ হয়ে যাবে বা , অগত্যা মাধ্যমে ক্ষণস্থায়ী পথ ধরে। যাক সুযোগ যখন আপনি ডিফারেনশিয়াল জয় হতে ।(20+2020)0 + + 2 - 2 ± 1 ( আমি ) আমি { - 1 , 0 , 1 }(20,20)0+22±1g(i)i{1,0,1}

যেহেতু যে কোনও পরিস্থিতিতে আপনার জয়ের সুযোগ , তাই আমাদের রয়েছেp

g(0)=pg(1)+(1p)g(1),g(1)=p+(1p)g(0),g(1)=pg(0).

ভেক্টর জন্য রৈখিক সমীকরণের এই পদ্ধতির অনন্য সমাধানটি বোঝায়(g(1),g(0),g(1))

g(0)=p212p+2p2.

সুতরাং, একবারে আপনার বিজয়ী হওয়ার পৌঁছে গেছে (যা সুযোগ সহ ঘটে ।(20,20)(20+2020)p20(1p)20

ফলস্বরূপ আপনার জয়ের সম্ভাবনা হ'ল এই সমস্ত অসম্পূর্ণ সম্ভাবনার সমষ্টি, সমান

y=019f(y)+g(0)p20(1p)20(20+2020)=y=019(20+y20)p21(1p)y+p212p+2p2p20(1p)20(20+2020)=p2112p+2p2(y=019(20+y20)(12p+2p2)(1p)y+(20+2020)p(1p)20).

ডানদিকে বন্ধনীগুলির ভিতরে থাকা উপাদানগুলি তে একটি বহুপদী । (দেখে মনে হচ্ছে এটির ডিগ্রি , তবে নেতৃস্থানীয় পদগুলি সমস্ত বাতিল করে: এর ডিগ্রি )p2120

যখন , জয়ের সম্ভাবনা কাছাকাছিp=0.580.855913992.

এই বিশ্লেষণটিকে গেমগুলিতে সাধারণ করার ক্ষেত্রে আপনার কোনও সমস্যা হওয়ার দরকার নেই যা কোনও সংখ্যক পয়েন্টের সাথে শেষ হয়। যখন প্রয়োজনীয় মার্জিন এর চেয়ে বেশি হয় ফলাফল আরও জটিল হয় তবে ঠিক তত সরল।2

ঘটনাক্রমে , জয়ের এই সম্ভাবনার সাথে, আপনার প্রথম গেমস জয়ের সম্ভাবনা । আপনি যে প্রতিবেদন করেছেন তার সাথে এটি বেমানান নয়, যা প্রতিটি পয়েন্টের ফলাফলগুলি স্বতন্ত্র বলে মনে করে চালিয়ে যেতে আমাদের উত্সাহিত করতে পারে। আমরা এর মাধ্যমে প্রজেক্ট করব যে আপনার একটি সুযোগ আছে(0.8559)159.7%15

(0.8559)350.432%

এই সমস্ত অনুমান অনুসারে তারা এগিয়ে যান বলে ধরে নিয়ে বাকি গেম জিতেছে । পরিশোধের পরিমাণ বড় না হলে এটি তৈরি করা ভাল বাজি লাগবে না!35


আমি দ্রুত সিমুলেশন দিয়ে এই জাতীয় কাজ পরীক্ষা করতে চাই। Rএক সেকেন্ডে কয়েক হাজার গেম জেনারেট করার কোড এখানে । এটি ধরে নিয়েছে যে গেমটি 126 পয়েন্টের মধ্যে শেষ হয়ে যাবে (অত্যন্ত কম গেমের দীর্ঘকাল ধরে চালানো দরকার, সুতরাং ফলাফলের উপর এই অনুমানের কোনও উপাদানীয় প্রভাব নেই)।

n <- 21      # Points your opponent needs to win
m <- 21      # Points you need to win
margin <- 2  # Minimum winning margin
p <- .58     # Your chance of winning a point
n.sim <- 1e4 # Iterations in the simulation

sim <- replicate(n.sim, {
  x <- sample(1:0, 3*(m+n), prob=c(p, 1-p), replace=TRUE)
  points.1 <- cumsum(x)
  points.0 <- cumsum(1-x)
  win.1 <- points.1 >= m & points.0 <= points.1-margin
  win.0 <- points.0 >= n & points.1 <= points.0-margin
  which.max(c(win.1, TRUE)) < which.max(c(win.0, TRUE))
})
mean(sim)

আমি যখন এটি চালিয়েছি, আপনি 10,000 পুনরাবৃত্তির মধ্যে 8,570 কেসে জিতেছেন। এ জাতীয় ফলাফলের পরীক্ষার জন্য একটি জেড স্কোর (প্রায় একটি সাধারণ বিতরণ সহ) গণনা করা যেতে পারে:

Z <- (mean(sim) - 0.85591399165186659) / (sd(sim)/sqrt(n.sim))
message(round(Z, 3)) # Should be between -3 and 3, roughly.

এই সিমুলেশনটিতে এর মান পূর্ববর্তী তাত্ত্বিক গণনার সাথে পুরোপুরি সুসংগত।0.31


পরিশিষ্ট 1

প্রথম 18 গেমের ফলাফলগুলি তালিকাভুক্ত করে এমন প্রশ্নের আপডেটের আলোকে, এখানে এই ডেটার সাথে সামঞ্জস্যপূর্ণ গেমের পাথগুলির পুনর্গঠন রয়েছে। আপনি দেখতে পাচ্ছেন যে দুটি বা তিনটি গেমগুলি বিপদজনকভাবে ক্ষতির কাছে ছিল। (হালকা ধূসর বর্গক্ষেত্রের শেষে যে কোনও পথই আপনার ক্ষতি)

চিত্র ২

এই চিত্রের সম্ভাব্য ব্যবহারগুলি পর্যবেক্ষণের অন্তর্ভুক্ত:

  • পাথগুলি মোট স্কোরের 267: 380 অনুপাত দ্বারা প্রদত্ত slালের চারদিকে মনোনিবেশ করে, প্রায় 58.7% এর সমান।

  • Slালের চারপাশের পাথের বিস্তৃতি পয়েন্টগুলি স্বাধীন হলে প্রত্যাশিত প্রকরণটি দেখায় shows

    • যদি পয়েন্টগুলি লাইনগুলিতে তৈরি করা হয়, তবে স্বতন্ত্র পাথগুলিতে দীর্ঘ উল্লম্ব এবং অনুভূমিক প্রসারিত হতে থাকে।

    • অনুরূপ গেমগুলির আরও দীর্ঘ সংখ্যায়, রঙগুলি পরিসীমা মধ্যে থাকতে পারে এমন পাথগুলি দেখার আশা করুন, তবে এর থেকেও অল্প কিছু প্রসারিত হওয়ার আশাও করুন।

    • এমন খেলোয়াড় বা দু'জনের খেলার সম্ভাবনা যা সাধারণত ছড়িয়ে পড়ে তার সম্ভাবনা নির্দেশ করে যে আপনার প্রতিপক্ষ অবশেষে একটি খেলা জিতবে, সম্ভবত খুব শীঘ্রই তার চেয়ে বেশি শীঘ্রই।


পরিশিষ্ট 2

চিত্রটি তৈরি করার কোডটি অনুরোধ করা হয়েছিল। এখানে এটি (কিছুটা ভাল গ্রাফিক তৈরি করতে পরিষ্কার করা হয়েছে)।

library(data.table)
library(ggplot2)

n <- 21      # Points your opponent needs to win
m <- 21      # Points you need to win
margin <- 2  # Minimum winning margin
p <- 0.58     # Your chance of winning a point
#
# Quick and dirty generation of a game that goes into overtime.
#
done <- FALSE
iter <- 0
iter.max <- 2000
while(!done & iter < iter.max) {
  Y <- sample(1:0, 3*(m+n), prob=c(p, 1-p), replace=TRUE)
  Y <- data.table(You=c(0,cumsum(Y)), Opponent=c(0,cumsum(1-Y)))
  Y[, Complete := (You >= m & You-Opponent >= margin) |
      (Opponent >= n & Opponent-You >= margin)]
  Y <- Y[1:which.max(Complete)]
  done <- nrow(Y[You==m-1 & Opponent==n-1 & !Complete]) > 0
  iter <- iter+1
}
if (iter >= iter.max) warning("Unable to find a solution. Using last.")
i.max <- max(n+margin, m+margin, max(c(Y$You, Y$Opponent))) + 1
#
# Represent the relevant part of the lattice.
#
X <- as.data.table(expand.grid(You=0:i.max,
                               Opponent=0:i.max))
X[, Win := (You == m & You-Opponent >= margin) |
    (You > m & You-Opponent == margin)]
X[, Loss := (Opponent == n & You-Opponent <= -margin) |
    (Opponent > n & You-Opponent == -margin)]
#
# Represent the absorbing boundary.
#
A <- data.table(x=c(m, m, i.max, 0, n-margin, i.max-margin),
                y=c(0, m-margin, i.max-margin, n, n, i.max),
                Winner=rep(c("You", "Opponent"), each=3))
#
# Plotting.
#
ggplot(X[Win==TRUE | Loss==TRUE], aes(You, Opponent)) +
  geom_path(aes(x, y, color=Winner, group=Winner), inherit.aes=FALSE,
            data=A, size=1.5) +
  geom_point(data=X, color="#c0c0c0") +
  geom_point(aes(fill=Win), size=3, shape=22, show.legend=FALSE) +
  geom_path(data=Y, size=1) +
  coord_equal(xlim=c(-1/2, i.max-1/2), ylim=c(-1/2, i.max-1/2),
              ratio=1, expand=FALSE) +
  ggtitle("Example Game Path",
          paste0("You need ", m, " points to win; opponent needs ", n,
                 "; and the margin is ", margin, "."))

কীভাবে বিভেদ রয়েছে? আপনার পুনরাবৃত্তি কনফিগারেশন না? উদাহরণস্বরূপ, যখন যখন দ্বিপদী সহগ । যখন তখন । তবে পরের কনফিগারেশনগুলির মধ্যে একটি হ'ল (যেমন আমাদের প্লেয়ারের পক্ষে 21 পয়েন্ট জিতেছে, প্রতিপক্ষের জন্য 0) for আমাদের কি ছেদগুলির সম্ভাবনাগুলি বিয়োগ করা উচিত নয়? এটিই আমাকে প্রথম স্থানে অবরুদ্ধ করেছিল। f(y)y=01y=1(2120)=21y=0
ইজিমোড 44

1
@ শুভ: দুর্দান্ত, r codeবাস্তবায়ন প্রকাশের "দুর্দান্ত দৃশ্যায়ন" অংশও হবে ? অনেক ধন্যবাদ.
ম্যাক্সিমিলিয়ান

7
@ স্টেফান আমার মানটি সঠিক যুক্তিযুক্ত গাণিতিক ( গণিতের মধ্যে ) ব্যবহার করে গণনা করা হয়েছিল এবং শেষে গোল করা হয়েছিল। আমি সন্দেহ করি যে আপনার কেবলমাত্র ডাবল নির্ভুলতা ভাসমান পয়েন্ট ব্যবহার করে গণনা করা হয়েছে, এবং সুতরাং ধরে নিন যে আপনার শেষের কয়েকটি অঙ্কটি ভুল। যৌক্তিক সংখ্যা হিসাবে মানটি হ'ল
2494929816061114641968058046704583744174849151775019163577995310486129149305191822350025177001953125000000000000000000000000000000000000.
শুক্র

4
@ ম্যাক্সিমিলিয়ান আমি ভিজুয়ালাইজেশনের জন্য কোড পোস্ট করেছি।
হোয়াইট

3
আমি মনে করি ওভারটাইম হ্যান্ডেল করার একটি সহজ উপায় 20-20 পৌঁছে যাওয়ার পরে জোড়ায় পয়েন্ট নেওয়া। কেবলমাত্র বিষয়গুলিই হয় প্রথম খেলোয়াড় উভয়কেই জয়যুক্ত করে (সম্ভাব্যতা 0.58²) অথবা দ্বিতীয় জয়ী উভয়ই (0.42²)। যদি অন্য কিছু ঘটে থাকে তবে এটিকে উপেক্ষা করুন এবং উপরের এক ভাগ না হওয়া পর্যন্ত খেলতে থাকুন। ২০-২০ এর পরে প্রথম খেলোয়াড়ের জয়ের সম্ভাবনা এইভাবে 0.58² / (0.58² + 0.42²) এবং দ্বিতীয় খেলোয়াড়ের হয় 0.42² / (0.58² + 0.42²)।
সুপারক্যাট

25

দ্বিপদী বিতরণ ব্যবহার করা এবং প্রতিটি বিন্দু ধরে নেওয়া স্বাধীন:

  • প্রথম পয়েন্টে প্লেয়ারটি এ পৌঁছানোর সম্ভাবনা রয়েছে (শেষ পয়েন্টটি অবশ্যই জিততে হবে তা বিবেচনা করে)58%2140n=2140(n120)0.58210.42n21 =k=2140(40k)0.58k0.4240k 0.80695

  • সম্ভাব্যতা খেলোয়াড় পায় থেকে অভিনয় পয়েন্ট দ্বিপদ হয় । এটির শর্তে, প্লেয়ার দুটি পয়েন্ট মার্জিনের সাথে তারপরে জেতার সম্ভাবনাটি হ'ল58%2040(4020)0.58200.42200.07463558%0.5820.582+0.4220.656006

সুতরাং প্লেয়ারের সামগ্রিক সম্ভাবনা প্রায়58%0.80695+0.074635×0.656006 0.8559

প্রথম গেমসে প্লেয়ার জয়ের সম্ভাবনা তখন প্রায় যা মোটামুটি সম্ভাবনা কম। চূড়ান্ত গেমসে প্লেয়ারের সম্ভাবনা যা খুব কমই অসম্ভব। 58%150.85559150.096958%350.85559350.0043


2
অংশটি " প্লেয়ার দুটি পয়েন্ট মার্জিনের সাথে তারপরে জিতবে তার সম্ভাব্যতা "58%0.582/(0.582+0.422)0.656006 কিছু ব্যাখ্যা ব্যবহার করতে পারে, কারণ এটি সম্ভবত এটি সবচেয়ে কঠিন অংশ সমস্যা।
জিয়েক

1
@ জাইক: একবার বা তার পরে সমতার পরে, নির্ধারিত পয়েন্টগুলির সম্ভাব্যতা এবং তাই খারাপ খেলোয়াড়ের চেয়ে আরও ভাল খেলোয়াড় দু'জন এগিয়ে যাওয়ার সম্ভাবনা হ'ল - অন্যথায় তারা একই অবস্থানে ফিরে আসে20200.582+0.4220.5820.582+0.422
হেনরি

3
শীর্ষ উত্তরের চেয়ে আরও সংক্ষিপ্ত উত্তর, তবে আমার ধারণা যেহেতু এটির ছবি নেই এবং 12 ঘন্টা পরে পোস্ট করা হয়েছিল, এটি 80 টি কম ভোট পেয়েছে? = |
Attackfarm

17

আমি একটি গণ্য উত্তর দিয়ে গিয়েছিলাম। এখানে একটি আর ফাংশন রয়েছে যা একটি পিং-পং গেমের অনুকরণ করে যেখানে বিজয়ীকে 2 দ্বারা জিততে হবে The একমাত্র যুক্তি হ'ল আপনি পয়েন্ট জয়ের সম্ভাবনা। এটি সেই গেমের চূড়ান্ত স্কোরটি ফিরিয়ে দেবে:

## data simulation function ----------------------------------------------------
sim_game <- function(pt_chance) {
  them <- 0
  you <- 0
  while (sum((them < 21 & you < 21), abs(them - you) < 2) > 0) {
    if (rbinom(1, 1, pt_chance) == 1) {
      you <- you + 1
      them <- them + 0
    } else {
      you <- you + 0
      them <- them + 1
    }
  }
  return(list(them = them, you = you))
}

প্রথমে নিশ্চিত হয়ে নিন যে এটি 10,000 গেমস অনুকরণ করে কাজ করে যেখানে আপনার প্রতিটি পয়েন্ট জয়ের 50% সম্ভাবনা রয়েছে। আমাদের লক্ষ্য করা উচিত যে আপনার জয়ের শতাংশ প্রায় 50%:

## testing 10,000 games --------------------------------------------------------
set.seed(1839)
results <- lapply(1:10000, function(x) sim_game(.5))
results <- as.data.frame(do.call(rbind, results))
results$you_win <- unlist(results$you) > unlist(results$them)
mean(results$you_win)

এটি প্রত্যাশিত .4955, আমরা কী আশা করব। সুতরাং আসুন আপনার 58% প্লাগ ইন করুন:

## simulate 10,000 games -------------------------------------------------------
set.seed(1839)
results <- lapply(1:10000, function(x) sim_game(.58))
results <- as.data.frame(do.call(rbind, results))
results$you_win <- unlist(results$you) > unlist(results$them)
mean(results$you_win)

এটি .8606 প্রদান করে। তাই আপনি যদি জেতার একটি 86,06% সম্ভাবনা সম্পর্কে এক খেলা।

আমরা এখন 35 টি গেম ব্যাচ জুড়ে সিমুলেট করতে পারি এবং আপনি সমস্ত 35 টি কতবার জিততে পারবেন তা দেখুন :

## how often do you win all 35? ------------------------------------------------
set.seed(1839)
won_all_35 <- c()
for (i in 1:10000) {
  results <- lapply(1:35, function(x) sim_game(.58))
  results <- as.data.frame(do.call(rbind, results))
  results$you_win <- unlist(results$you) > unlist(results$them)
  won_all_35[i] <- mean(results$you_win) == 1
}
mean(won_all_35)

এটি ফিরে আসবে .0037, যার অর্থ আপনার পরবর্তী 35 গেম জয়ের প্রায় 0.37% সম্ভাবনা রয়েছে। এটি ধরে নিয়েছে যে সমস্ত গেম এবং সমস্ত পয়েন্ট একে অপরের থেকে স্বতন্ত্র। আপনি চাইলে উপরের ফাংশনটিতে স্পষ্টভাবে প্রোগ্রাম করতে পারেন।

দ্রষ্টব্য: আমি উড়তে এই করছি আমি নিশ্চিত যে এটির প্রোগ্রামিংয়ের আরও একটি কম্পিউটেশনাল দক্ষ পদ্ধতি রয়েছে।


pbetterwins <- pbinom(19,40,0.42) + dbinom(20,40,0.42) * 0.58^2/(0.58^2+0.42^2); pbetterwins; pbetterwins^35দ্বিপদী বিতরণ ব্যবহার করে একটি গণনার চেষ্টা করুন । আপনার সিমুলেশন যথেষ্ট পরিমাণে বন্ধ করুন
হেনরি

15

আমাদের কি ধরে নেওয়া উচিত যে জয়ের 58% সম্ভাবনা স্থির এবং সেই পয়েন্টগুলি স্বাধীন?

আমি বিশ্বাস করি যে হুশবারের উত্তরটি একটি উত্তম এবং সুন্দরভাবে লেখা এবং ব্যাখ্যা করা হয়েছে, যখন বিবেচনাটি হয় যে প্রতিটি পয়েন্ট পরেরটি থেকে স্বতন্ত্র । তবে আমি বিশ্বাস করি যে, বাস্তবে এটি কেবল একটি আকর্ষণীয় সূচনা পয়েন্ট (তাত্ত্বিক / আদর্শিক)। আমি কল্পনা করি যে বাস্তবে পয়েন্টগুলি একে অপরের থেকে স্বতন্ত্র নয় এবং এটি আপনার সহকর্মী প্রতিপক্ষের কমপক্ষে 50 এর মধ্যে একবার হলেও জয়ের সম্ভাবনা তৈরি করতে পারে।

প্রথমে আমি কল্পনা করেছিলাম যে পয়েন্টগুলির নির্ভরতা একটি এলোমেলো প্রক্রিয়া হবে , অর্থাত্ প্লেয়ারদের দ্বারা নিয়ন্ত্রিত হবে না (উদাহরণস্বরূপ, যখন কেউ জিততে থাকে বা অন্যরকমভাবে খেলতে হয়) এবং এর ফলে কম খেলোয়াড়কে পেতে আরও বেশি ফলাফল তৈরি করা উচিত পঞ্চাশের মধ্যে এই এক পয়েন্ট।

দ্বিতীয় চিন্তাই এর বিপরীতে পরামর্শ দিতে পারে : আপনি ইতিমধ্যে একটি 9.7% সুযোগ দিয়ে কিছু "অর্জন" করেছেন যে একটি বায়সিয়ান দৃষ্টিকোণ থেকে আপনাকে গ্রহণ করার পদ্ধতিগুলির পক্ষে মতামত দেওয়ার জন্য কিছু (তবে কেবল সামান্য) সুবিধা দিতে পারে কোনও খেলায় জয়লাভের 85% এর বেশি সম্ভাবনা জিতে নিন (বা কমপক্ষে এটির কম সম্ভাবনা তৈরি করুন যা পূর্ববর্তী দুটি অনুচ্ছেদে যুক্তিযুক্ত 15% এর চেয়ে আপনার প্রতিপক্ষের অনেক বেশি সম্ভাবনা রয়েছে)। উদাহরণস্বরূপ, আপনার অবস্থান কম ভাল হলে আপনি আরও ভাল রান করতে পারেন (নিয়মিত পয়েন্টের চেয়ে লোকের পক্ষে বা বিপক্ষে ম্যাচ পয়েন্টে অনেক বেশি স্কোর করা বিস্ময়কর নয়)। এই গতিশীলতাগুলিকে বিবেচনায় নিয়ে আপনি 85% এর অনুমানগুলি উন্নত করতে পারেন এবং সম্ভবত আপনার কোনও গেম জয়ের সম্ভাবনা 85% এর বেশি রয়েছে।

যাইহোক, উত্তর সরবরাহ করতে এই সাধারণ পয়েন্টের পরিসংখ্যানটি ব্যবহার করা খুব ভুল হতে পারে । হ্যাঁ আপনি এটা করতে পারেন, কিন্তু এটা সঠিক হবে না যেহেতু প্রাঙ্গনে (পয়েন্ট স্বাধীনতা) হয় অগত্যা সঠিক নয় এবং অত্যন্ত উত্তর প্রভাবিত । 42/58 পরিসংখ্যান আরও তথ্য তবে আমরা কীভাবে এটি ব্যবহার করতে পারি তা খুব ভালভাবে জানি না (মডেলটির সঠিকতা) এবং তথ্য ব্যবহার করা উচ্চতর নির্ভুলতার সাথে উত্তর সরবরাহ করতে পারে যা এটিতে আসলে নেই।


উদাহরণ

উদাহরণ: সম্পূর্ণ ভিন্ন ফলাফল সহ একটি সমান যুক্তিসঙ্গত মডেল

সুতরাং অনুমানমূলক প্রশ্ন (স্বতন্ত্র পয়েন্টগুলি ধরে এবং জ্ঞাত, তাত্ত্বিক, এই পয়েন্টগুলির জন্য সম্ভাব্যতাগুলি ধরে নেওয়া) নিজেই আকর্ষণীয় এবং এর উত্তর দেওয়া যেতে পারে, তবে কেবল বিরক্তিকর এবং সন্দেহজনক / উদ্বেগজনক হতে হবে; অনুমান সংক্রান্ত মামলার উত্তরটি আপনার মূল / মূল সমস্যার সাথে এতটা সম্পর্কিত না এবং আপনার সংস্থার পরিসংখ্যানবিদ / তথ্য-বিজ্ঞানীরা কেন সরাসরি উত্তর দিতে নারাজ তা হতে পারে।

একটি বিকল্প উদাহরণ দেওয়ার জন্য (খুব ভাল নয়) যা একটি বিভ্রান্তিমূলক (পাল্টা) বিবৃতি দেয় 'প্রশ্ন: আমি ইতিমধ্যে 15 জিতলে মোট 50 টি গেমের সবকটিতেই জয়ের সম্ভাবনা কত?' আমরা যদি ভাবতে শুরু না করি যে 'পয়েন্ট স্কোর ৪২/৫৮ প্রাসঙ্গিক কিনা বা আমাদের আরও ভাল ভবিষ্যদ্বাণী দেয়' তবে আমরা গেম জয়ের সম্ভাবনা সম্পর্কে ভবিষ্যদ্বাণী করতে শুরু করব এবং কেবলমাত্র আপনার আগের জয়ের উপর ভিত্তি করে আরও 35 টি গেম জিততে হবে 15 গেম:

  • কোনও গেম জেতে আপনার সম্ভাবনার জন্য বায়েশিয়ান কৌশলটি এর অর্থ হ'ল: যা প্রায় একফ ইউনিটের পূর্ববর্তী f (x) = 1 এর জন্য প্রায় 31%, যদিও এটি কিছুটা আশাবাদীও হতে পারে। তবে তবুও যদি আপনি 1 থেকে 5 এর মধ্যে দিয়ে বিটা বিতরণ বিবেচনা করেন তবে আপনি এতে পান: β=α αp(win another 35 | after already 15)=01f(p)p5001f(p)p15β=α

পূর্ববর্তী বিটা বিতরণের কার্য হিসাবে উত্তরোত্তর সম্ভাবনা

যার মানে আমি তাই সহজবোধ্য 0,432% ভবিষ্যদ্বাণী হিসাবে হতাশাপূর্ণ হবে না যে আপনি ইতিমধ্যে 15 গেম জিতেছে সম্ভাব্যতা যে আপনি পরবর্তী 35 গেম জিততে বাড়িয়ে করা উচিত নয়।


নতুন তথ্য ভিত্তিক নোট

18 টি গেমের জন্য আপনার ডেটার ভিত্তিতে আমি একটি বিটা-বাইনোমিয়াল মডেল ফিট করার চেষ্টা করেছি। নানারকম এবং এবং সম্ভাব্যতা গণনা (20 আমি মাধ্যমে) আমি, 21 একটি স্কোর পেতে বা স্কোর 20,20 এবং তারপর তাদের লগ যোগফল একটি লগ-সম্ভাবনা স্কোর।β = ( 1 - μ ) ν να=μνβ=(1μ)ν

এটি দেখায় যে একটি খুব উচ্চ প্যারামিটার (অন্তর্নিহিত বিটা বিতরণে সামান্য বিচ্ছুরণের) উচ্চ সম্ভাবনা রয়েছে এবং সুতরাং সম্ভবত খুব বেশি পরিমাণে ছড়িয়ে পড়েছে। এর অর্থ হ'ল ডেটা প্রস্তাব দেয় না যে আপনার পয়েন্ট জয়ের সম্ভাবনার জন্য একটি ভেরিয়েবল প্যারামিটার ব্যবহার করা ভাল, আপনার 58% জয়ের সম্ভাবনার পরিবর্তে। এই নতুন ডেটা হুইবারের বিশ্লেষণের জন্য অতিরিক্ত সহায়তা সরবরাহ করছে, যা দ্বিপদী বিতরণের উপর ভিত্তি করে স্কোর ধরে। তবে অবশ্যই এটি এখনও ধরে নেয় যে মডেলটি অচল এবং আপনি এবং আপনার সহকর্মী একটি এলোমেলো মডেল অনুযায়ী আচরণ করেন (যাতে প্রতিটি খেলা এবং পয়েন্ট স্বাধীন থাকে)।ν

নির্ধারিত 58% জয়ের সুযোগের স্থানে বিটা বিতরণের পরামিতিগুলির সর্বাধিক সম্ভাবনার অনুমান:

58 পি বিজয়ী সুযোগের বিটা বিতরণের সর্বাধিক সম্ভাবনার অনুমান

প্রশ্ন: আমি কীভাবে "প্যারামিটারগুলির জন্য প্যানেলগুলি মু এবং নু" পড়তে পারি?

উত্তর:

  • 1) সর্বাধিক সম্ভাবনা অনুমান (এমএলই) একটি মডেল ফিট করার একটি উপায়। সম্ভাবনার অর্থ মডেলটির পরামিতিগুলি দেওয়া তথ্যের সম্ভাবনা এবং তারপরে আমরা মডেলটিকে সর্বাধিক সন্ধান করি। এর পিছনে রয়েছে অনেক দর্শন ও গণিত।
  • 2) প্লটটি সর্বোত্তম এমএলইতে যাওয়ার জন্য একটি অলস গণনা পদ্ধতি। আমি কেবল একটি গ্রিডে সমস্ত সম্ভাব্য মানগুলি গণনা করি এবং দেখি যে ভালিউটি কী। আপনার যদি দ্রুত হওয়ার দরকার হয় তবে আপনি একটি গণনামূলক পুনরাবৃত্তি পদ্ধতি / অ্যালগরিদম ব্যবহার করতে পারেন যা সর্বোত্তম সন্ধান করে, অথবা সম্ভবত কোনও সরাসরি বিশ্লেষণাত্মক সমাধান হতে পারে।
  • 3) প্যারামিটারগুলি এবং বিটা বিতরণের সাথে সম্পর্কিত https://en.wikedia.org/wiki/Beta_dist वितरण যা p = 0.58 এর মডেল হিসাবে ব্যবহৃত হয় (এটি স্থির না করে বরং পরিবর্তে সময়ে সময়ে পরিবর্তিত হয়) সময়)। এই মডেলযুক্ত 'বিটা-পি' দ্বিগুণ মডেলের সাথে একত্রিত হয়ে নির্দিষ্ট স্কোরগুলিতে পৌঁছানোর সম্ভাবনার পূর্বাভাস পেতে। এটি প্রায় বিটা-দ্বিপদী বিতরণের মতোই। আপনি দেখতে পারেন যে সর্বোত্তম। যা অবাক হওয়ার মতো নয়। মান উচ্চ (কম বিচ্ছুরণ অর্থ) হয়। আমি কমপক্ষে কিছুটা ছড়িয়ে ছিটিয়ে কল্পনা / প্রত্যাশা করেছি।ν μ 0.6 νμνμ0.6ν

গ্রাফ 1 এর জন্য কোড / গণনা

posterior <- sapply(seq(1,5,0.1), function(x) {
    integrate(function(p) dbeta(p,x,x)*p^50,0,1)[1]$value/
    integrate(function(p) dbeta(p,x,x)*p^15,0,1)[1]$value
  }
)

prior <- sapply(seq(1,5,0.1), function(x) {
  integrate(function(p) dbeta(p,x,x)*p^35,0,1)[1]$value
}
)

layout(t(c(1,2)))


plot(  seq(1,5,0.1), posterior,
       ylim = c(0,0.32),
       xlab = expression(paste(alpha, " and ", beta ," values for prior beta-distribution")),
       ylab = "P(win another 35| after already 15)"
)
title("posterior probability assuming beta-distribution")

plot(  seq(1,5,0.1), prior,
       ylim = c(0,0.32),
       xlab = expression(paste(alpha, " and ", beta ," values for prior beta-distribution")),
       ylab = "P(win 35)"
)
title("prior probability assuming beta-distribution")

গ্রাফ 2 এর জন্য কোড / গণনা

library("shape")

# probability that you win and opponent has kl points
Pwl <- function(a,b,kl,kw=21) {
  kt <- kl+kw-1
  Pwl <- choose(kt,kw-1) * beta(kw+a,kl+b)/beta(a,b)
  Pwl
}

# probability to end in the 20-20 score
Pww <- function(a,b,kl=20,kw=20) {
  kt <- kl+kw
  Pww <- choose(kt,kw) * beta(kw+a,kl+b)/beta(a,b)
  Pww
}

# probability that you lin with kw points
Plw <- function(a,b,kl=21,kw) {
  kt <- kl+kw-1
  Plw <- choose(kt,kw) * beta(kw+a,kl+b)/beta(a,b)
  Plw
}

# calculation of log likelihood for data consisting of 17 opponent scores and 1 tie-position 
# parametezation change from mu (mean) and nu to a and b 
loglike <- function(mu,nu) { 
  a <- mu*nu
  b <- (1-mu)*nu
  scores <- c(18, 17, 11, 13, 15, 15, 16, 9, 17, 17, 13, 8, 17, 11, 17, 13, 19) 
  ps <- sapply(scores, function(x) log(Pwl(a,b,x)))
  loglike <- sum(ps,log(Pww(a,b)))
  loglike
}

#vectors and matrices for plotting contour
mu <- c(1:199)/200
nu <- 2^(c(0:400)/40)
z <- matrix(rep(0,length(nu)*length(mu)),length(mu))
for (i in 1:length(mu)) {
  for(j in 1:length(nu)) {
    z[i,j] <- loglike(mu[i],nu[j])
  }
}

#plotting
levs <- c(-900,-800,-700,-600,-500,-400,-300,-200,-100,-90,-80,-70,-60,-55,-52.5,-50,-47.5)
# contour plot
filled.contour(mu,log(nu),z,
               xlab="mu",ylab="log(nu)",         
               #levels=c(-500,-400,-300,-200,-100,-10:-1),
               color.palette=function(n) {hsv(c(seq(0.15,0.7,length.out=n),0),
                                              c(seq(0.7,0.2,length.out=n),0),
                                              c(seq(1,0.7,length.out=n),0.9))},
               levels=levs,
               plot.axes= c({
                 contour(mu,log(nu),z,add=1, levels=levs)
                 title("loglikelihood for parameters mu and nu")
                 axis(1)
                 axis(2)
               },""),
               xlim=range(mu)+c(-0.05,0.05),
               ylim=range(log(nu))+c(-0.05,0.05)
)

2
+1 আমি নতুন দৃষ্টিকোণকে প্রশংসা করি। তবে আমি এই দৃ among় প্রতিবেদনের প্রতিদ্বন্দ্বিতা করব যে পয়েন্টগুলির মধ্যে নির্ভরতা পরবর্তী 35 খেলায় প্রতিপক্ষের জয়ের সম্ভাবনা বেশি করে তোলে। আসলে, এটি যে কোনও উপায়ে যেতে পারে। বিপরীত উপসংহারের জন্য একটি প্রশংসনীয় প্রক্রিয়াটি হ'ল আপনি পয়েন্টগুলির 58-42 প্রান্তের চেয়ে অনেক বেশি শক্তিশালী এবং যখন আপনাকে ডাকা হয়, আপনি সর্বদা পিছনে থাকলেও যে কোনও খেলা জয়ের জন্য সমাবেশ করতে পারেন। স্বাধীনতা ধরে না নেওয়ার আসল সমস্যাটি কীভাবে অ-স্বাধীনতার মডেল করবেন তা উদ্বেগ করে।
শুক্র

@ শুভ, আপনি ঠিক বলেছেন। আমি উভয় উপায় জন্য তর্ক। 1) আমার প্রথম চিন্তাগুলি এক দিকে চলে গেল নির্ভরতাটি এলোমেলো হয়ে যাবে, যেমন লোকেদের নিয়ন্ত্রণহীন উত্থান-পতন হয় ভাল মুহূর্ত এবং খারাপ মুহূর্তগুলি, এবং এটি আমি কল্পনা করি ফলাফলগুলি আরও বৃহত্তর বিস্তৃতি তৈরি করবে কম খেলোয়াড়ের সম্ভাবনা বাড়িয়ে তুলতে। ২) তবে আমি তখন বায়েশিয়ার নীতিগুলি নিয়ে ভাবছিলাম এবং কীভাবে ১৫ টি জেমে থাকা গেমগুলি বিশ্লেষণকে প্রভাবিত করতে পারে (কমপক্ষে পোস্টে প্রশ্নটি শিরোনামের প্রশ্ন থেকে আলাদা পরিস্থিতি) এবং এমন কোনও সম্ভাব্য ব্যবস্থা থাকতে পারে যা উপকৃত হয় শক্তিশালী খেলোয়াড়
মার্টিজন ওয়েটারিংস

1
আমার পোস্টের দ্বিতীয়ার্ধে আমি কেবল একটি উদাহরণ দিচ্ছি যা যুক্তি দেয় যে জয়ের সম্ভাবনা 86% এর চেয়ে বেশি হওয়া উচিত। তবে এই সমস্ত গণিত খুব নির্ভুল মনে হলেও বাস্তবে আমরা নিশ্চিত নই যেহেতু আমাদের মডেলগুলি খারাপ (অনেকগুলি অতিরিক্ত, যথার্থতা হ্রাস, বিষয়গত তথ্য সহ) এই অল্প পরিমাণ তথ্য প্রদত্ত।
মার্টিজন ওয়েটারিংস

2
@ আমি আমার উত্তর সম্পাদনা করেছি answer এটি একটি ভাল মন্তব্য ছিল, এবং আমি এটি উত্তর এখন আরও স্পষ্ট আশা করি।
মার্টিজন ওয়েটারিংস 21:58

1
2) প্লটটি সর্বোত্তম এমএলইতে যাওয়ার জন্য একটি অলস গণনা পদ্ধতি। আমি কেবল একটি গ্রিডে সমস্ত সম্ভাব্য মানগুলি গণনা করি এবং দেখি যে ভালিউটি কী। আপনার যদি দ্রুত হওয়ার দরকার হয় তবে আপনি একটি গণনামূলক পুনরাবৃত্তি পদ্ধতি / অ্যালগরিদম ব্যবহার করতে পারেন যা সর্বোত্তম সন্ধান করে, অথবা সম্ভবত কোনও সরাসরি বিশ্লেষণাত্মক সমাধান হতে পারে।
মার্টিজ ওয়েটারিংস

12

একটি নিখুঁত মডেল উপর অনেক প্রচেষ্টা ব্যয় করা যেতে পারে। তবে কখনও কখনও খারাপ মডেলটি আরও ভাল। এবং কিছুই কেন্দ্রীয় সীমাবদ্ধ তত্ত্বের মতো খারাপ মডেল বলে না - সবকিছুই একটি সাধারণ বক্ররেখা।

আমরা "ওভারটাইম" উপেক্ষা করব। আমরা পৃথক পয়েন্টের যোগফলকে একটি সাধারণ বক্ররেখা হিসাবে মডেল করব। আমরা 38 টি রাউন্ড খেলতে মডেল করব এবং যার প্রথম সেকেন্ড 20 এর পরিবর্তে সর্বাধিক পয়েন্ট জিতেছে This এটি বেশ অনুরূপ গেম ওয়াইস!

এবং, অন্ধভাবে, আমি দাবি করব যে আমরা সঠিক উত্তরের নিকটে এসেছি।

একটি পয়েন্ট বিতরণ করা যাক । আপনি যখন পয়েন্ট পাবেন তখন এর মান 1 এবং আপনি 0 পাবেন না যখন।XX

সুতরাং = ~ এবং = = ~ ।E(X)0.58Var(X)E(X)(1E(X))0.24

যদি স্বতন্ত্র পয়েন্ট হয় তবে the আপনি 38 টি রাউন্ড খেলার পরে পয়েন্টগুলি পান।Xii=138Xi

E(i=138Xi) = = ~38E(X)22.04

Var(i=138Xi) = 38 * ভার ( ) = ~X9.12

এবং = = ~SD(i=138Xi)38Var(X))3.02

আমাদের অপরিশোধিত মডেলটিতে, আমরা যদি এবং হেরে যাই তবে lose হলে হেরে ।Σ 38 আমি = 1 এক্স আমি > 19i=138Xi<19i=138Xi>19

1.0115.62%22.04193.02 হয় গড়, যা একটি আউট কাজ করে থেকে স্ট্যান্ডার্ড ডেভিয়েশন দূরে একটি আলোচনা করে তার পর ব্যর্থতার সুযোগ z- র স্কোর চার্ট1.0115.62%

যদি আমরা আরও কঠোর উত্তরের সাথে তুলনা করি তবে এটি সঠিক মান থেকে প্রায় is ।1%

আপনি সাধারণভাবে বিজয় সুযোগের নির্ভরযোগ্যতা পরীক্ষা করে আরও বেশি কঠোর মডেলের চেয়ে চান্স এবং একে একে একে পুরোপুরি মডেল করে তোলেন।58 %58%58%


@ ইয়াক্ক, হ্যাকটি 38 টি কোথা থেকে এসেছে ?? এছাড়াও আমি খুব নিশ্চিত var (38 * x) = 38 ^ 2 * var (X), 38 * var (এক্স) নয়। আপনি যে ত্রুটিটি সংশোধন করেছেন তার পরে আপনার "খামের গণনার খুব সুন্দর পিছনে" কীভাবে আটকে থাকবে?
use_norm_approx

@ ব্যবহার_আমি একটি ঝালর 38 * এক্সকে "38 টি স্বতন্ত্র এক্স এর সমষ্টি" হিসাবে ব্যবহার করছি, "এক এক্স বার 38" নয়। 38 টি আসে "যার 19 টিরও বেশি জয় পায় তারা প্রথম খেলায় জয়লাভ করে"। আমি 39 গেম এবং প্রথমটি> 19.5 এর পরিবর্তে ব্যবহার করতে পারতাম; ফলাফল একই হবে।
ইয়াক

3

সিমুলেশন ভিত্তিক, দেখে মনে হচ্ছে যে কোনও গেম জয়ের সম্ভাবনা প্রায় 85.5%।

হুটো 2 দ্বারা জয়ের সম্ভাবনা (যা আমি শিরোনামটি পড়ি, তবে আপনি যা জিজ্ঞাসা করছেন তা মনে হয় না) প্রায় 10.1%।

নীচের কোডটি চালান।

set.seed(328409)
sim.game <- function(p)
{
 x1 = 0 
 x2 = 0 
 while( (max(c(x1,x2)) < 21) | abs(x1-x2)<2  ) 
 {
   if(runif(1) < p) x1 = x1 + 1 else x2 = x2 + 1 
 }
 return( c(x1,x2) ) 
}

S <- matrix(0, 1e5, 2)
for(k in 1:1e5) S[k,] <- sim.game(0.58)

mean( (S[,1]-S[,2]) == 2 ) #chance of winning by 2
mean(S[,1]>S[,2]) #chance of winning

1
এটি হুইবারের বিশ্লেষণাত্মক সমাধানের খুব কাছাকাছি আসে: dbinom(20,40,0.58)*0.58^2/(1-2*0.58+2*0.58^2)+dbinom(20,39,0.58)*0.5810.04% প্রদান
মার্টিজন ওয়েটারিংস
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.