解决一个有意思的抛硬币问题,计算连续两次正面所需次数的数学期望

文章目录

  • 一、问题与分析
  • 二、基本的数学推导
  • 三、代码示例

🍉 CSDN 叶庭云https://yetingyun.blog.csdn.net/


一、问题与分析

问题:对于质地均匀的硬币,连续两次得到正面所需的次数数学期望是多少?

在这里插入图片描述

关键词:抛硬币、均匀、连续、两次正面

一些分析

  • 这个经典的概率论问题要求我们给出抛掷一枚均匀硬币直到连续两次都出现正面为止,平均需要抛掷多少次。连续两次的概念很关键

  • 这代表了一类问题,它们可以总结为在一连串不断重复的实验中,第一次连续出现 n n n 次成功所需要的平均次数。

  • 解决此问题可采用马尔可夫链(马尔可夫状态转换图,列方程求解)或更简单的递归方法。通过数学推导,还能得到通项公式:平均抛掷 2 ( n + 1 ) − 2 2^{(n+1)} - 2 2(n+1)2 次硬币才会出现 n n n 连正的情况。


二、基本的数学推导

我们可以通过建立一个递归关系来解决这个问题。设 E E E 为得到连续两次正面所需的抛掷次数的期望值。我们可以将问题分解为以下几种情况:

  • 第一次抛掷就得到正面(概率为 1 2 \frac{1}{2} 21),然后我们就处于了一个新的状态,即下一次抛掷如果再次得到正面,游戏结束;否则,我们回到初始状态。设从这个状态开始,直到游戏结束所需的期望抛掷次数为 E 1 E_{1} E1

  • 第一次抛掷得到反面(概率为 1 2 \frac{1}{2} 21),这时我们仍然处于初始状态,因为我们一次正面也没有得到过。设从这个状态开始,直到游戏结束所需的期望抛掷次数为 E 0 E_{0} E0

由于 E 0 = E E_{0} = E E0=E因为它们都代表从游戏开始直到结束的期望抛掷次数),我们可以建立以下等式:

E = 1 2 × ( 1 + E 1 ) + 1 2 × ( 1 + E ) E = \frac{1}{2} \times (1 + E_1) + \frac{1}{2} \times (1 + E) E=21×(1+E1)+21×(1+E)

对于 E 1 E_{1} E1,如果第二次抛掷得到正面(概率为 1 2 \frac{1}{2} 21),游戏结束;如果得到反面(概率为 1 2 \frac{1}{2} 21),则回到初始状态 E E E。因此有:

E 1 = 1 2 × ( 1 ) + 1 2 × ( 1 + E ) E_1 = \frac{1}{2} \times (1) + \frac{1}{2} \times (1 + E) E1=21×(1)+21×(1+E)

联立解这两个方程,我们可以求出 E E E 的值为 6

另一种推导

在这里插入图片描述

E = 1 2 × ( E + 1 ) + 1 4 × ( E + 2 ) + 2 × 1 4 (连续两次正面) E = \frac{1}{2} \times (E+1) + \frac{1}{4} \times (E+2) + 2 \times \frac{1}{4} \tag{连续两次正面} E=21×(E+1)+41×(E+2)+2×41(连续两次正面)
E = 1 2 × ( E + 1 ) + 1 4 × ( E + 2 ) + 1 8 × ( E + 3 ) + 3 × 1 8 (连续三次正面) E = \frac{1}{2}\times (E+1) + \frac{1}{4} \times (E+2) + \frac{1}{8} \times (E+3) + 3 \times \frac{1}{8} \tag{连续三次正面} E=21×(E+1)+41×(E+2)+81×(E+3)+3×81(连续三次正面)

此外,当抛掷的硬币不均匀时,即正面的概率不再是 1 2 \frac{1}{2} 21通项公式为:

p − n − 1 1 − p \frac{p^{-n}-1}{1-p} 1ppn1

代入不同的 n n n要求连续出现的次数)和 p p p正面的概率)就能得到准确结果。


三、代码示例

下面这段代码的主要功能是通过模拟实验来估计在一系列硬币投掷中,得到连续 n n n 次正面的平均所需次数(即数学期望)。这个问题在概率论和统计学中很常见,尤其是在研究随机过程和伯努利试验时。代码通过大量模拟来近似实际的数学期望值,这种方法在理论值难以直接计算时特别有用。

import randomdef simulate_coin_toss(n, p):"""模拟投掷硬币直到出现连续 n 次正面"""# 记录投掷次数和连续正面的次数count, consecutive_heads = 0, 0while consecutive_heads < n:# random() 方法返回一个在 [0,1) 范围内的随机实数if random.random() < p:         # 随机投掷硬币,得到正面的概率为 p。consecutive_heads += 1else:consecutive_heads = 0       # 如果得到反面,重置连续正面的计数。count += 1      # 每次投掷都增加计数return countdef calculate_expected_value(num_simulations, n, p):"""计算得到连续 n 次正面所需次数的数学期望"""# 记录所有模拟的总次数total_count = 0for _ in range(0, num_simulations):total_count += simulate_coin_toss(n, p)return total_count / num_simulations      # 计算平均次数作为数学期望的近似值# 质地均匀的硬币,得到连续两次正面所需次数的数学期望是?
# 示例:模拟 1000000 次投掷
num_simulations = 1000000
# 正面的概率
positive_probability = 0.5
# 连续出现次数
successive_times = 2
expected_value = calculate_expected_value(num_simulations,successive_times,positive_probability)
print(f"经过 {num_simulations} 次模拟,得到连续 {successive_times} 次正面所需次数的数学期望近似为:{expected_value:.2f}")# 程序运行结果如下:
# 经过 1000000 次模拟,得到连续 2 次正面所需次数的数学期望近似为:6.00

代码解释

  • 导入了 Python 的 random 模块,它提供了生成随机数的函数,用于模拟投掷硬币的随机性。

  • 定义模拟函数。这个函数接受两个参数:n 表示连续出现正面的次数目标,p 表示每次投掷得到正面的概率。当达到连续出现指定次数的正面后,函数返回总的投掷次数。

  • 定义计算期望值的函数。这个函数通过多次模拟来计算达到连续两次正面所需次数的平均值(即数学期望)。它接受三个参数:模拟次数 num_simulations、连续出现正面的目标次数 n 和每次投掷得到正面的概率 p。将累加的总投掷次数除以模拟次数,得到平均投掷次数,作为连续两次正面所需次数的近似期望值。

  • 主程序部分。这部分代码设置了模拟参数,并调用 calculate_expected_value 函数进行模拟计算。然后打印出通过大量模拟得到的连续两次正面所需次数的近似期望值。

该算法的时间复杂度O(n),其中 n 是模拟投掷的次数。这是因为我们需要对每次模拟投掷进行计数,直到满足条件为止。空间复杂度O(1),因为我们只使用了固定数量的变量来存储投掷次数和连续正面的计数。

使用通项公式直接计算,其时间复杂度和空间复杂度均为 O(1)。以下是一个代码示例:

def expected_number_of_tosses(n, p):"""计算得到连续 n 次正面所需的抛掷硬币次数的数学期望。Return:float:连续 n 次正面所需的抛掷次数的数学期望。"""return (p ** (-n) - 1) / (1 - p)# 正面的概率
positive_probability = 0.5
# 连续出现次数
successive_times = 2
result = expected_number_of_tosses(successive_times,positive_probability)print(f"得到连续 {successive_times} 次正面所需次数的数学期望是: {result}")# 程序运行结果如下:
# 得到连续 2 次正面所需次数的数学期望是:6.00

📚️ 相关链接:

  • 几道抛硬币问题

  • 抛硬币直到连续若干次正面的概率

  • 一道机器学习岗位面试题:平均要抛多少次硬币,才能出现连续两次正面向上?

  • 不均匀硬币求解两个正面的期望

  • 抛硬币直到出现连续 N 次正面为止的期望

  • 抛硬币次数的期望

  • 抛一枚硬币连续抛出两次正面的概率是多少?同样抛一枚硬币直至连续 2 次出现正面,此时抛的次数期望值为多少?

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/783921.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Oracle批量插入

注意&#xff1a;与MySQL不同&#xff01; 方式一 insert all into table(...) values(...) into table(...) values(...) select * from dual; <insert id"addList" parameterType"java.util.List" useGeneratedKeys"false">INSERT A…

10天学会kotlin DAY6 继承、类、重载

kotlin 继承与重载 前言 1、open 关键字 2、类型转换 3、Any 超类 4、对象声明 5、对象表达式 6、伴生对象 7、嵌套类和内部类 8、数据类 9、copy 函数 10、运算符重载 11、枚举类定义函数 12、代数数据类型 13、密封类 14、数据类的小结 总结 前言 使用纯代码…

「MySQL」索引事务

&#x1f387;个人主页&#xff1a;Ice_Sugar_7 &#x1f387;所属专栏&#xff1a;数据库 &#x1f387;欢迎点赞收藏加关注哦&#xff01; 索引&事务 &#x1f349;索引&#x1f34c;特点&#x1f34c;通过 SQL 操作索引&#x1f34c;底层数据结构 &#x1f349;事务&…

Nginx的反向代理

Nginx的反向代理 location ^~ /aaa {proxy_pass http://192.168.15.78/; } 1. 跨域 2.Nginx 代理服务器缓存 3.Nginx 负载均衡 4. 动静分离 Nginx的跨域 跨源资源共享 (CORS) 是一种机制&#xff0c;它使用额外的 HTTP 标头让用户代理获得访问来自不同来域的服务器上选定资…

Linux————计划任务

计划任务 计划任务&#xff0c;就是有计划的任务&#xff0c;就是按照我们的的计划自动执行任务 计划任务有一次性计划任务和周期性计划任务 一次性计划任务 所谓一次性计划任务&#xff0c;就是按照计划只执行一次的任务。 无论是windows还是Linux都具备一次性计划任务的…

交换奇偶位

题目描述&#xff1a; 写一个宏&#xff0c;可以将一个整数的二进制位的奇数位和偶数位交换。 题目分析&#xff1a; 相信大家都可以想到位运算如&#xff1a;按位异或&#xff0c;按位取反以及<<和>>等操作符&#xff0c;可是想到这些又能怎么样&#xff1f;还是…

ASC+Base64加密算法 根据用户id生成秘钥

需要是要根据用户的id生成密钥 通过密钥生成免登录链接 实现用户根据链接直接访问系统 标准Base64编码包含特殊字符,会被转义 从而登录失败要使生成的密文不包含特殊字符&#xff0c;您可以使用Base64URL编码代替标准的Base64编码。Base64URL编码使用-和_替换了标准Base64编码…

Python从原Excel表中抽出数据存入同一文件的新的Sheet(附源码)

python读取excel数据。Python在从原Excel表中抽出数据并存储到同一文件的新的Sheet中的功能&#xff0c;充分展示了其在数据处理和自动化操作方面的强大能力。这一功能不仅简化了数据迁移的过程&#xff0c;还提高了数据处理的效率&#xff0c;为数据分析和管理工作带来了极大的…

图像识别应用

一、图像识别应用 图像识别&#xff0c;是利用机器视觉对图像进行处理、分析和理解&#xff0c;以识别各种不同模式的目标和对象。图像识别在机器视觉工业领域中最典型的应用就是二维码的识别了&#xff0c;二维码就是我们平时常见的条形码中最为普遍的一种。将大量的数据信息存…

Nginx 配置 WebSocket 代理

Nginx 配置 WebSocket 代理 文章目录 Nginx 配置 WebSocket 代理官方文档代理样例 Linux 查看安装文件命令手册Nginx 日志配置方案成功解决问题--使用 Nginx 代理 WebSocket可能出现的问题 Nginx 官方文档网址 nginx documentation ... http:{...server{...# WebSocket代理loc…

诊断慢SQL根源

诊断慢SQL的根源通常涉及一系列步骤和方法&#xff0c;包括但不限于以下几个方面&#xff1a; 1. **收集慢SQL日志**&#xff1a; - 设置数据库系统的慢查询日志阈值&#xff08;如MySQL的long_query_time&#xff09;&#xff0c;记录执行时间超过指定阈值的SQL语句。 …

3.31学习总结

算法 解题思路 使用dfs,对蛋糕每层可能的高度和半径进行穷举.通过观察我们可以知道第一层的圆面积是它上面所有蛋糕层的圆面积之和,所以我们只要去求每层的侧面积就行了. 因为题目要求Ri > Ri1且Hi > Hi1,所以我们可以求出每层的最小体积和侧面积,用两个数组分别储存起来…

C语言实现猜数字游戏(有提示,限制次数版)

这次的猜数字游戏我添加了新的功能&#xff1a;为玩家添加了提示&#xff0c;以及输入数字的限制次数。 首先&#xff0c;我们的猜数字游戏需要一个菜单&#xff0c;来让玩家可以选择玩游戏还是退出游戏&#xff0c;所以我们需要开始就打印一个菜单&#xff1a; int main() {…

Mac air 个人免费版VMWare Fusion安装及配置教程

Mac air 安装免费版VMWare Fusion教程及问题解决 1、下载VMWare Fusion2、下载wins镜像文件3、开始配置4、出现的问题及解决方法4.1 如何跳过启动时的网络连接4.2 启动后&#xff0c;无法连接网络怎么办4.3 怎么实现将文件拖拽到虚拟机中 当你手上是一台Mac电脑&#xff0c;却需…

el-upload上传图片给SpringBoot后端

需求 我的需求是&#xff0c;将上传文件的el-upload放到一个el-form里面&#xff0c;点击保存才提交&#xff0c;所以不能直接用action的方式&#xff0c;下面采用自定义上传的方式来完成Vue前端 主要是使用editForm.imgList来保存图片的信息&#xff0c;注意这里是一个对象&am…

VS Code常用前端开发插件和基础配置

VS Code插件安装 VS Code提供了非常丰富的插件功能&#xff0c;根据你的需要&#xff0c;安装对应的插件可以大大提高开发效率。 完成前端开发&#xff0c;常见插件介绍&#xff1a; 1、Chinese (Simplified) Language Pack 适用于 VS Code 的中文&#xff08;简体&#xff…

【原创】基于分位数回归的卷积长短期结合注意力机制的神经网络(CNN-QRLSTM-Attention)回归预测的MATLAB实现

基于分位数回归的卷积长短期结合注意力机制的神经网络&#xff08;CNN-QRLSTM-Attention&#xff09;是一种用于时间序列数据预测的深度学习模型。该模型结合了卷积神经网络&#xff08;CNN&#xff09;、长短期记忆网络&#xff08;LSTM&#xff09;和注意力机制&#xff08;A…

小白用Windows(ssh)连接使用 ubuntu(虚拟机)

安装ssh sudo apt install openssh-server 添加用户、密码 sudo useradd fly sudo passwd fly sudo adduser fly sudo 免密登入 [windows 生成密钥&#xff1a;ssh-keygen -t rsa -b 4096 cat ~/.ssh/id_rsa.pub | ssh fly192.168.23.133 "mkdir -p ~/.ssh…

C# 文件

FileStream 类FileModeFileAccessFileShare StreamReader 类和StreamWriter类StreamReader 类StreamWriter类关于using FileStream 类 FileStream <object_name> new FileStream( <file_name>, <FileMode Enumerator>, <FileAccess Enumerator>, <…

数据治理-平台详细措施

这里讲平台治理的具体措施&#xff0c;并不是从具体架构来说&#xff0c;而是从详细方法。 名词定义 1.待治理成本 2.浪费量&#xff1a;可以优化计算或者存储 3.累计浪费量&#xff1a;发现时距离今天数*当日浪费量 4.节省成本&#xff1a;完成治理成本 5.白名单管理成本 治理…