일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | ||||
4 | 5 | 6 | 7 | 8 | 9 | 10 |
11 | 12 | 13 | 14 | 15 | 16 | 17 |
18 | 19 | 20 | 21 | 22 | 23 | 24 |
25 | 26 | 27 | 28 | 29 | 30 | 31 |
- greedy
- 정렬 알고리즘
- 소수
- 웹서버
- BJ
- Kruskal's Algorithm
- SERVLET
- Prim's Algorithm
- 프림 알고리즘
- 벡엔드
- DP
- 그리디
- 정렬
- programmers
- 웹프로그래밍
- 브라우저
- 다이나믹 프로그래밍
- 크루스칼 알고리즘
- jsp
- 부스트코스
- request
- 순열 알고리즘
- 웹 프로그래밍
- 프로그래머스
- dbms
- 네이버 부스트캠프 ai tech
- mysql
- mst
- 해시
- 백준
- Today
- Total
끵뀐꿩긘의 여러가지
7강- 도박꾼의 파산 문제와 확률변수 (Gambler's Ruin and Random Variables) 본문
7강- 도박꾼의 파산 문제와 확률변수 (Gambler's Ruin and Random Variables)
끵뀐꿩긘 2022. 10. 18. 14:21
도박꾼의 파산(Gambler's Ruin)
A와 B 두명의 도박꾼이 매 라운드 1달러씩 걸고 도박을 한다. 이긴 사람은 상대방의 1달러를 가져가고, 둘 중 한 명이 가지고 온 돈이 바닥날 때까지 이 과정을 반복한다.
k: A가 어떤 라운드를 이길 확률, 1-k, B가 어떤 라운드를 이길 확률
i: A가 초기에 가지고 있는 돈, N-i : B가 초기에 가지고 있는 돈
$P_i$: A가 i 달러로 시작하여 게임을 이길 확률 = P(A가 게임을 이길 확률|A가 i 달러를 가지고 있음)
$$p_i = k*p_{i-1} +(1-k)*p_{i-1} (1\ge i \le N-1)$$
$p_0 = 0, p_N = 1$ 돈을 모두 잃었을 경우 이길 확률: 0, 돈을 모두 땄을 경우 이길 확률: 1
계차 방정식 풀이:
guessing을 통한 풀이:
결과:
$$p_i = \frac{1-(\frac{1-k}{k})^i}{1-(\frac{1-k}{k})^{N-i}}(k \ne \frac{1}{2}) , \frac{i}{N}(k = \frac{1}{2})$$
해석:
1. 하우스와 같은 돈을 가지고 시작하고 이길 확률이 0.49여도 게임을 게속하다보면 이길 확률이 급격히 적어진다.
N = 20일때, 이길 확률: 0.40
N = 100일때, 이길 확률: 0.12
N = 200일때, 이길 확률: 0.02
2. 하우스와 공정한 게임을 한다고해도, 초기 자본금이 적으면 이길 확률이 적어진다.
3. 게임이 끝나지 않고 영원히 계속될 확률이 있는가?
초기 자본금이 같다고 할때 A가 이길 확률은$ \frac{i}{N}$ , B가 이길 확률은 $\frac{N-i}{N}$
$\frac{i}{N} + \frac{N-i}{N} = 1$이므로 영원히 계속되는 경우는 없다
확률 변수(Random Variable)
표본공간 S부터 실수 체계 R로 '맵핑' 하는 함수
베르누이(Bernoulli) 확률 분포
베르누이 시행(Bernoulli trial):
결과가 두 가지 중 하나로만 나오는 시행 (ex. H ,T 동전 던지기)
베르누이 확률 변수:
베르누이 시행의 결과를 실수 0 또는 1로 바꾼 것(두가지 값만 가질 수 있으므로, 이산 확률 변수이다)
베르누이 확률 분포:
확률 변수 X가 베르누이 확률 변수의 분포를 따른다.
$$X \sim Bern(x;\mu)$$
$$Bern(x;\mu) = \begin{cases} \mu & \text{ if } x= 1 \\ 1-\mu & \text{ if } x= 0 \end{cases}$$
$$Bern(x;\mu) = \mu ^x (1-\mu)^{(1-x)}$$
$\mu$는 1이 나올 확률을 의미한다.
이항(Bionomial) 분포
배르누이 시행을 N번 반복하는 경우
확률 변수 X가 이항 분포를 따른다.
$$X \sim Bin(x;N,\mu) = \binom{N}{x}\mu ^x(1-\mu)^{N-x}$$
'Naver boostcamp -ai tech > Statistics 110' 카테고리의 다른 글
8강- 확률변수와 확률분포 (Random Variables and Their Distributions) (0) | 2022.10.18 |
---|---|
6강- Monty Hall 문제와 심슨의 역설 (Monty Hall, Simpson's Paradox) (1) | 2022.10.11 |
5강- 조건부 확률과 전확률정리 (Conditioning Continued, Law of Total Probability) (0) | 2022.10.10 |
4강- 조건부 확률 (Conditional Probability) (0) | 2022.10.04 |
3강- Birthday Problem과 확률의 특성 (Birthday Problem, Properties of Probability) (0) | 2022.10.04 |