Münzen



  • TGGC|_work schrieb:

    Es werden 3 Münzen geworfen, bei Kombination x gewinnt A, bei y B. Bei einer anderen Kombination wird neu geworfen.

    Bye, TGGC

    ich werfe aber immer nur eine münze neu.



  • @borg: um das richtige Gewinnverhältnis zu erhalten, musst du die for-Schleife drei zeilen früher beginnen... (die zuweisungen am anfang müssen in der schleife stehen) sobald der eine gewonnen hat (der mit 2/3) hat der andere ne 50%ige Chance zu gewinnen, wenn die letzten beiden würfe ins neue experiment mitübernommen werden...

    mfG D1B



  • Sorry, hab die letzte Anwort (bzw. Frage) total verpeilt. Richtig wäre:

    Wirf eine Münze n-mal, für jedes Auftreten der Kombination x bekommt A einen Punkt, für jedes y bekommt B einen Punkt.

    (Dein Programm fängt nicht an neu zu werfen, sondern benutzt die letzten beiden Würfe, mit denen jemand gewinnt als Anfang für die neue Serie)

    Bye, TGGC



  • doppelpost



  • TGGC|_work schrieb:

    (Dein Programm fängt nicht an neu zu werfen, sondern benutzt die letzten beiden Würfe, mit denen jemand gewinnt als Anfang für die neue Serie)

    danke, hab ich verpeilt.



  • Ich habe mal versucht, dass ganze als Diffusionsmodell zu implementieren. (Sollten Fehler enthalten sein, würde ich mich über entsprechende Hinweise freuen. Ich bin gerade erst dabei, mich in die Thematik einzuarbeiten. *shy*)

    Hier der MatLab-Code:

    function coin()
    %  A perfect coin is tossed until A or B wins: 
    %  A wins if H T H (head tail head)
    %  B wins if H H T (head head tail)
    %
    % states:  H     T     HH    HT    TH    TT    HHH   HTT   THH   THT   TTH   TTT   HTH   HHT         
    % 3 transient classes:
    %	 H     T
    %   HH    HT    TH    TT
    % and
    %   HHH   HTT   THH   THT   TTH   TTT
    %
    % 2 recurrent and absorbing states
    % HTH
    % HHT
    
    % transition probability matrix:
    P = [...                                                                                    
    % H     T     HH    HT    TH    TT    HHH   HTT   THH   THT   TTH   TTT   HTH   HHT         
      0     0     0.5   0.5   0     0     0     0     0     0     0     0     0     0           
      0     0     0     0     0.5   0.5   0     0     0     0     0     0     0     0           
      0     0     0     0     0     0     0.5   0     0     0     0     0     0     0.5         
      0     0     0     0     0     0     0     0.5   0     0     0     0     0.5   0           
      0     0     0     0     0     0     0     0     0.5   0.5   0     0     0     0           
      0     0     0     0     0     0     0     0     0     0     0.5   0.5   0     0           
      0     0     0     0     0     0     0.5   0     0     0     0     0     0     0.5         
      0     0     0     0     0     0     0     0     0     0     0.5   0.5   0     0           
      0     0     0     0     0     0     0.5   0     0     0     0     0     0     0.5         
      0     0     0     0     0     0     0     0.5   0     0     0     0     0.5   0           
      0     0     0     0     0     0     0     0     0.5   0.5   0     0     0     0           
      0     0     0     0     0     0     0     0     0     0     0.5   0.5   0     0           
      0     0     0     0     0     0     0     0     0     0     0     0     1     0           
      0     0     0     0     0     0     0     0     0     0     0     0     0     1    ];     
    % initial distribution = distribution after one toss
    Z = [...
      0.5   0.5   0     0     0     0     0     0     0     0     0     0     0     0];
    
    % distribution after 2 tosses
    twoTosses = Z * P
    
    % distribution after 3 tosses
    threeTosses = Z * P^2
    
    % distribution after 1000 tosses,  equals  bounding probability
    boundingProbability = Z * P^1000
    

    Die Ausgabe sieht dann so aus:

    twoTosses = 
             0         0    0.2500    0.2500    0.2500    0.2500         0		0         0         0         0         0         0         0
    
    threeTosses =
             0         0         0         0         0         0    0.1250    0.1250    0.1250    0.1250    0.1250    0.1250    0.1250    0.1250
    
    boundingProbability =
             0         0         0         0         0         0    0.0000    0.0000    0.0000    0.0000    0.0000    0.0000    [b]0.3333[/b]    [b]0.6667[/b]
    

    Hier sieht es also auch so aus, dass mit 66%iger Wahrscheinlichkeit B gewinnt.

    Für eine geschlossene Lösung habe ich dann obigen Code noch um folgende Zeilen ergänzt:

    % closed solution
    
    % decomposition of transition matrix P
    % transition matrix Q for transient states
    Q = P(1:12,1:12);
    % transition matrix R for recurrent states
    R = P(1:12,13:14)
    
    % initial distribution
    Z2 = Z(1:12); 
    
    % identity matrix size of Q
    I = eye(12,12);
    
    % Probability of ending in state HTH vs. HHT
    prob = Z2 * (I-Q)^-1 * R;
    
    % mean number of tosses until player wins HTH vs. HHT
    tosses = (Z2 * inv(I-Q) * inv(I-Q)* R)./ prob
    

    Diese Ergänzungen erzeugten folgende Ausgabe:

    prob =
    
        0.3333    0.6667
    
    tosses =
    
        4.3333    5.3333
    

    Die Wahrscheinlichkeiten sind also genauso wie im genäherten Fall: in 66% der Fälle gewinnt B. Allerdings war die mittlere Anzahl an Würfen bis zum Sieg etwas überraschend: Obwohl Spieler A nur in 33% aller Fälle gewinnt, braucht er in diesen Fällen nur ca. 4 Würfe. 😮



  • Nein das ist überhaupt nicht verblüffend, denn in den langen Serien, die mit A's Kombination enden, hat B ja schon vorher gewonnen.

    Bye, TGGC



  • TGGC|_work schrieb:

    Nein das ist überhaupt nicht verblüffend, denn in den langen Serien, die mit A's Kombination enden, hat B ja schon vorher gewonnen.

    Bye, TGGC

    Nein, in diesem Modell endet jede Serie sobald einer der beiden Spieler gewonnen hat, danach wird neu gestartet. Es kann also in einem trial nur A oder B gewinnen.



  • Ja und? Darum hat A ja grad wenige lange Gewinnserien.

    Bye, TGGC



  • TGGC|_work schrieb:

    Ja und? Darum hat A ja grad wenige lange Gewinnserien.

    Bye, TGGC

    Von "Gewinnserien" war bislang nicht die Rede. 😕

    Die 4.33 bedeutet nicht, dass A durchschnittlich 4.33 mal hintereinander gewinnt, sondern, dass in den Fällen in denen A gewinnt die Münze im Mittel 4.33 mal geworfen wurde, während wenn B gewinnt im Schnitt 5.33 mal geworfen wurde.

    Bei oberflächlicher Betrachtung erscheint es also so, als ob A früher gewinnt, obwohl er aber seltener gewinnt. Das empfand ich als kontra-intuitiv.

    Allerdings kann ein Vergleich der Verteilungen der mittleren Wurfanzahl von A und B diesen Irrtum recht schnell aufklären, denn für jede Wurfanzahl ist P(A) ≤ P(B).



  • dooya schrieb:

    TGGC|_work schrieb:

    Ja und? Darum hat A ja grad wenige lange Gewinnserien.

    Von "Gewinnserien" war bislang nicht die Rede.

    Gewinnserie == Serie von Münzwürfen, die zum Sieg führt. Um mit den ersten drei Würfen zu gewinnen, ist die Chance ja für beide Spieler gleich. B gewinnt dennoch öfter, also gewinnt er die meisten der längeren Serien.

    Bye, TGGC



  • TGGC|_work schrieb:

    dooya schrieb:

    TGGC|_work schrieb:

    Ja und? Darum hat A ja grad wenige lange Gewinnserien.

    Von "Gewinnserien" war bislang nicht die Rede.

    Gewinnserie == Serie von Münzwürfen, die zum Sieg führt. Um mit den ersten drei Würfen zu gewinnen, ist die Chance ja für beide Spieler gleich. B gewinnt dennoch öfter, also gewinnt er die meisten der längeren Serien.

    Bye, TGGC

    💡 Ja, nun habe auch ich verstanden, was ihr meintet. Ihr habt natürlich Recht. 🙂


Anmelden zum Antworten