Cho phép trong đó và là độc lập .
Xác suất để lấy mẫu trong đó có ít nhất hai giá trị liên tiếp và sao cho ?
Cho phép trong đó và là độc lập .
Xác suất để lấy mẫu trong đó có ít nhất hai giá trị liên tiếp và sao cho ?
Câu trả lời:
Chạy một chuỗi Markov.
Đặt "lật" (tại chỉ mục ) là sự kiện và có dấu hiệu trái ngược nhau và cả hai đều vượt quá kích thước. Khi chúng tôi quét qua bất kỳ nhận thức nào về đang tìm kiếm các lần lật, chúng tôi có thể khai thác tính đối xứng của phân phối chuẩn để mô tả quy trình chỉ với bốn trạng thái:X i - 1 X i 1.5 ( X i )
Các Bắt đầu , trước khi được quan sát.
Không , trong đó .
Một , trong đó .
Lật , trong đó một lật xảy ra tại .
Bắt đầu chuyển đổi sang trạng thái (hỗn hợp)
(tương ứng với cơ hội ở các trạng thái ( Không , Một , Lật )) trong đó Bởi vì Bắt đầu không bao giờ được nhìn thấy nữa, chúng ta đừng bận tâm theo dõi thêm nữa.
Zero chuyển thành Một với xác suất (khi ) và nếu không thì vẫn ở Zero .| X i | > 1,5
Một chuyển đổi thành Flipped với xác suất : điều này xảy ra khi và có dấu ngược lại là . Nó cũng chuyển trở lại One với xác suất khi và có cùng dấu với . Nếu không, nó chuyển sang Zero .| X i | > 1,5 X i X i - 1 p | X i | > 1,5 X i X i - 1
Lật là trạng thái hấp thụ: một khi ở đó, không có gì thay đổi bất kể giá trị của .
Do đó, ma trận chuyển tiếp (bỏ qua Bắt đầu thoáng qua ) cho ( Không , Một , Lật ) là do đó
Sau khi rời trạng thái bắt đầu (và vào trạng thái hỗn hợp ), các chuyển tiếp sẽ được thực hiện trong quá trình quét để lật. Do đó, xác suất mong muốn là mục nhập thứ ba (tương ứng với Flipped ) trong20 - 1 μ ⋅ P 20 - 1 ≈ 0,149045.
Chúng ta không cần thực hiện phép nhân ma trận để có được . Thay vào đó, sau khi chéoP 19
câu trả lời cho bất kỳ số mũ (thậm chí số lớn) có thể được tính toán chỉ bằng một phép nhân ma trận như
với
và
Một mô phỏng hàng triệu lần (sử dụng R
) hỗ trợ kết quả này. Đầu ra của nó,
Mean LCL UCL
0.1488040 0.1477363 0.1498717
ước tính câu trả lời là với khoảng tin cậy bao gồm .[ 0.1477 , 0.1499 ] 0.149045
n <- 20 # Length of the sequence
n.iter <- 1e6 # Length of the simulation
set.seed(17) # Start at a reproducible point
x <- rnorm(n.iter*n) # The X_i
y <- matrix(sign(x) * (abs(x) > 3/2), n, n.iter)
flips <- colSums(y[-1, ] * y[-n, ] == -1) # Flip indicators
x.bar <- mean(flips >= 1) # Mean no. of flipped sequences
s <- sqrt(x.bar * (1-x.bar) / n.iter) # Standard error of the mean
(c(Mean=x.bar, x.bar + c(LCL=-3,UCL=3) * s)) # The results