一道有悖直觉的概率题

简介: 以前中学时代跟同学讨论概率,如果双方有分歧,就很难说服对方。即使有了一个结论,也无法确认到底是否正确。毕竟大多数时候,你不可能亲自去实验足够多的次数。

是一个概率控,平常遇到和概率相关的事情都喜欢去推算一下,喜欢看概率有关的影视作品(决胜21点、欺诈游戏、赌博默示录……),就连在汤姆熊或是巴黎人,我也会估下哪一个机器输的可能性更小一点(赢是不可能赢的啦)。

所以,碰到概率相关的问题,我通常都不会轻易放过。之前公众号里讲过的概率问题就有好几个:

最近,又看到一个有意思的概率题,今天给大家分享并分析一把:

甲乙二人玩掷硬币的游戏。两人连续抛掷硬币,如果最近三次硬币抛掷结果是“正反反”,则甲胜;如果是“反反正”,则乙胜。问:谁胜的概率更高?


各位先想一下,结果是什么?


单纯看扔3次硬币的结果,“正反反”和“反反正”出现的概率都是 1/8(1/2的3次方)。那么,是不是就代表两人胜的概率是一样的呢?


以前中学时代跟同学讨论概率,如果双方有分歧,就很难说服对方。即使有了一个结论,也无法确认到底是否正确。毕竟大多数时候,你不可能亲自去实验足够多的次数。


但有了计算机和编程之后,情况就好多了。只要你的代码没有问题,通常可以模拟出实验场景,得到一个参考结果来佐证。


今天这个问题,同样可以通过代码进行模拟:


单次掷硬币,正反面的概率各是50%,这个是没有疑问的。那我们只要根据这个概率持续地产生硬币结果序列,再判断最近三次硬币结果是否触发胜负条件即可。然后,重复这个过程足够多的次数,统计双方胜负的总数,就能得到两人胜负概率的参考值。


下面放下代码,如果你想自己尝试编写,先不急着看:



import random
p1 = 0
p2 = 0
for i in range(100000):
    last3 = []
    while True:
        x = random.choice([0, 1])
        last3.append(x)
        if len(last3) > 3:
            last3.pop(0)
        if last3 == [1, 0, 0]:
            p1 += 1
            break
        elif last3 == [0, 0, 1]:
            p2 += 1
            break
print('甲(正反反)', p1)
print('乙(反反正)', p2)

行后的结果:


甲(正反反) 74820
乙(反反正) 25181


每次结果不会一样,但大致比例不变,基本上甲赢的概率是乙的3倍


可能有人还是不太信。那我们再从数学的角度来尝试解释一下:


因为甲的后两位和乙的前两位是一样的,所以,对于进行中的序列,一旦出现“正”,乙就没有机会了。比如:


反正反正……


这样一个序列,如果出现乙胜的情况,必须先连出至少两个“反”,但这样就必定会形成“正反反”而导致甲胜。


所以甲胜的可能性比较复杂,但乙胜的情况只可能是从一开始就一直是“反”,包括:


反反正
反反反正
反反反反正
反反反反反正……

这个概率还是相对好计算的:

(1/2)**3 + (1/2)**4 + (1/2)**5 + (1/2)**6 + ...

(**是python中的指数运算)


这是一个收敛的几何级数,也就是等比数列,可以通过公式求和:

a1/(1-r) = (1/8)/(1-1/2) = 1/4


所以乙胜的概率就是 25%


这个游戏其实有点来头,它原名叫做 Penney’s game,于 1969 被提出,在不少数学书籍和编程算法题中被引用。


有人会问我,怎么能持续提高编程能力。其实,像这种“不起眼”的数学题,就是一种提高编程能力的很好方法。如果你也能没事拿起python,去算一算身边的概率,久而久之,你在处理更复杂问题时自然也会得心应手。


顺便说下,概率和分布在我们的周围普遍存在。比如我们文中的投票,如果你留心观察就会发现,在只有100个人投票和1000个人投票时,选项的分布是会很接近的。也就是说,虽然我们每个人都有着独立思维,但作为整体来看,却保持着稳定的分布特征。(比如我们的打卡活动,如果不去改动其他条件,完成率就总是在15%~20%这个范围)


多了解一些概率的知识,你会对这个世界有更准确的认知。





其他内容回复左侧关键词获取:

python :零基础入门课程目录

新手 :初学者指南及常见问题

资源 :超过500M学习资料网盘地址

项目 :十多个进阶项目代码实例


如需了解视频课程及答疑群等更多服务,

请号内回复码上行动

推荐阅读

经验:选专业 | Python转行 | 我用Python | 新手建议

干货:如何debug |  一图学Python  | 知乎资源 | 单词表

案例:漫威API | 爬抖音 | 查天气 | 监控大V | 红包提醒

相关文章
|
5月前
|
人工智能 搜索推荐 安全
全面了解性格测试:探索你的内在世界
全面了解性格测试:探索你的内在世界
92 2
|
1月前
|
自然语言处理
COLM 2:从正确中学习?大模型的自我纠正新视角
【10月更文挑战第11天】本文介绍了一种名为“从正确中学习”(LeCo)的新型自我纠正推理框架,旨在解决大型语言模型(LLMs)在自然语言处理任务中的局限性。LeCo通过提供更多的正确推理步骤,帮助模型缩小解空间,提高推理效率。该框架无需人类反馈、外部工具或手工提示,通过计算每一步的置信度分数来指导模型。实验结果显示,LeCo在多步骤推理任务上表现出色,显著提升了推理性能。然而,该方法也存在计算成本高、适用范围有限及可解释性差等局限。
15 1
|
3月前
|
人工智能 测试技术
真相了!大模型解数学题和人类真不一样:死记硬背、知识欠缺明显,GPT-4o表现最佳
【8月更文挑战第15天】WE-MATH基准测试揭示大型多模态模型在解决视觉数学问题上的局限与潜力。研究涵盖6500题,分67概念5层次,评估指标包括知识与泛化不足等。GPT-4o表现最优,但仍存多步推理难题。研究提出知识概念增强策略以改善,为未来AI数学推理指明方向。论文见: https://arxiv.org/pdf/2407.01284
49 1
|
5月前
|
数据采集 算法 知识图谱
如何让大模型更聪明?
如何让大模型更聪明?
66 0
选择和努力那个更重要?贝叶斯告诉你答案
选择和努力那个更重要?贝叶斯告诉你答案
|
机器学习/深度学习
特征选择中的哲学问题:多还是精
特征选择中的哲学问题:多还是精
82 0
|
大数据
用心理史学来预测人类未来
2013年最火的一个互联网关键词之一便是大数据,但是大数据在大量的实用性上却少的可怜。那么我们来看下,阿西莫夫如何通过科幻的手法来描写大数据的。阿西莫夫通过将心理学,历史学,统计学,社会学,经济学,分子动力学融为一炉,开辟了“心理史学”的这一恢弘图景。
503 0
|
JavaScript 前端开发
逻辑推理 - 农夫养牛问题
逻辑推理 - 农夫养牛问题
|
机器学习/深度学习 安全
一文搞懂常见概率分布的直觉与联系
数据科学,不管它到底是什么,其影响力已不可忽视。“数据科学家比任何软件工程师都更擅长统计学。”你可能在本地的技术聚会或者黑客松上无意中听到一个专家这么说。应用数学家大仇得报,毕竟从咆哮的二十年代起人们就不怎么谈论统计学了。
2102 0