跳到主要內容

Expectation In Gambling Model With Free Game



本文介紹如何推導機率博弈遊戲(Gambling Model)，含集點卡免費遊戲機制，並統整期望值
[預備知識]
需要先了解機率母函數的概念，詳細可先看這篇:
http://discoverforgottenmath.blogspot.com/2018/08/expected-ratio-of-n-trials-probability.html
定義新名詞"項值" 代表　${\text{Variable}}^{\text{Value}}$
[基本遊戲]
假設單局，玩$k$ 張卡(物件)，令樣本元/空間為 $\omega \in \Omega_{k}$，回報項值記為 $x^{Gain_k(\omega)}$，付出項值記為 $y^{Paid_k(\omega)}$，而基本遊戲機率母函數可寫為
$$ f_{k}(x,y):= \left(  \sum_{\omega \in \Omega_{k}} p_{\omega} x^{Gain_k(\omega)}y^{Paid_k(\omega)}    \right) $$
註: 如果每張卡付出值＋回報值皆為獨立則　$$f_k(x,y) =  \left(  \sum_{\omega \in \Omega_{1}} p_{\omega} x^{Gain_1(\omega)}y^{Paid_1(\omega)}    \right)^{k}  $$

[集點機制]
當結束一局遊戲，玩 $k$ 張卡，可以有機率 $p_{b}$ 集一些點數，項值記為 $z^{Bonus(b)}$，集點機率母函數可寫為　$$ g_{k}(z) = \sum_{b \in B_k} p_{b} z^{Bonus(b)}  $$

[兌獎拉霸]
集滿 $\# \in \mathbb{N}$ 點數後，自動立即消費 $\#$點數，產生拉霸遊戲，有 $p_{j}$ 的機率可以直接獲得獎金，項值記為 $x^{\text{Jackpot}(j)}$ ，而剩下的機率，分別有機率　$p_{k}$　可以參與　$k$　張卡免費遊戲，並且免費遊戲可以有集點機制!!
註: $$\sum_{j \in J}p_{j} + \sum_{k \in K} p_{k} = 1$$
兌獎拉霸機制的機率母函數限制式，可寫為
$$  z^{\#} =  \sum_{j\in J}p_{j}x^{\text{Jackpot(j)}} + \sum_{k \in K}p_{k} \cdot \overset{\text{免費}}{f_k(x,1)} \cdot \overset{\text{再集點}}{g_k(z)}　$$
==========================================================
註1: 以上式子存在隱函數　$z = z(x)$ ，且令 $\Delta := z(1)$ ，$\delta := \frac{dz}{dx}(1) $ ，並且可推導出 $\Delta = 1$
註2: 以上式子兩邊對 $x$ 隱函數微分且代入 $x=1$ , $\Delta =  z(1) =1$　可得
$$ \#  \cdot  \delta =  \left(\sum_{j \in J} p_{j} \text{Jackpot}(j)\right) + \sum_{k \in K}p_{k}\left( \left.\frac{d}{dx}f_{k}(x,1)\right|_{x=1}+ \sum_{b \in B_k}p_{b}Bonus(b) \cdot \delta \right)  $$
解一元一次方程式可得　$$\color{red}{\delta = \frac{\displaystyle{\left[ \sum_{j \in J} p_{j} \text{Jackpot}(j) + \sum_{k \in K}p_{k} \left( \sum_{\omega \in \Omega_k} p_{\omega} Gain_k(\omega)\right) \right]}}{\displaystyle{\# - \sum_{k\in K}p_k \sum_{b \in B_k} p_{b} Bonus(b)} } }$$

其中單局期望回報值:  $ \displaystyle{\left.\frac{d}{dx}f_k(x,1)\right|_{x=1} = \sum_{\omega \in
\Omega_k} p_{\omega} Gain_k(\omega)} $
==========================================================
[獨立同分布$n$ 局 $k$張公式]
$$ \text{機率母函數 : } \bigg[f_k(x,y)g_k(z)\bigg]^n $$
$$ \text{期望回報值 : }   \left.\frac{d}{dx}\bigg[f_k(x,1) \cdot g_k(z(x))\bigg]^{n}\right|_{x=1}$$
$$ \text{期望付出值:  }  \left.\frac{d}{dy}\bigg[f_k(1,y) \cdot g_k(\underset{=1}{z(1)})\bigg]^{n}\right|_{y=1}$$
$$ \text{期望淨收入 =  期望回報值 - 期望付出值}    $$

$ \text{期望回報率(RTP) : }  $
$$  \color{red}{=    n \int_{y \in (0,1]} \frac{1}{y} \left( \sum_{\omega \in \Omega_k} p_{\omega}y^{Paid(\omega)} \right)^{n-1} \left[ \sum_{\omega \in \Omega_{k}} p_{\omega} Gain(\omega) y^{Paid(\omega)}+\underbrace{\left( \sum_{\omega \in \Omega_k} p_{\omega}y^{Paid(\omega)}\right) \cdot  \left( \sum_{b \in B_k} p_{b} Bonus(b)\right) \cdot \delta}_{\text{集點＋拉霸機制}}  \right] } $$
註:推導方法與預備知識文章類似

[小結]
本文發現，機率母函數結合多項式限制式與隱函數微分的巧妙利用，可以求得集點卡兌換免費遊戲的期望值，開拓多項式應用的領域 !! 實際應用上，窮舉 $\Omega_{k} \subseteq \prod_{i=1}^{k} \Omega_{1}$ 是困難的(往往 $|\Omega_k|$ 過大) 如何不窮舉近似，而精確計算想要的母體參數量，也是日後研究的重點

[以上純為學術經驗交流知識分享，如有錯誤或建議可留言~~] 
by Plus & Minus 2018.08




留言

張貼留言

這個網誌中的熱門文章

General Solution Of Eigen System In Linear Algebra

本文從淺白的角度回顧線性代數( Linear Algebra )，了解特徵值( eigenvalue )，特徵向量( eigenvector )，還有特徵多項式( Characteristic Polynomial ) 的框架，並推廣其概念，還有它在解差分方程式，微分方程式，差分方程組，微分方程組的關係。 ----------------------------------------------------------- [預備知識]    向量空間( vector space ) $V$，field over $\mathbb{C}$ ，線性獨立( linear independent )， Span ， Basis 等概念。 線性函數的定義為 $L : V \longrightarrow V$ ， $$\forall \alpha , \beta  \in \mathbb{C} , v_1 ,v_2 \in V \quad L(\alpha v_1 + \beta v_2) =\alpha L(v_1) + \beta L(v_2) $$ 其中 $L(0) = 0 \in V$ 其中 $+$ 都是$V$裡的加法，線性函數空間記做 $L \in \mathcal{L}^{V}$ 其中存在 $O \in \mathcal{L}^{V}$ 零函數 $O(V) = \{0\}$ ，即 $\forall v \in V ,  O(v) = 0 \in V $ 其中存在 $I \in \mathcal{L}^{V}$ 送到自己函數 ，即 $\forall v \in V ,  I(v) = v \in V $ ----------------------------------------------------------- [主要動機] 給定 $b \in V$ ,  $L \in \mathcal{L}^{V}$ 如何解線性系統 $L(x) = b$ ，換句話說就是構造出 $$ S_{b}:= \left\{x \in V : L(x) = b  \right\} $$ ，而 $Ker(L) := S_{0}$ ( Kernel ) 註: 構造出...
張貼留言
閱讀完整內容

Chain Rule & Identity Function Trick

本文為筆者學習微積分，函數概念與Chain Rule 的時候，遇到的一些概念大坑。本文一一澄清一些個人看法，並分享 Chain Rule 廣義的樣子，以及對於遞迴系統該如何計算...等等看法。 [坑1 : 變數/值符號的認識] 一切從 $y = f(x)$ 開始，我們習慣把 Input 變數用"括號"刮起來，Output y 代表值，f 代表函數。或是可以想成這樣:   $$ x \overset{f}{\longrightarrow} y $$ 這種表示法概念上很嚴謹，但缺點是你必須要用三個符號 $x$，$y$，$f$ 而在微分方程領域出現這種寫法 $y = y(x)$  (把 $f$ 換成 $y$) ，這種寫法就頗簡潔，Chain Rule 通常都是這類表示法。缺點是心裡要能確實明白在哪個場合 $y$ 到底是給定的"值"還是"函數"(註: 通常大多代表函數 $y$，值的話通常會這樣寫 $y(x_{0})$,$y_{0}$) ============================================================== [Bonus] $y=y(x)$這種表示法還有一個好處，如果允許 $f$ 是一對多，那麼 $y(x)$ 就是 $y \text{ is depend on } x$ 的意思，如果你喜歡用集合論來表示可以先定義$f$ 的定義域/對應域 $$ f : X \rightarrow Y$$ 然後 $y(x)$ 可以寫成這樣 $y \in Y_{x}$，其中值域為 $$ f(X):=\bigcup_{x \in X}Y_{x} \subseteq Y$$ ============================================================== [坑2 : Input 的變數到底是哪些] 這邊舉兩個例子提醒： (Ex1) 代換法會重新改變函數的 Input 例如 : $y = f(x) = x+1$ , $ z = g(y) = 2y$ 　可以代換一下，寫成 $z = g[f(x)] = 2(x+1)$ 如果你用簡記你會發現　$y(x) , z(y) , z(y(x)) \equiv z...
張貼留言
閱讀完整內容

All Different Expansion & Bell Numbers

本文分享筆者在計算排列組合(combinatorics)時，發現並描述系統性的窮舉公式 :) 暫時命名為 $\color{red}{\text{All Different Expansion }}$ ??  (有歷史文獻名詞歡迎筆者補充) [情境/動機] 假設箱子裡面有很多種物品，種類集記做 $I$ , 每種物品 $i$ 各有 $\#_i$ 個，向量記做 $\#_{I} := (\#_{i})_{i \in I}$ $$\text{箱子裡共有 } \sum_{i \in I} \#_i  \text{ 個物品}$$    令 $T := \{1,2,3,....|T|\}$，今從箱子裡"逐一"抽取物品共 $|T|$ 次 (抽出 $|T|$ 個物品) ============================================================= $$\color{blue}{\text{形成序列 : } x_{T} := (x_{t})^{|T|}_{t=1} \in I^{|T|}} $$ 註: $x_{t}$ 代表第 $t$ 次抽到的物品 ============================================================= 以下舉個小小的例子，來說明動機~ $I := \{a,b,c,d\}$，$|T| = 4 $，且假設物品個數無上限  $\color{red}{ \forall i \in I \quad \#_{i} = \infty}$ 於是我們可以開始窮舉(brute & force)情況 ~~ $\color{green}{(1)}$  $aaaa$，$bbbb$，$cccc$，$dddd$ 代表全同的情況 $\color{green}{(2)}$  $abcd$，$bcda$，$acbd$，....  代表全異的情況，共 $4!$種 $\color{green}{(3)}$  $abad$，$cbcd$，$bcba$，....  代表二同二異(且$x_{1}=x_{3}$) $\color{green}{(4)...
張貼留言
閱讀完整內容