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

Nash Equilibrium & Best Responce Function (BRF) In Continuous Strategies

經濟學重要的賽局理論( Game Theory )領域，用數學描述人與人之間的理性互動，最重要的就是尋找奈許均衡( Nash equilibrium )， 本篇介紹其數學規劃與非線性方程組!!  假設有 $p$ 名玩家(player $i$)，$i=1,2,3,4,5,....p$ ， 正在玩一場遊戲(Game)~~，完全不合作，各自獨立作決策 每個人有決策向量 $x_i \in \Omega_i \subseteq R^{n_i}$ (有$n_i$個決策變數)  定義長向量: $\underbrace{x =  (x_1,x_2,x_3,....x_p)}_{\# \text{ of } \sum^{p}_{i=1}n_i \text{ variables }} \in  \prod^{p}_{i=1} \Omega_i = \Omega $ 對於每個 player $i$ ，長向量可以寫成 $x = (x_i , x_{-i})$ ，$x_{-i}$ 代表其他人(不是 player $i$) 能做的決策向量。 所有人各自作決策後，每個人都會個自的存在報酬效用函數 $f_i (x)  \in \mathbb{R} $ (報酬函數皆為公開已知資訊) 假設每位玩家是理性人(會極大化自己效用) 即 $$\forall i = 1,2,3,4....p \qquad  \underset{x_i \in \Omega_i}{\text{max }}f_i(x)  $$ [註: 如果為合作可視為多目標規劃問題( multiobjective )，即 $x_1,x_2,...x_p$ 可以由領導人一起決定] [註: 如果為合作而且把效用加總，即目標式變成 $\sum_{i=1}^{p} f_i(x)$ ，可能對集體效益有更大的幫助，但是如何分配效益給 ( player $i$ )會是個議題，可以查關鍵字 fair optimization ] 我們可以定義每個 player i 的 Best Response Function (BRF) or Best Reponce Set $S_i(x_{-i}) \subset \Omega_i$ $$  S_i(x...
張貼留言
閱讀完整內容

Linear Regression By Using Linear Programming

當拿到一筆資料準備玩統計，往往會想要做線性迴歸( Linear Regression )，找出一個模型( mathematical model )來解釋變數間的關係，一般都是使用平方距離，但是如果我們採用絕對值距離呢?? 而剛好在工業工程( Industrial Engineering )，作業研究( Operation Research ) 領域，發展成熟的線性規劃( Linear Programming ) 恰好可以來解決，是一個跨領域的應用 !! 已經存在有許多商業或open source 軟體，如: Gurobi ， Cplex ， Xpress ， Mosek ， SCIP  可以輕易求解大型的線性規劃問題。而不僅如此也可以利用整數規劃( Integer Programming )來做特徵選擇 ( Feature Selection )，甚至可以偵測離群值( Detect Outlier ) !! 本文只介紹最小絕對值和，關於 Feature Selection , Detect Outlier 可以參考 Mixed-Integer Linear Programming Robust Regression with Feature Selection , Oleksii Omelchenko , 2010 的論文。 [Data Fitting Problem] 給定$n$筆實數型訓練資料 (training data) $\{(x^{k},y^{k})\}^{n}_{k=1} = \mathcal{D} , x^{k} =(x^{k}_1,x^{k}_2, ... , x^{k}_{p})\in \mathbb{R}^{p}$ , $y^{k} \in \mathbb{R}$ ， 我們目標是想要找到一個函數 $f_{\mathcal{D}} : \mathbb{R}^p \rightarrow \mathbb{R}$ 使得  $\forall x \in \mathbb{R}^{p} , f_{\mathcal{D}}(x) \approx y$ ， 精確來說: $$ \text{Find } f_{\mathcal{D}} \text{ such that } f_{\mathcal{D}}(x)\...
張貼留言
閱讀完整內容

Lattice & Multinomial Theorem

本文介紹格子點(Lattice) 幾何意義與多項式定理(Mutinomial Theorem) 的關係，並可協助我們理解計算一些機率問題。 [符號定義] 非負整數 / 非負實數:  $\mathbb{Z}_{\geq 0} := \{0,1,2,3,4,......\}  \subseteq [0,\infty) =: \mathbb{R}_{\geq 0}$ 離散機率向量:  $$p_{I} := (p_{i})_{i \in I} \text{ s.t } \sum_{i\in I}p_i =1 ，|I|<\infty  $$ 發生事件 $i \in I$ 的累積次數向量: $$ k_{I} := (k_i)_{i \in I} \in \mathbb{Z}^{|I|}_{\geq 0} $$ $\mathbb{Z}^{|I|}_{\geq 0}$ 就是 $|I|$ 維格子點 !! [格子點情境] 出發點定義為 $k^{start}_{I}:= \overbrace{(0,0...,0)}^{|I|}$，今發生一次 $p_{I}$ 分布隨機互斥事件，等價於"點的移動"(state transition)，數學定義如下: $$  \text{Event } i  \text{ happens }  \Longleftrightarrow  \overbrace{(\color{red}{k_i},k_{-i})}^{k^{old}_{I}}  \underset{\text{with probability }p_{i}}{\longrightarrow}   \overbrace{(\color{red}{k_i+1},k_{-i})}^{ k^{new}_{I}}    $$ PS1: 其中  $k_{-i} := (k_{i'})_{i' \in I-\{i\}}$ PS2: 不管怎麼走都在第一象限，也就是只能往右，往上，往高.... 當發生 $n$ 次獨立同分布 $p_{I}$ (iid) 的事件後，所有可能點位置在以下的集合上 $$  S_{n}(\col...
張貼留言
閱讀完整內容