鞅与停时 - 一种特别的概率论问题

讨论一个有趣的概率问题:

P3334 [ZJOI2013\] 抛硬币 - 洛谷](https://www.luogu.com.cn/problem/P3334) 实际上是一个猴子打字问题,考虑一直无规律随即打字的猴子,键盘上只有A-Z一共26个字母,对于一个特定的字符串 S S S : `ABCABCAB` ,能否在有限的打字次数后精确得到这个字符串。 所需的打字次数的期望是有限的,但是打字次数是呈指数增长的。 期望次数是 2 6 8 + 2 6 5 + 2 6 2 26\^8+26\^5+26\^2 268+265+262 (与前后缀相同 (border) 的长度有关系) 一个巧妙的证明可以用 **停时与鞅的性质** 来完成。 首先介绍**停时** 的概念:停时,通俗而言,一个事件停止的时间,并且这个事件停止的时间只依赖于停止之前的所有状态。形式上,停时是一个随机变量 τ \\tau τ,指的是对于任意的时间 t ∈ I t\\in I t∈I ,满足 { τ ≤ t } ∈ F t \\{\\tau\\leq t\\} \\in F_t {τ≤t}∈Ft ,即对于任意时间 t t t ,任意在 t t t 之前停止的事件 { τ ≤ t } \\{\\tau \\leq t\\} {τ≤t} 只依赖于 t t t 之前的状态( F t F_t Ft 即为在 t t t 之前发生的所有事件的集合,也就是所有 t t t 之前发生的状态)。 用 T T T 表示猴子得到目标字符串所需要的时间。 例如字符串一匹配完我们就停止,那么这个事件的停止时间只依赖于停止之前的所有状态(所打的字符),而不依赖于停止之后的所有状态(还没有打的字符),那么就说明这个停止时间 τ \\tau τ 是一个停时 ( stopping time/optinal time \\text{stopping time/optinal time} stopping time/optinal time) 。 停时具有很好的性质,利用可选停止定理来得到停时的期望,具体是构造一个公平赌博。 假设存在无数个赌徒,当猴子**每** 打出一个字符前的一瞬间,一个赌徒进场并投注 1 1 1 元给 S 1 S_1 S1 ,假如中了就翻 26 倍,投给 S 2 S_2 S2 ... 直到字符串完全匹配为止或者出现失配情况。并且我们假设赌场在遇到目标字符串马上关闭赌场,这个时间为 T T T ,显然 T T T 是一个停时。 可以发现, T T T 时刻赌徒们的带入赌资一共为 T T T 元,带出的钱一共是 2 6 8 + 2 6 5 + 2 6 2 26\^8+26\^5+26\^2 268+265+262 。 为什么?因为一共只有三个人能赢钱出去,其中有一个人大赢,另外两个人赢到一半赌场就关闭了,(注意这个长字符串的后缀是特定字符串 S S S,所以只有特定字符串中前后缀相同的长度可以赢钱,其他人都是输光走人) 由于是公平赌场,当这个 T T T 是停时的时候,可以用鞅的性质和可选停止定理来证明,带入赌资的期望和带出的钱的期望是相等的。也就是 T T T 的期望是 2 6 8 + 2 6 5 + 2 6 2 26\^8+26\^5+26\^2 268+265+262 。具体可以参考 [鞅](https://zh.wikipedia.org/wiki/%E9%9E%85_%28%E6%A6%82%E7%8E%87%E8%AE%BA%29) 。 那么我们也很容易可以完成类似的题目,只要产生字符的概率是独立的,且产生相同字符的概率是相等的,就可以用所有 border \\text{border} border 的概率积的倒数之和来算出产生该字符串的期望。

相关推荐
pen-ai7 小时前
【统计方法】蒙特卡洛
人工智能·机器学习·概率论
phoenix@Capricornus2 天前
极大似然估计例题——正态分布的极大似然估计
线性代数·概率论
VU-zFaith8702 天前
C++概率论算法详解:理论基础与实践应用
c++·算法·概率论
zyq~3 天前
【课堂笔记】标签传播算法Label Propagation Algorithm(LPA)
人工智能·笔记·算法·机器学习·概率论·lpa·半监督学习
小于小于大橙子6 天前
强化学习的前世今生(五)— SAC算法
人工智能·算法·ai·自动驾驶·概率论·强化学习
zyq~7 天前
【课堂笔记】EM算法
人工智能·笔记·算法·机器学习·概率论·gmm·em算法
无水先生11 天前
【概率论基本概念01】点估计
概率论
拾忆-eleven12 天前
NLP学习路线图(二): 概率论与统计学(贝叶斯定理、概率分布等)
学习·自然语言处理·概率论
无水先生12 天前
[概率论基本概念x]什么是经验分布
概率论
haven-85212 天前
最大似然估计(Maximum Likelihood Estimation, MLE)详解
算法·机器学习·概率论