The Price of Wisdom - 高山雪 Snow Hill

賽局理論 (Game Theory) 賽局理論（又稱博奕論）是一個決策思考模型，適用於有兩個或多個對手在同一個 競爭 # 下的策略制定。而囚徒困境 (Prisoner's Dilemma) 是賽局理論中，一個最基本的 靜態競爭賽局 *  的思考模型。 *   靜態賽局 (Static Game Theory)  的意思是，競爭參與者皆不知道對手各自的選擇，所以是不受對方選擇影響，可以是一次性的同時行動 (one-off simultaneous actions)。 *   動 態賽局 (Dynamic Game Theory)  的意思是，是相繼或連續性或互動性的重覆行動 (consequential, sequential, or interactive repeated actions)。 #  所謂「競爭」便是賽局，又或所謂「賽局」便是競爭： 競爭 = 賽局 = 博奕  賽局的意思是，一個競爭參與者的選擇，要考慮另一個競爭參與者的選擇，而作出對自己最有利的決策。假設每個競爭參與者也希望把自己利益最大化。賽局理論就是幫助競爭者計算，如何把其他競爭者的選擇納入考慮，而選擇對自己最有利的行動。

    在< 貝氏定理 (5): 貝氏更新 (Bayesian Updating ) >中，我巳說過 Bayes rule 的公式是： 如設： D = y ; H =𝜭，那麼 Eq. 1 便轉為 Eq. 2：

在  < 機率思維 | 貝氏定理 (1): 理論 (Bayesian Theorem) > ，我們知道不同的人面對一樣的消息，有著不一樣的信念；而基於不同的信念，我們應該怎樣去投資而不會有太大的損失呢？   我們 在決策時 ，務必要 用最少的資金，把期望值最大化。 我在 < 風險決策的兩個理論: 期望值 & 期望效用 > 已列出過以下公式及計算概念：           期望值 = 機率 × 價值                     Eq. (1)        總期望值 = ∑ 機率 × 價值              Eq. (2)          where 價值   (V) = 收益 (E) - 本金 (C)  亦即是：                            總期望值 = 贏的期望值 - 虧的期望值                  Eq. (3)    值博 的 總期望值 ≥  $0  即是要： 總期望值 ≥   $0         ⇒    贏的期望值 > 虧的期望值   風 險較低 的 總期望值  ≥   本金      

The book, "Recovering From Losses in Life" by H. Norman Wright, is a comforting and supporting book that helps ease the pain of loss while you are in the midst of it. The feeling of a permanent loss is like: "It hurts so much so that I feel hollow inside of me",  "I feel like a half-man, I can't function as normal",  "I feel loneliness and isolation without the person I lost",  "I have a void in my life",  "I feel insecure that anyone may suddenly leave me",  "I feel helpless and lifeless",  "It feels like I have shut down myself, and detached from others", "The fear is paralysing". When there is a loss, there is a grieving or mourning process undergoing, grief is absolutely necessary and normal. 

聯合機率 Joint Probability  如果 X 的發生是需要有 A 和 B 的出現，那就是：            P(X ) = P(A, B) 如果：  A  = {a1, a2, a3}； B  = {b1, b2, b3} 那麼： P(A, B) =  {P(a1, b1), P(a1, b2), P(a1, b3), P(a2, b1), P(a2, b2), P(a2, b3), P(a3, b1), P(a3, b2), P(a3, b3)}