Quizá no sea realmente una respuesta, sino una justificación de su enfoque. Es probable que sus resultados puedan expresarse como $$ \mathsf EX_1 = 1.2\text{ and }\mathsf EX_2 = 2 $$ donde $X_i$ para $i=1,2$ es un pf aleatorio de una situación en una clase $i$ (lo denotamos como $S_i$ ). Su método resuelve el siguiente problema: dado un número fijo de ensayos nos gustaría maximizar la media de pf: $$ \mathsf E(\alpha X_1+(1-\alpha)X_2)\to\max_{\alpha\in[0,1]} $$ que ciertamente tiene una solución $\alpha = \frac{1.2}{1.2+2} = 0.375$ sin ninguna suposición sobre la independencia o la correlación de $X_1$ y $X_2$ .
Así que su respuesta se ajusta exactamente a este problema. Por otro lado, también puedes pensar en el siguiente modelo: dado que te encuentras con $S_1$ dejar $p$ sea la probabilidad de que el $S_2$ aparecerá antes de cerrar su $S_1$ posición. Así que, $p$ es la probabilidad de perder $S_2$ si admite $S_1$ .
Una vez que encuentre $S_1$ debes decidir si lo admites, o esperas a la posible mejor situación $S_2$ . Admitamos $S_1$ con una probabilidad $\beta$ - entonces, ¿cuál es el óptimo $\beta$ ? Los posibles resultados son:
-
usted admite $S_1$ (pr = $\beta$ ), entonces pf = $X_1$ ;
-
usted rechaza $S_1$ (pr = $1-\beta$ ), $S_2$ aparece (pr = $p$ ), entonces pf = $X_2$ ;
-
usted rechaza $S_1$ (pr = $1-\beta$ ), $S_2$ no aparece (pr = $1-p$ ), entonces pf = $0$ ;
por lo que el pf esperado es $$ \mathsf E(\beta X_1+(1-\beta)p X_2)\to\max_{\beta\in [0,1]} $$ por lo que tienes en el lado derecho $(1.2-2p)\beta+2p$ es decir siempre admites $S_1$ si $p<0.6$ y siempre rechazan $S_1$ si $p>0.6$ .