夺冠概率

简介: 足球比赛具有一定程度的偶然性,弱队也有战胜强队的可能。     假设有甲、乙、丙、丁四个球队。根据他们过去比赛的成绩,得出每个队与另一个队对阵时取胜的概率表:     甲  乙  丙  丁   甲   -  0.1 0.3 0.5 乙 0.9  -   0.7 0.4 丙 0.7  0.3 -   0.2 丁 0.5  0.6 0.8 -     数据含义:甲对乙的取胜概率为0.1,丙对乙的胜率为0.3,...     现在要举行一次锦标赛。

足球比赛具有一定程度的偶然性,弱队也有战胜强队的可能。

    假设有甲、乙、丙、丁四个球队。根据他们过去比赛的成绩,得出每个队与另一个队对阵时取胜的概率表:

    甲  乙  丙  丁  

甲   -  0.1 0.3 0.5

乙 0.9  -   0.7 0.4

丙 0.7  0.3 -   0.2

丁 0.5  0.6 0.8 -

    数据含义:甲对乙的取胜概率为0.1,丙对乙的胜率为0.3,...

    现在要举行一次锦标赛。双方抽签,分两个组比,获胜的两个队再争夺冠军。(参见【1.jpg】)

请你进行10万次模拟,计算出甲队夺冠的概率。

p = 1 - 甲输的概率 
  
甲输的话,有两种情况: 
1:甲在第一轮中就输了 
2:甲在晋级后,决赛中输了 
  
假设 甲 先和 X 对决,则另两组是 Y 和 Z 对决 
其中 Y 和 Z 对决有两种情况发生:要么Y赢,要么Z赢 
所以综合上述讨论,可以算出甲输的概率是: 
  
P(X, 甲) + P(甲,X)*P(Y, Z)*P(Y, 甲) + P(甲,X)*P(Z, Y)*P(Z, 甲) 
  
即甲赢的概率是 1 减去上诉结果。 
10万数据模拟可以得到甲赢的概率大约0.076。 
验算:甲换成乙丙丁后分别算出四个数据,相加为1.0 
#include <cstdio> 
 #include <stdlib.h> 
 #include <time.h> 
 #define COUNT 100000 
  
 const int g = 0; 
  
 double P[4][4] = {{0, 0.1, 0.3, 0.5}, 
     {0.9, 0, 0.7, 0.4}, 
     {0.7, 0.3, 0, 0.2}, 
     {0.5, 0.6, 0.8, 0} 
 }; 
  
  
 int main() 
 { 
     srand((unsigned)time(NULL)); 
     double sum = 0.0; 
  
     for(int k = 1; k <= COUNT; k++) 
     { 
         int x = g, y = g, z = g; 
         while(x == g) x = rand() % 4; 
         //while(y==g || y==x) y=rand()%4;        //此处的生成y的方法和下面的方法有轻微差异 
         for(int ii = 0; ii < 4 && (ii == g || ii == x); )++ii; //约有0.001的浮动,推荐用下面这个方法 
         y = ii; 
         for(int i = 0; i < 4 && (i == g || i == x || i == y); )++i; 
         z = i; 
         double r = 1 - (P[x][g] + P[g][x] * (P[y][z] * P[y][g] + P[z][y] * P[z][g])); 
         sum += r; 
     } 
     printf("%lf\n", sum / COUNT); 
  
     return 0; 
 }

 

目录
相关文章
|
9月前
|
安全 搜索推荐 数据挖掘
虾皮店铺商品API接口的开发、运用与收益
虾皮(Shopee)作为东南亚领先的电商平台,通过开放API接口为商家和开发者提供了全面的数据支持。本文详细介绍虾皮店铺商品API的开发与运用,涵盖注册认证、API文档解读、请求参数设置、签名生成、HTTP请求发送及响应解析等步骤,并提供Python代码示例。API接口广泛应用于电商导购、价格比较、商品推荐、数据分析等场景,带来提升用户体验、增加流量、提高运营效率等收益。开发者需注意API密钥安全、请求频率控制及遵守使用规则,确保接口稳定可靠。虾皮API推动了电商行业的创新与发展。
526 31
|
机器学习/深度学习 搜索推荐 算法
【Python 机器学习专栏】基于机器学习的推荐系统实现
【4月更文挑战第30天】本文探讨了机器学习在推荐系统中的应用,阐述了推荐系统的基本原理和常用算法,如协同过滤和基于内容的推荐。详细介绍了基于机器学习的推荐系统实现步骤,包括数据预处理、特征工程、模型选择与训练、评估与优化。Python及其相关库如Scikit-learn、TensorFlow在实现推荐系统中起到关键作用。同时,文章讨论了推荐系统面临的挑战(数据稀疏性、冷启动、实时性)及应对策略,并强调通过持续优化可构建更精准的推荐系统,为用户带来个性化体验。
798 0
|
SQL 存储 运维
从Citus深度解密如何基于PostgreSQL做分布式数据库
从源码级别揭秘Citus如何基于PostgreSQL做一款分布式数据库,解决分布式场景的数据分片、分布式SQL、分布式事务、数据倾斜、数据迁移等难点问题,理解分布式领域设计的“取”与“舍”。
2348 3
从Citus深度解密如何基于PostgreSQL做分布式数据库
|
机器学习/深度学习 存储 5G
R语言回归中的Hosmer-Lemeshow拟合优度检验
R语言回归中的Hosmer-Lemeshow拟合优度检验
|
网络协议 Unix
EOF到底是什么意思?
我们在使用C标准I/O时,经常会看到EOF这个概念,这里需要明确的是并不存在EOF这样一个字符,它只是一个控制条件。起初,我认为EOF就是字面意思即,到达了文件的结尾(End of File)。
1475 1
|
人工智能 自然语言处理 运维
人工智能在IT领域的最新应用和前景
人工智能在IT领域的应用正呈现出日益重要的地位,为企业提供了更高效、智能化的解决方案。从自动化运维到智能客服,从数据分析到决策支持,人工智能正在不断拓展其应用范围。未来,人工智能将继续推动IT领域的创新与变革,但同时也需要充分考虑隐私和伦理问题,确保人工智能的应用能够为企业和社会带来最大的价值。
909 1
人工智能在IT领域的最新应用和前景
ArcGIS:如何进行半自动化跟踪和全自动化跟踪?
ArcGIS:如何进行半自动化跟踪和全自动化跟踪?
529 0
|
消息中间件 存储 运维
全球首发RocketMQ5.0商业版,助力企业集成降本提效
——陈仲良(明锻) 阿里云云原生应用平台
全球首发RocketMQ5.0商业版,助力企业集成降本提效
|
机器学习/深度学习 人工智能 运维
阿里云ACA、ACP、ACE考试介绍及报名入口汇总
阿里云针对不同产品类别、用户成长阶段、生态岗位,精心打造不同的认证考试。包含ACA、ACP、ACE等不同不同级别的技能认证,个人:证明您在对应技术领域的专业度,能够基于阿里云产品解决实际问题。获得更多阿里云生态下的就业机会。 公司:通过阿里云认证培养、挖掘专业人才,提升公司的云上技术能力。获得更多阿里云生态项目商机。
4854 0
阿里云ACA、ACP、ACE考试介绍及报名入口汇总
|
消息中间件 数据采集 Kubernetes
iLogtail社区版使用入门 - 使用DaemonSet模式采集K8s容器日志
本文介绍K8s的日志架构,并通过利用K8s提供的基础能力完成数据驱动应用架构的第一步,使用iLogtail将日志统一采集写入Kafka。 iLogtail已经完整开源,期望同众多开发者一起将iLogtail打造成世界一流的可观测数据采集器。