炉石开包引发的血案(雾

原文地址: http://tianma.space/post/1310087385/

昨天星苏直播开炉石卡包,并发起对应的竞猜,竞猜内容大致是: 50包卡包中,出现橙卡数目的奇偶性。 然后就有弹幕说:“哎呀,猜单双多没意思呀,可能性一样,赔率不会悬殊,没意思。” 那么,奇偶出现的可能性是一样吗?

模型建立

暴雪爸爸前段时间发布了关于《炉石传说》卡牌包抽取概率公告,其中有两条关键信息:

平均20个炉石卡牌包,可获得一张传说品质卡牌。
此外,需要说明的是:随着卡牌包抽取数量的增多,玩家实际获得高品质卡牌的概率也将同步提高。

通过官方的说明,加上对开包已有的认知,可以将 卡牌包抽取  行为近似抽象为 伯努利试验(或 重复独立试验)。由于卡牌包抽取数量的增大,获得传说(橙卡)的概率也会相应提高,也就是前面的试验结果会对后续的试验结果产生一定影响,故而这里的 伯努利试验  模型并不十分精确。但在开包数目相对较小的情况下,我们还是可以使用 伯努利试验  进行近似建模抽象的。毕竟,官方没有透露任何关于卡牌包出传说概率模型的消息,也只能用 伯努利试验  对其进行简单抽象了。

另外,这里也可以得知,单包出橙卡的概率为 1/20 即 0.05。

在 n 次重复独立试验中,用 ξ 表示事件A发生的次数,用 p 表示事件A在单次试验中发生的概率,则事件A发生 k 次的概率 P 为:


建立了数学模型,可以方便解决问题了。\(≧▽≦)/

编码实现

/**
 * 重复独立试验
 * @author Tianma
 *
 */
public class BernoulliExperiment {

    /**
     * 重复独立试验(伯努利试验),单次出现概率为p(0<p<1)的情况下,重复独立试验n次,返回命中k次的概率
     * <p>
     * P(k,n,p) = C(n,k)*(p^k)*((1-p)^(n-k)),其中(k = 0,1,2,...,n)
     */
    public double probability(int n, int k, double p) {
        return combination(n, k) * Math.pow(p, k) * Math.pow(1 - p, n - k);
    }

    /**
     * 计算C(n,m)组合数的值
     */
    public long combination(int n, int m) {
        long[] arr = new long[m + 1];
        for (int i = 0; i < arr.length; i++) {
            arr[i] = 1;
        }
        for (int i = 1; i <= n - m; i++) {
            for (int j = 1; j <= m; j++) {
                arr[j] += arr[j - 1];
            }
        }
        return arr[m];
    }

    public static void main(String[] args) {
        BernoulliExperiment bernoulli = new BernoulliExperiment();
        double p = 0.05;
        int n = 50;
        double oddProbability = 0, evenProbability = 0;
        for (int i = 0; i <= n; i++) {
            double probability = bernoulli.probability(n, i, p);
            if (i % 2 == 0) {
                evenProbability += probability;
            } else {
                oddProbability += probability;
            }
        }
        System.out.println("Odd probability : " + oddProbability);
        System.out.println("Even probability : " + evenProbability);
        System.out.println("Odd + Even : " + (evenProbability + oddProbability));
    }
}

上述代码中涉及到组合数的计算,详情可以看之前的博客 组合数的计算

运行结果如下:

Odd probability : 0.497423112396339
Even probability : 0.502576887603659
Odd + Even : 0.999999999999998

从运行结果我们可以看出,50个卡包开出橙卡数目的奇偶性的概率大致一样,但还是有略微差别。如果对 n 和 p 取不同的值,得到的奇偶性概率差又会不一致。也就是说,需要经过一定的计算才能判断最终结论走向。

最后的最后,想说一句,芝士就是力量(大雾) ╰( ̄▽ ̄)╮

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 160,646评论 4 366
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,979评论 1 301
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 110,391评论 0 250
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,356评论 0 215
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,740评论 3 293
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,836评论 1 224
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 32,022评论 2 315
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,764评论 0 204
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,487评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,728评论 2 252
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,200评论 1 263
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,548评论 3 260
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,217评论 3 241
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,134评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,921评论 0 201
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,919评论 2 283
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,766评论 2 274

推荐阅读更多精彩内容