原文链接：http://tecdat.cn/?p=24852 

原文出处：拓端数据部落公众号

“获胜概率”的实时计算（或估计）很困难。我们经常在足球比赛中，在选举中看到这种情况。

考虑经典的多项选择考试。在每个问题之后，想象您尝试计算学生通过考试的概率。在这里考虑我们有 50 个问题的情况。学生在答对 25 个以上时通过。为了模拟，我假设学生在每个问题上只掷硬币，我有 n 个学生，50 个问题

1. 


2. M=matrix

令 Xi,j 表示学生 i在问题 j 的分数。让 Si,j 表示累积分数，即 

. 在第 j 步，我可以使用 T^i,j =50×Si,j /j 对最终得分进行某种预测。这是代码

1. S=apply

2. B

我们可以绘制它

1. plot(B)

2. abline

3. for(i in 2:n) lines

4. lines

但这 只是 对每一步的最终分数的预测。这不是通过概率的计算！

如果在 j 个问题之后，学生有 25 个正确的答案，那么概率应该是 1——即如果 Si,j ≥25。另一个简单的例子是：如果在j题之后，他直到最后都答对了，他能得到的分数不够，他就会失败。这意味着如果 Si,j +(50−i+1)<25，概率应该是 0。否则，要计算成功的概率，就很简单了。它是当成功的概率实际上是 Si,j /j 时，在 50-j 个问题中获得至少 25-Si,j 正确答案的概率。我们认识到二项式分布的生存概率。然后代码很简单

1. for(i in 1:50){

2. for(j in 1:n){

3. if() P[i,j]=1

4. if()   P[i,j]=0

5. if()B[i,j]=1-pbinom

所以如果我们绘制它，我们得到

1. plot(P

2. abline

3. for(i in 2:n) lines

4. lines

这比我们之前获得的曲线更不稳定！所以，计算“获胜概率”是一项复杂的工作！

当然，如果我的学生不抛硬币，情况就略有不同......这是我们得到的结果，如果一半的学生是好的（有2/3的概率答对问题），一半是不好的（1/3的概率）。

如果我们看通过的概率，我们通常不必等到最后（50道题）就知道谁通过了，谁没通过

最受欢迎的见解

1.R语言泊松Poisson回归模型分析案例

2.R语言进行数值模拟：模拟泊松回归模型

3.r语言泊松回归分析

4.R语言对布丰投针（蒲丰投针）实验进行模拟和动态可视化

5.用R语言模拟混合制排队随机服务排队系统

6.GARCH（1,1），MA以及历史模拟法的VaR比较

7.R语言做复杂金融产品的几何布朗运动的模拟

8.R语言进行数值模拟：模拟泊松回归模型

9.R语言对巨灾风险下的再保险合同定价研究案例：广义线性模型和帕累托分布Pareto distributions