社区
数据结构与算法
帖子详情
关于抽奖的概率算法~你能算出来吗?
csjxing
2011-08-20 03:52:47
现在要做一套抽奖系统,奖品配置如下:
奖品 | 数量 | 概率
奖品1 | 1 | 0.01%
奖品2 | 10 | 0.6%
奖品3 | 50 | 5%
奖品4 | 400 | 10%
每个奖品的中奖概率是按最右列的概率计算,奖品设定数量上限,如果奖品抽完,再抽中该奖品,视为不中奖。
请问 如何计算总的中奖概率,开始觉得是把最右边的概率相加就是(0.01+0.6+5+10=15.61%),但后来又把自己给否定了,应该不是这么个算法,求解。。。。。。
...全文
5944
10
打赏
收藏
关于抽奖的概率算法~你能算出来吗?
现在要做一套抽奖系统,奖品配置如下: 奖品 | 数量 | 概率 奖品1 | 1 | 0.01% 奖品2 | 10 | 0.6% 奖品3 | 50 | 5% 奖品4 | 400 | 10% 每个奖品的中奖概率是按最右列的概率计算,奖品设定数量上限,如果奖品抽完,再抽中该奖品,视为不中奖。 请问 如何计算总的中奖概率,开始觉得是把最右边的概率相加就是(0.01+0.6+5+10=15.61%),但后来又把自己给否定了,应该不是这么个算法,求解。。。。。。
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
10 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
izj
2011-08-26
打赏
举报
回复
[Quote=引用 7 楼 jokul_lee 的回复:]
就算你给出了中奖率和奖品总数,也没办法确定总抽奖次数,
又因为你没说明总抽奖次数,所以没办法判断总中奖率。
我说一下我的理解。
一等奖:1/0.1% = 10000;按一等奖的奖品数和中奖率,算出有一万个总抽奖次数。
二等奖:10/0.6% = 1667;按二等奖的奖品数和中奖率,算出有1667个总抽奖次数。
三等奖:50/5% = 1000;按三等奖的奖品数和中奖率,算出有1000个……
[/Quote]
JS+1
oklinsong
2011-08-26
打赏
举报
回复
[Quote=引用 7 楼 jokul_lee 的回复:]
就算你给出了中奖率和奖品总数,也没办法确定总抽奖次数,
又因为你没说明总抽奖次数,所以没办法判断总中奖率。
我说一下我的理解。
一等奖:1/0.1% = 10000;按一等奖的奖品数和中奖率,算出有一万个总抽奖次数。
二等奖:10/0.6% = 1667;按二等奖的奖品数和中奖率,算出有1667个总抽奖次数。
三等奖:50/5% = 1000;按三等奖的奖品数和中奖率,算出有1000个……
[/Quote]
顶
Jokul_Lee
2011-08-24
打赏
举报
回复
哦 哦,,关键在这句话“如果奖品抽完,再抽中该奖品,视为不中奖。”
奸商啊。。
这就是不定数,假设你只有一个一等奖奖品,但是写了十个一等奖的单子,总抽奖次数是十万。
那么9个人的一等奖都是无效的。
那么实际上,一等奖的实际中奖率要比标注中奖率低10倍。
又,所以说,这概率完全是可控的了。
Jokul_Lee
2011-08-24
打赏
举报
回复
就算你给出了中奖率和奖品总数,也没办法确定总抽奖次数,
又因为你没说明总抽奖次数,所以没办法判断总中奖率。
我说一下我的理解。
一等奖:1/0.1% = 10000;按一等奖的奖品数和中奖率,算出有一万个总抽奖次数。
二等奖:10/0.6% = 1667;按二等奖的奖品数和中奖率,算出有1667个总抽奖次数。
三等奖:50/5% = 1000;按三等奖的奖品数和中奖率,算出有1000个总抽奖次数。
四等奖:400/10% = 4000;按四等奖的奖品数和中奖率,算出有4000个总抽奖次数。
结论是四种奖项不可能在同一种抽奖模式中存在。
因为当你总奖品数是10000,时,只有一等奖的中奖概率是真实的,其他三种奖项的中奖概率的是虚假的。
以此类推,虽然我没仔细算,但是其他三种奖项应该都存在类似的问题。
你是一个奸商。
fyswords
2011-08-24
打赏
举报
回复
要是实际概率的话需要抽过奖的情况
如果算期望的话似乎比较麻烦
P1=15.61%
P2= 0.01%*15.6% + 0.6%*15.01% + 5%*10.61% + 10%*5.61% + 84.39%*15.61%
………………
看有没有归纳法吧
Smile_Tiger
2011-08-23
打赏
举报
回复
我觉得题目还有些不清晰的地方
比如你是如何利用随机数产生这些奖项的,这个也是关系到概率的计算方法的。
fantasyczl
2011-08-20
打赏
举报
回复
等高人
icansaymyabc
2011-08-20
打赏
举报
回复
如果不提供参加抽奖的总人数,你要的这个概率算不出来。
提供了参加抽奖的总人数,把实际颁发数量除1下总人数就出来了。
例如:100个人参加抽奖,总中奖概率就是 15%
1000个人参加抽奖,总中奖概率就是 15.6%
10000个人参加抽奖,总中奖概率就是 4.61%
100000个人参加抽奖,总中奖概率就是 0.461%
1000000个人参加抽奖,总中奖概率就是 0.0461%
10000000个人参加抽奖,总中奖概率就是 0.00461%
icansaymyabc
2011-08-20
打赏
举报
回复
灰常简单的哪。你起码还要提供一个数据,就是参加抽奖的总人数吧?你就能根据中奖概率算出每种奖品的数量,再依据各种奖品的最大数量调整一下。
比如说,有100个人参加抽奖,就算出
奖品 | 实际颁发数量 | 概率
奖品1 | 0 | 0.01%
奖品2 | 0 | 0.6%
奖品3 | 5 | 5%
奖品4 | 10 | 10%
有1000个人参加抽奖,就算出
奖品 | 实际颁发数量 | 概率
奖品1 | 0 | 0.01%
奖品2 | 6 | 0.6%
奖品3 | 50 | 5%
奖品4 | 400 | 10%
有10000个人参加抽奖,就算出
奖品 | 实际颁发数量 | 概率
奖品1 | 1 | 0.01%
奖品2 | 10 | 0.6%
奖品3 | 50 | 5%
奖品4 | 400 | 10%
然后,用随机数把各项奖品派送到参加抽奖的人头上不就得了?
csjxing
2011-08-20
打赏
举报
回复
自己顶下呵呵~
高容量存储寿命开始缩水67%,你手上的SSD越来越“值钱”了
从 SLC,到 MLC,再到 TLC,如今发展到 QLC,本就是存储行业不断提高密度、降低成本的发展规律。如果厂商通过更好的主控、更大的缓存、更成熟的
算法
,把 QLC 的体验做到接近 TLC,同时价格也更加亲民,大多数消费者其实完全能够接受。其实也没那么简单,过去几年,厂商依靠更聪明的数据调度
算法
、更强的主控芯片、更激进的缓存策略已经让 QLC 的体验也没有那么差劲。原因嘛,也很简单,目前存储都贵出天际,QLC 对于降本增效实在是优选方案,企业级都用上好久啦。这一点,其实几年前就已经有产品验证过。
二级额外爆率下白玉窟钥匙产出如何?用Python模拟与数据验证
在游戏数值与随机掉落系统中,“爆率加成”是玩家与开发者共同关注的核心机制。其底层并非单一
概率
,而是由基础掉落表、加成模式与判定次数共同构成的复合随机过程。理解
概率
模型是科学评估额外爆率的前提,常见实现包含
概率
直加、倍率相乘与额外独立判定三种叠加方式。借助Python可以搭建轻量级掉落模拟器,对不同钥匙进行批量开箱仿真,通过对比模型输出差异来判断加成规则。当缺少服务端配置时,还可基于开启日志与置信区间统计法(如自助法)反向估算真实掉落范围,从而规避小样本导致的误判。这套方法既能帮助玩家用数据记录验证游戏道具掉
Bitnami Grafana Tempo Helm Chart 演进史与关键功能变更深度解析
Grafana Tempo 是一款与 Grafana 开箱即用集成、支持多种流行链路追踪协议的可扩展分布式追踪系统。本文以仓库中的 [bitnami/grafana-tempo/CHANGELOG.md](https://link.gitcode.com/i/d9f416eada71d9795a35f52990f14b8e) 为骨架,结合 [values.yaml](https://link.gi
变量类型识别与适配:数据建模前必须搞懂的四大变量分类
在数据分析与机器学习中,变量类型是决定统计方法、特征工程和模型选择的基础前提。定类变量(如城市、支付方式)仅支持频数与卡方检验;定序变量(如满意度、教育程度)可排序但不可等距运算;定距变量(如年份、摄氏温度)具备等距性却无绝对零点;定比变量(如销售额、用户数)则拥有完整数学运算能力。忽视变量多样性,将导致皮尔逊相关误用、线性回归编码陷阱、AB测试结论失真等高频问题。本文聚焦实战场景中的类型识别、清洗转换与建模适配,结合Python自动推断、业务校验机制与主流
算法
(如XGBoost、Logistic回归)的变
AI体验指数搭建指南:从用户评价到可量化趋势分析
在大模型应用快速普及的当下,用户对模型能力的主观感受已成为产品质量的重要信号。自然语言处理与情感分析技术为理解海量评论提供了基础,但碎片化文本如何转化为可对比的量化指标?时间序列分析和窗口化对比方法可以帮助开发者构建用户观点体验指数,通过基期设定、样本量门槛与波动率校正来减少舆论噪声。这类指数适用于模型迭代后的舆情监控、功能上线副作用检测以及产品健康度看板,为运营团队提供“口碑温度计”式的辅助决策依据。结合文本分类与维度拆分,还能定位负面反馈集中出现的能力项,从而将“模型变笨了”等模糊抱怨转化为可追踪、可归
数据结构与算法
33,025
社区成员
35,334
社区内容
发帖
与我相关
我的任务
数据结构与算法
数据结构与算法相关内容讨论专区
复制链接
扫一扫
分享
社区描述
数据结构与算法相关内容讨论专区
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章