假设我在锦标赛中有20名球员[名字A .. T]。比赛的规则规定每位球员两次比赛其他球员[A vs B，B vs A，A vs C ..等]。有20名选手，总共将有380场比赛。
在每场比赛中，有三种可能的结果 - 球员1胜，球员2胜或平局。有一个博彩交易所，在每场比赛之前，引用每个结果的概率;所以你可能有40％的球员1胜，30％的球员2胜，30％的平局[概率总和为100％];我在每场比赛之前存储这些概率。
快进四分之一的比赛。我已经收集了95场比赛的概率，仍有285场比赛。我想知道的是 -
可以使用95场比赛的概率数据来预测其余285的概率吗？
例如，如果我知道A vs B和B vs C，我可以使用它们来推断A vs C吗？
如果是这样，我该怎么做？
答案 0 :(得分：4)
让我向你介绍我的好朋友贝叶斯...... http://en.wikipedia.org/wiki/Bayesian_inference
编辑：第1部分）贝叶斯只适用于非独立试验。如果以某种方式赢得一场比赛会增加赢得下一场比赛的概率，那么你可以继续！否则这根本不是很有用。
编辑：第2部分）无论如何，基础是以下贝叶斯公式。
P(A|B) = P(B|A) P(A)
-----------
P(B)
其中，“A给定B的概率等于Prob.B给出A倍于A的Prob。”。为了说明这一点，经常会给出有3门问题的汽车销售员。
你有3扇门，在一扇门后面 有一辆全新的汽车。另一个 两扇门绝对没有。 主人然后要求你选择一扇门。 记住，门有'A'，'B'和 'C'。因此，你有1/3 正确的概率。
作为一个慷慨的家伙，主持人打开了 其中一扇门。他现在给 你可以选择坚持 同一扇门或打开另一扇门 门。
我意识到在Stackoverflow回复中解释这个问题需要花费很长时间才能用Google搜索。这是蒙蒂霍尔问题：http://en.wikipedia.org/wiki/Monty_Hall_problem。贝叶斯部分http://en.wikipedia.org/wiki/Monty_Hall_problem#Bayesian_analysis。
编辑：第3部分）如果您认为这种方法可行（但是使用更宏大的方案），您可能想要查找“贝叶斯网络”
答案 1 :(得分：2)
您可能会或可能无法预测游戏结果，具体取决于游戏。我相信你所看到的仍然是一个活跃的研究领域，但有合理的解决方案。基本上你希望你能对球员进行排名，这样一个更高级别的球员通常会击败一个较低级别的球员。不同的模型稍微调整一下，例如获胜的概率是等级差异的函数。
一种方法是使用模拟退火来找到这些等级。根据玩家的等级选择游戏结果的一些函数，并且让给定等级分配的适合度是给定所选等级的观察结果的概率。根据模拟退火，重复不同的等级。
答案 2 :(得分：0)
你可能能够为大多数游戏做出一些不太好的预测。例如，如果你有国际象棋选手A，B和C，其中A击败B和B击败C，A也可能击败C.但是，在某些情况下根本无法解决问题。举一个简单的例子，如果它是一个摇滚剪刀比赛，A总是选择摇滚，B选择剪刀，而C选择纸张，显然你不会得到相同类型的相关性。
你最好的选择是如果你能够用一小部分测试一下，如果你能找到一些可能会使用一些预先存在的数据。阅读1/4的案例，根据该集合进行预测，并了解预测的效果。